于重重，周 蘭，王 鑫，吳靜珠，劉 倩

基于CNN神經(jīng)網(wǎng)絡(luò)的小麥不完善粒高光譜檢測(cè)

于重重，周 蘭，王 鑫，吳靜珠，劉 倩

（北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，食品安全大數(shù)據(jù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048）

利用高光譜成像技術(shù)對(duì)小麥不完善粒進(jìn)行無損檢測(cè)。以932 個(gè)小麥為樣本，其中正常粒樣本486 個(gè)、破損粒樣本170 個(gè)、蟲蝕粒樣本149 個(gè)及黑胚粒樣本127 個(gè)為研究對(duì)象，通過高光譜圖像采集系統(tǒng)采集樣本的光譜信息，然后從每個(gè)樣本的116 個(gè)波段中選取30 個(gè)波段，建立基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）模型。實(shí)驗(yàn)中的CNN采用2 個(gè)卷積層，第1層采用大小為3×3的32 個(gè)卷積核，第2層采用大小為5×5的64 個(gè)卷積核，池化層采用最大池，激活函數(shù)采用修正線性單元，為避免過擬合，在全連接層后面接入dropout層，參數(shù)設(shè)置為0.5，其他卷積參數(shù)均為默認(rèn)值，得到校正集總識(shí)別率為100.00%，測(cè)試集總識(shí)別率為99.98%。最后，以支持向量機(jī)（support vector machine，SVM）為基線模型進(jìn)行對(duì)比，從116 個(gè)波段中選取90 個(gè)波段進(jìn)行建模，測(cè)試集總識(shí)別率為94.73%。通過實(shí)驗(yàn)對(duì)比可以看出，CNN模型比SVM模型識(shí)別率高。研究表明CNN模型能夠?qū)崿F(xiàn)對(duì)小麥不完善粒的準(zhǔn)確、快速、無損檢測(cè)。

小麥；不完善粒；高光譜檢測(cè)；卷積神經(jīng)網(wǎng)絡(luò)模型

不完善粒小麥主要是指受到損傷，但是依舊具有一定使用價(jià)值的小麥顆粒，這些小麥包含有生芽粒、蟲蝕粒、病斑粒（黑胚粒和赤霉病粒）、霉變粒和破損粒[1]。不完善粒小麥會(huì)影響小麥的容重、色澤、小麥品質(zhì)和商品性質(zhì)，更有甚者，霉變粒小麥可能引起人們中毒，黑胚小麥與人類的食道癌的發(fā)病也有一定的關(guān)系[2]。因此檢測(cè)不完善粒對(duì)小麥?zhǔn)召?gòu)、食品加工等具有重要的價(jià)值和意義。

傳統(tǒng)不完善粒的檢測(cè)方法主要是人工檢測(cè)，具有工作強(qiáng)度大、檢測(cè)速度慢、主觀因素強(qiáng)以及準(zhǔn)確率低等缺點(diǎn)。近年來國(guó)內(nèi)外專家提出新的檢測(cè)方法如基于聲學(xué)原理[3]的檢測(cè)方法、基于圖像特征和BP神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法[4]，雖然這些方法解決了人工檢測(cè)的一些問題，但是這些方法也都存在一定的弊端，例如，聲學(xué)原理檢測(cè)方法采用麥克風(fēng)采集超聲信號(hào)，具有噪聲傳播的缺點(diǎn)；基于圖像特征和BP神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法對(duì)蟲蝕粒小麥的檢測(cè)精度較低。

近幾年來，高光譜[5]成像技術(shù)依其快速無損檢測(cè)以及圖譜合一的獨(dú)特優(yōu)勢(shì)得到快速發(fā)展。當(dāng)前高光譜主要應(yīng)用在地質(zhì)調(diào)查[6]、農(nóng)產(chǎn)品檢測(cè)[7]、大氣遙感[8]，食品醫(yī)學(xué)安全[9-12]以及城市環(huán)境遙感等[13]民用方面，并且廣泛應(yīng)用于軍事方面，如利用高光譜進(jìn)行偵查識(shí)別[14]。

