典型文献
基于高光谱成像技术的发芽小麦分类研究
文献摘要：
为准确判断小麦发芽程度,更好地服务于小麦的收储及加工利用,通过高光谱的光谱信息对不同发芽程度小麦进行分类识别.采集萌动小麦(鼓泡、皮裂、露白)和发芽小麦(芽长为小麦籽粒长度的一半,芽长与小麦籽粒长度相同)的高光谱数据,提取每粒小麦的平均光谱,再由 Savitzky-Golay卷积平滑法、卷积求导法(1ST、2ND)、标准正态变量变换(SNV)对光谱预处理后建立最小二乘支持向量机(LS-SVM)分类模型,比较发现SNV的识别准确率最高达91.70％.利用粒子群算法(PSO)对LS-SVM模型中正则化参数(gam)以及核函数参数(sig2)寻优,优化后模型的准确率为 93.14％,提升了 1.57％.为进一步减少运算量、提升准确率,利用竞争性自适应重加权算法(CARS)选取了49个特征波长,最优分类模型PSO-SNV-CARS-LS-SVM的平均准确率为94.13％.最优模型体系可以快速无损检测不同发芽时期的小麦,最终达到分类结果可视化.
文献关键词：
发芽小麦;可视化;高光谱
中图分类号：
作者姓名：
张玉荣;卢冠镪;吴琼;张咚咚;潘运宇;周显青
作者机构：
河南工业大学 粮食和物资储备学院,粮食储藏与安全教育部工程研究中心,河南省粮食产后减损工程技术研究中心, 河南 郑州 450001
文献出处：
引用格式：
[1]张玉荣;卢冠镪;吴琼;张咚咚;潘运宇;周显青-.基于高光谱成像技术的发芽小麦分类研究)[J].河南工业大学学报（自然科学版）,2022(05):108-115,136
A类：
2ND,sig2
B类：
高光谱成像技术,发芽小麦,分类研究,收储,加工利用,光谱信息,分类识别,萌动,鼓泡,露白,小麦籽粒,粒长,高光谱数据,每粒,Savitzky,Golay,求导法,1ST,标准正态变量变换,SNV,光谱预处理,最小二乘支持向量机,LS,分类模型,识别准确率,粒子群算法,PSO,中正,正则化参数,gam,核函数,函数参数,减少运算量,竞争性自适应重加权算法,CARS,特征波长,平均准确率,最优模型,模型体系,快速无损检测
AB值：
0.371955
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