目前，雖然高光譜技術(shù)廣泛應(yīng)用于各個(gè)方面，但是其具有冗余性強(qiáng)，數(shù)據(jù)量大的特點(diǎn)，因此將傳統(tǒng)的機(jī)器學(xué)習(xí)方法用于處理高光譜數(shù)據(jù)時(shí)，不僅準(zhǔn)確率較低，而且時(shí)效性也較低。深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）模型具有處理海量圖片的優(yōu)勢(shì)，目前國(guó)內(nèi)利用CNN模型進(jìn)行小麥不完善粒的高光譜檢測(cè)極少。本實(shí)驗(yàn)以正常粒和包括黑胚粒、蟲蝕粒、破損粒的不完善粒小麥為分類樣本，采用高光譜技術(shù)建立CNN模型[15-20]對(duì)上述4 種不完善粒進(jìn)行四分類檢測(cè)，從而推動(dòng)對(duì)不完善粒小麥的快速、無損以及準(zhǔn)確檢測(cè)的發(fā)展。

1 材料與方法

1.1 材料

本實(shí)驗(yàn)采用樣本材料由中國(guó)農(nóng)業(yè)科學(xué)院作物研究所提供。正常樣本與不完善粒的挑選均由實(shí)驗(yàn)人員憑借視覺經(jīng)驗(yàn)區(qū)分，分別選出正常粒樣本486 個(gè)、破損粒樣本170 個(gè)、蟲蝕粒樣本149 個(gè)及黑胚粒樣本127 個(gè)進(jìn)行實(shí)驗(yàn)。

1.2 儀器與設(shè)備

采用北京安洲科技有限公司SOC710VP便攜式高光譜成像光譜儀作為高光譜圖像采集系統(tǒng)。

1.3 方法

1.3.1 高光譜圖像采集系統(tǒng)參數(shù)

采集過程以及儀器參數(shù)設(shè)定：每類小麥樣本以10×10網(wǎng)格狀放置于樣品臺(tái)采集高光譜圖像，圖像分辨率為696×520像素，光譜掃描范圍為493～1 106 nm，掃描速率為30 line/s，波段間隔為5.1 nm，波段數(shù)為116 個(gè)。

1.3.2 CNN模型建立法

CNN模型[21-22]是一種特殊的深層神經(jīng)網(wǎng)絡(luò)模型，該模型憑借其權(quán)值共享、卷積運(yùn)算直接處理二維圖像，避免前期對(duì)圖像復(fù)雜的預(yù)處理，這對(duì)于較復(fù)雜的深層結(jié)構(gòu)來說尤為重要，因此得到了廣泛的應(yīng)用。CNN常用的模型有LeNet、AlexNet、VGG、GoogleNet、ResNet等。一種典型的卷積網(wǎng)絡(luò)結(jié)構(gòu)是LeNet-5[23]，如圖1所示。

圖1 LeNet-5結(jié)構(gòu)Fig. 1 LeNet-5 structure

CNN模型由輸入層、卷積層、采樣層、全連接層和輸出層五部分構(gòu)成，其中卷積層和采樣層交替排列。卷積層有多個(gè)不相同的二維特征圖，其中一個(gè)特征圖提取一種特征，多個(gè)特征圖提取多種特征。同一個(gè)特征圖采用相同的卷積核，不相同的特征圖采用不同的卷積核，同一特征圖的權(quán)值是共享的。采樣層，也稱為特征映射層，對(duì)特征層提取的特征進(jìn)行子采樣，保證提取特征的縮放不變性。訓(xùn)練過程是使CNN的預(yù)測(cè)值盡可能的靠近期望值。

利用CNN方法進(jìn)行圖像識(shí)別的流程圖如圖2所示。

圖2 CNN的圖像識(shí)別過程Fig. 2 Image recognition process of CNN model

首先選定訓(xùn)練集和測(cè)試集的數(shù)目，其次對(duì)訓(xùn)練樣本進(jìn)行規(guī)則化，將其調(diào)整為相同的尺寸m×n，然后采用隨機(jī)梯度下降進(jìn)行權(quán)值更新，當(dāng)誤差或迭代次數(shù)達(dá)到閾值時(shí)訓(xùn)練停止。最后將測(cè)試集輸入已經(jīng)訓(xùn)練好的CNN網(wǎng)絡(luò)中，通過前向傳播得到最終的分類結(jié)果。

CNN的前向傳播主要包括卷積和下采樣2 個(gè)過程，如圖3所示。

圖3 卷積和下采樣過程Fig. 3 Process of convolution and down sampling

卷積過程是采用一個(gè)可訓(xùn)練的濾波器fx與輸入圖像進(jìn)行卷積，然后加上偏置bx得到卷積層Cx；子采樣過程則是每相鄰的若干像素取最大或者取平均值變?yōu)橐粋€(gè)像素，然后與權(quán)值wx＋1進(jìn)行相乘，再與偏置bx＋1相加，最后在激活函數(shù)的作用下生成一個(gè)特征映射圖Sx＋1。

CNN是一個(gè)多感知機(jī)的演變，是一種特殊的深層神經(jīng)網(wǎng)絡(luò)，它的神經(jīng)元采用局部鏈接的方式，同層的某些神經(jīng)元又采用權(quán)值共享的策略，不僅降低了權(quán)值的維數(shù)易于計(jì)算，而且可以降低過擬合的程度，避免了傳統(tǒng)識(shí)別方法進(jìn)行復(fù)雜特征提取的缺點(diǎn)。另外CNN容錯(cuò)能力好，并且具有并行處理和自學(xué)習(xí)的能力，具有很好的適應(yīng)性，能夠很好地挖掘出數(shù)據(jù)的局部特征，有效提取全局訓(xùn)練特征進(jìn)行分類，在模式識(shí)別的各個(gè)領(lǐng)域都取得很好的效果。

1.3.3 支持向量機(jī)（support vector machine model，SVM）模型建立

圖4 采用SVM模型對(duì)小麥不完善粒進(jìn)行分類流程圖Fig. 4 Flow chart for classification of unsound kernels using SVM model

采用SVM模型對(duì)不完善粒小麥進(jìn)行分類，如圖4所示。SVM的思想是在由核函數(shù)確定的特征空間上構(gòu)造軟間隔分離超平面，用正則化因子平衡間隔最大化和訓(xùn)練誤差最小化，通過決策面實(shí)現(xiàn)樣本的二分類。它在解決小樣本非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，具有很好的泛化能力，因此本實(shí)驗(yàn)中的對(duì)比實(shí)驗(yàn)選用多類SVM分類器建模。

2 結(jié)果與分析

2.1 數(shù)據(jù)預(yù)處理

為了實(shí)現(xiàn)小麥種子的單粒識(shí)別，采用10×10的網(wǎng)格對(duì)每類小麥的單粒光譜波段圖像進(jìn)行分割提取，然后去除邊緣噪聲較大的部分，截取圖像的分辨率為400×500。由于高光譜在測(cè)量臨界區(qū)具有較大的機(jī)器噪聲，需要去除兩端噪聲嚴(yán)重的波段，如圖5a、b所示。因此從光譜掃描范圍493～1 106 nm中選取730.9～889.9 nm范圍內(nèi)的波段。另外，原始高光譜數(shù)據(jù)具有波段多、冗余性強(qiáng)、數(shù)據(jù)量大等特點(diǎn)，如果直接采用全波段數(shù)據(jù)進(jìn)行建模，則會(huì)導(dǎo)致建模效率降低、模型性能變差，根據(jù)每個(gè)波段的光譜圖成像質(zhì)量，從波長(zhǎng)730.9～889.9 nm的范圍內(nèi)選取30 個(gè)高光譜波段作為特征波進(jìn)行分析，如圖5c、d所示。

圖5 正常小麥不同波段光譜圖Fig. 5 Spectra of normal wheat at different wavebands

2.2 CNN模型建立

正常粒樣本486 個(gè)、破損粒樣本170 個(gè)、蟲蝕粒樣本149 個(gè)及黑胚粒樣本127 個(gè)，一共932 個(gè)樣本，如圖5所示，切分10×10的網(wǎng)格，切分出每一個(gè)籽粒作為樣本單元，通過觀察樣本每個(gè)波段的光譜圖成像質(zhì)量[24-26]，在每個(gè)樣本中選擇46～75之間光譜質(zhì)量好的30 個(gè)波段，則每個(gè)樣本具有30 個(gè)樣本光譜圖，總共有27 960 個(gè)樣本圖作為CNN的輸入圖像數(shù)據(jù)，分別隨機(jī)采用50%的樣本作為訓(xùn)練集和測(cè)試集。4 類小麥類別的標(biāo)簽采用one-hot編碼方式，分別為0001、0010、0100和1000。

CNN主要由卷積層、池化層和全連接層構(gòu)成網(wǎng)絡(luò)結(jié)構(gòu)。卷積層用于特征提取，通過卷積運(yùn)算降低噪聲，增強(qiáng)原始信號(hào)特征。卷積層中的每個(gè)神經(jīng)元的輸入與前一層的局部感受野相連，進(jìn)而提取該區(qū)域的特征，特征提取之后，它與其他特征間的位置關(guān)系也隨之確定。該層中特征提取是否充分主要由卷積核的數(shù)量決定，卷積核個(gè)數(shù)越多，提取特征越詳細(xì)。池化層根據(jù)圖像的局部相關(guān)性特征，對(duì)卷積層得到的特征圖進(jìn)行下采樣，不僅保留了有用信息而且可以實(shí)現(xiàn)數(shù)據(jù)降維，可以有效改善結(jié)果，且不易過擬合，池化的方法有最大池化、重疊池化等。全連接層將最終提取的二維特征轉(zhuǎn)化為一維輸入，然后連接一個(gè)分類器，進(jìn)行分類識(shí)別。

根據(jù)網(wǎng)絡(luò)訓(xùn)練的情況，最終建立相應(yīng)參數(shù)的CNN模型，即建立兩層卷積，第1層的卷積核大小為3×3，共32 個(gè)卷積核；第2層卷積核大小為5×5，共64 個(gè)卷積核；池化層大小為2×2，選用最大池；激活函數(shù)采用修正線性單元（rectifield linear units，ReLu）；為防止過擬合，在全連接層后接入dropout層，參數(shù)設(shè)置為0.5。

2.3 CNN模型建立結(jié)果

本實(shí)驗(yàn)建立CNN模型，實(shí)驗(yàn)平臺(tái)為ubuntun14.04＋TensorFlow[23]，CPU：Intel(R) Xeon(R) CPU E5-2643；內(nèi)存大小：64 GB；GPU：NVIDIA Tesla K40m×2；顯存大小：12 GB×2。TensorFlow是Google發(fā)布的深度學(xué)習(xí)系統(tǒng)，具有高的靈活性、較強(qiáng)的可移植性以及支持多語言等特點(diǎn)。

本實(shí)驗(yàn)在訓(xùn)練模型時(shí)，根據(jù)loss函數(shù)曲線和accuracy值來評(píng)判模型訓(xùn)練情況，以及作為參數(shù)調(diào)節(jié)的依據(jù)。迭代次數(shù)設(shè)置為50 000（2 500×20），其中每迭代20 次顯示一次結(jié)果。如圖6所示，由loss函數(shù)曲線可以看出，在迭代18 000（900×20）次時(shí)，損失曲線開始陡降；迭代40 000（2 000×20）次左右之后，損失函數(shù)曲線降為0。最終得到正常小麥、蟲蝕粒小麥和破損粒識(shí)別率均為100%，黑胚粒小麥樣本識(shí)別率為99.98%，樣本總的正確分類識(shí)別率為99.98%。因此可以反映該模型是可靠的。

圖6 CNN模型的損失函數(shù)曲線圖Fig. 6 Loss function curve of CNN model

為證明CNN模型識(shí)別精度高的優(yōu)勢(shì)，將其與經(jīng)典的傳統(tǒng)分類方法SVM[27-30]分類結(jié)果進(jìn)行對(duì)比。SVM分類通過在MATLAB R2013a環(huán)境中調(diào)用臺(tái)灣大學(xué)林智仁副教授等開發(fā)的LIBSVM工具包實(shí)現(xiàn)。采用SVM模型時(shí)，截去兩端噪聲嚴(yán)重波段，取569.7～1 045.0 nm范圍內(nèi)90 個(gè)波段的高光譜進(jìn)行分析，依次在90 個(gè)波段條件下提取樣本范圍內(nèi)的反射率平均值構(gòu)成該籽粒樣本的光譜信息。一共932 個(gè)樣本，分別隨機(jī)采用50%的樣本作為訓(xùn)練集和測(cè)試集。SVM模型的懲罰變量c和核函數(shù)參數(shù)g決定了模型的學(xué)習(xí)能力和預(yù)測(cè)能力，故采用網(wǎng)格法進(jìn)行參數(shù)尋優(yōu)，其中c、g的取值范圍均設(shè)置為[2－10，210]。最終c取值64，g取值0.5，通過實(shí)驗(yàn)發(fā)現(xiàn)當(dāng)核函數(shù)為RBF時(shí)，模型的準(zhǔn)確度較高，如表1所示。

表1 SVM模型與CNN模型樣本識(shí)別率結(jié)果Table 1 Recognition rates of SVM and CNN models

由表1可以看出，無論是單個(gè)類型樣本的識(shí)別率，還是總體識(shí)別率，除黑胚粒外，CNN模型的識(shí)別率都比SVM的高。所以可以看出CNN模型在目標(biāo)的檢測(cè)識(shí)別上更加精確，高效。

3 結(jié) 論

首先根據(jù)高光譜圖像采集系統(tǒng)得到932 個(gè)樣本的高光譜圖像，然后采用黑白標(biāo)定的方法對(duì)高光譜數(shù)據(jù)進(jìn)行降噪處理，然后從每個(gè)樣本的116 個(gè)波段中，選出噪聲較小的46～75之間的30 個(gè)波段，建立CNN的小麥不完善粒分類模型，分類準(zhǔn)確率達(dá)到99.98%。經(jīng)過對(duì)比發(fā)現(xiàn)，CNN分類模型優(yōu)于SVM分類模型。綜上所述，基于深度學(xué)習(xí)算法的CNN模型與高光譜檢測(cè)技術(shù)相結(jié)合實(shí)現(xiàn)小麥的不完善粒的快速準(zhǔn)確識(shí)別是可行的。

[1] 薛朝美. 小麥不完善粒的分析[J]. 西部糧油科技, 2001, 26(5)∶ 54-55.DOI∶10.3969/j.issn.1007-6395.2 001.05.019.

[2] 趙亞娟, 韓小賢, 郭衛(wèi), 等. 霉變小麥品質(zhì)影響的研究[J]. 河南工業(yè)大學(xué)(自然科學(xué)版), 2013, 34(2)∶ 43-46.

[3] 魏琳, 王愛民, 楊紅衛(wèi). 基于聲學(xué)原理的小麥蟲蝕粒檢測(cè)方法研究[J].農(nóng)機(jī)化研究, 2013(6)∶ 33-36.

[4] 張玉榮, 陳賽賽, 周顯青, 等. 基于圖像處理和神經(jīng)網(wǎng)絡(luò)的小麥不完善粒識(shí)別方法研究[J]. 糧油食品科技, 2014, 22(3)∶ 58-63.DOI∶10.16210/j.cnki.1007-7561.2014.03.016.

[5] LU G L, FEI B W. Medical hyperspectral imaging∶ a review[J].Journal of Biomedical Optics, 2014, 19(1)∶ 10901. DOI∶10.1117/1.JBO.19.1.010901.

[6] 李萬倫, 甘甫平. 礦山環(huán)境高光譜遙感監(jiān)測(cè)研究進(jìn)展[J]. 國(guó)土資源遙感, 2016, 28(2)∶ 2-7. DOI∶10.6 046/gtzyyg.2016.02.01.

[7] 吳靜珠, 劉倩, 陳巖, 等. 基于近紅外與高光譜技術(shù)的小麥種子多指標(biāo)檢測(cè)方法[J]. 傳感器與微系統(tǒng), 2016, 35(7)∶ 42-44.

[8] 劉旸, 蔡波, 班顯秀, 等. AIRS紅外高光譜資料反演大氣水汽廓線研究進(jìn)展[J]. 地球科學(xué)與進(jìn)展, 2013, 28(8)∶ 890-896. DOI∶10.11867/j.issn.1001-8166.2013.08.0890.

[9] FENG Y Z, SUN D W. Application of hyperspectral imaging in food safety inspection and control∶ a review[J]. Critical Reviews in Food Science & Nutrition, 2012, 52(11)∶ 1039-1058. DOI∶10.1080/1040839 8.2011.651542.

[10] WU D, SUN D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment∶a review-part Ⅰ∶ fundamentals[J]. Innovative Food Science and Emerging Technologies, 2013, 19(1)∶ 15-28. DOI∶10.1016/j.ifset.2013.04.014.

[11] FEI B W, AKBARI H, HALIG L V. Hyperspectral imaging and spectral-spatial classification for cancer detection[C]//International Conference on Biomedical Engineering and Informatics. IEEE, 2013∶62-64.

[12] CHIN J A, WANG E C, KIBBE M R. Evaluation of hyperspectral technology for assessing the presence and severity of peripheral artery disease[J]. Journal of Vascular Surgery, 2011, 54(6)∶ 1679-1688.DOI∶10.1016/j.jvs.2011.06.022.Epub2011Jul31.

[13] KUDELA R M, PALACIOS S L, AUSTERBERRY D C, et al.Application of hyperspectral remote sensing to cyanobacterial blooms in inland waters[J]. Remote Sensing of Environment, 2015, 167∶ 196-205. DOI:10.1016/j.rse.2015.01.025.

[14] 麻永平, 張煒, 劉東旭. 高光譜偵查技術(shù)特點(diǎn)及其面對(duì)地面軍事目標(biāo)威脅分析[J]. 上海航天, 2012, 29(1)∶ 37-40.

[15] SLAVKOVIKJ V, VERSTOCKT S, NEVE W D, et al. Hyperspectral image classification with convolutional neural networks[C]//ACM International Conference on Multimedia. ACM, 2015∶ 1159-1162.

[16] HU W, HUANG Y, WEI L, et al. Deep convolutional neural networks for hyperspectral image classification[J]. Journal of Sensors, 2015(2)∶1-12. DOI∶10.1155/2015/258619.

[17] LIU B, YU X C, ZHANG P Q, et al. A semi-supervised convolutional neural network for hyperspectral image classification[J]. Remote Sensing Letters, 2017(8)∶ 839-848. DOI:10.1080/2150704X.2017.1331053.

[18] YU S Q, JIA S, XU C. Convolutional neural networks for hyperspectral image classification[J]. Neurocomputing, 2017, 219∶88-98. DOI∶10.1016/j.neucom.2016.09.010.

[19] GAO Y, CHUA T S. Hyperspectral image classification by using pixel spatial correlation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013∶ 141-151. DOI∶10.1007/978-3-642-35725-1_13.

[20] 曲景影, 孫顯, 高鑫. 基于CNN模型的高分辨率遙感圖像目標(biāo)識(shí)別[J]. 研究與開發(fā), 2016, 35(8)∶ 45-50. DOI∶10.3969/j.issn.1002-8978.2016.08.011.

[21] 高學(xué), 王有望. 基于CNN和隨機(jī)彈性變形的相似手寫漢字識(shí)別[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 42(1)∶ 72-76.

[22] 樂毅, 王斌. 深度學(xué)習(xí)∶ caffe之經(jīng)典模型詳解與實(shí)戰(zhàn)[M]. 北京∶ 電子工業(yè)出版社, 2016∶ 12.

[23] RAN L Y, ZHANG Y N, WEI W, et al. Bands sensitive convolutional network for hyperspectral image classification[C]//International Conference on Internet Multimedia Computing and Service. ACM,2016∶ 268-272. DOI∶10.1145/3007669.3007707.

[24] LIU X, YU C, CAI Z. Differential evolution based band selection in hyperspectral data classification[J]. Lecture Notes in Computer Science, 2010, 6382∶ 86-94. DOI∶10.1007/978-3-642-16493-4_9.

[25] RAHMAN S A E, ALIADY W A, ALRASHED N I. Supervised classification approaches to analyze hyperspectral dataset[J].Image, Graphics and Signal Processing, 2015∶ 42-48. DOI∶10.5815/ijigsp.2015.05.05.

[26] 譚熊, 余旭初, 親近春, 等. 高光譜影響的多核SVM分類[J]. 儀器儀表學(xué)報(bào), 2014, 35(2)∶ 405-411.

[27] ALLENDE P B G, ANABITARTE F, CONDE O M, et al. Support vector machines in hyperspectral imaging spectroscopy with application to material identification[J]. Proceedings SPIE, 2008,6966∶ 1-11. DOI∶10.1117/12.770306.

[28] XIA J, CHANUSSOT J, DU P, et al. Rotation-based support vector machine ensemble in classification of hyperspectral data with limited training samples[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(3)∶ 1519-1531. DOI∶10.1109/TGRS.2015.2481938.

[29] TARABALKA Y, FAUVEL M, CHANUSSOT J, et al. SVM- and MRF-based method for accurate classification of hyperspectral images[J]. IEEE Geoscience & Remote Sensing Letters, 2010, 7(4)∶736-740. DOI∶10.1109/LGRS.2010.2047711.

[30] GAO L, LI J, KHODADADZADEH M, et al. Subspace-based support vector machines for hyperspectral image classification[J].IEEE Geoscience & Remote Sensing Letters, 2014, 12(2)∶ 349-353.DOI:10.1109/LGRS.2014.2341044.

Hyperspectral Detection of Unsound Kernels of Wheat Based on Convolutional Neural Network

YU Chongchong, ZHOU Lan, WANG Xin, WU Jingzhu, LIU Qian
(Beijing Key Laboratory of Big Data Technology for Food Safety, School of Computer and Information Engineering,Beijing Technology and Business University, Beijing 100048, China)

A nondestructive examination was conducted to identify unsound kernels by using hyperspectral imaging technology. Based on 932 wheat samples including 486 normal samples, 170 damaged samples, 149 worm-eaten samples and 127 black germ kernel samples, a hyperspectral image acquisition system was used for collecting hyperspectral information, and then a convolutional neural network (CNN) was established based on 30 wavebands selected from 116 wavebands for each sample. The CNN model comprised two convolution layers. The first layer consisted of 32 convolution kernels (3 × 3) and the second layer consisted of 64 convolution kernels (5 × 5). The pooling layer was developed with the maximum pool. The activation function was developed with rectified linear units (ReLu). To avoid overfitting, a dropout layer was linked to the fully connected layer, and the parameter was set as 0.5. When other parameters remained default,recognition rates for the calibration and test sets were 100.00% and 99.98% respectively. Finally, a support vector machine(SVM) model was built and compared with the CNN model. The SVM model developed with 90 wavebands selected from 116 wavebands showed a recognition rate of 94.73% for the test set. The recognition rate of the CNN model was better than that of the SVM model. Thus, this research showed that the CNN model allowed for accurate, rapid and nondestructive detection of unsound wheat kernels.

wheat; unsound kernels; hyperspectral detection; CNN model

DOI∶10.7506/spkx1002-6630-201724046

TP3

A

1002-6630（2017）24-0283-05

于重重, 周蘭, 王鑫, 等. 基于CNN神經(jīng)網(wǎng)絡(luò)的小麥不完善粒高光譜檢測(cè)[J]. 食品科學(xué), 2017, 38(24): 283-287.

10.7506/spkx1002-6630-201724046. http://www.spkx.net.cn

YU Chongchong, ZHOU Lan, WANG Xin, et al. Hyperspectral detection of unsound kernels of wheat based on convolutional neural network[J]. Food Science, 2017, 38(24)∶ 283-287. (in Chinese with English abstract) DOI∶10.7506/spkx1002-6630-201724046. http∶//www.spkx.net.cn

2017-02-28

土壤植物機(jī)器系統(tǒng)技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室開放課題（2014-SKL-05）；北京工商大學(xué)兩科基金培育項(xiàng)目（LKJJ2015-22）

于重重（1971—），女，教授，博士，研究方向?yàn)槟Ｊ阶R(shí)別與機(jī)器學(xué)習(xí)，智能信息處理。E-mail：chongzhy@vip.sina.com