我国国家标准“小麦”(GB 1351-2008)按容重、不完善粒、水分、杂质、气味、色泽将小麦分为5个等级。在国家标准中采用容重作为小麦定等指标。不完善粒等指标作为小麦质量限制指标，该标准是小麦收购过程中判断质量等级的重要依据。

由此可见，不完善粒对小麦的质量评价等级具有很大的影啊不完善粒小麦主要是指那些受到损伤，但是依旧具有一定使用价值的小麦，这些小麦包含有生芽粒、虫蚀粒、病斑粒(黑胚粒和赤霉病粒)、霉变粒和破损粒。不完善粒小麦会降低小麦的商品价值和使用价值，比如霉变小麦可能引起人们中毒，虫蚀小麦会影响口感、气味等食用品质，黑胚小麦可能诱发食道癌，而且使小麦品质和商品性质下降等。因此，对小麦不完善粒的检测，对小麦的收购、食品加工等具有重要的价值和意义。

传统不完善粒的检测方法主要是人工检测，具有工作强度大、检测速度慢、主观因素强以及准确率低等缺点。近年来国内外专家也提出了一些新的检测方法，如基于声学原理的检测方法、基于近红外光谱的检测方法，这些方法虽然解决了人工检测的主观性等一些问题，但是这些方法也各自都存在一定的弊端，例如声学原理检测方法在采集超声信号时利用传声器将接收到的信号经信号调制放大后上传至主机，声信号的采集过程中具有噪声，而且经过放大器时噪声又会传播，并且是无法消除的弊端；近红外光谱法对样本的湿度以及温度相对敏感。

近几年来，高光谱成像技术依其快速无损检测的独特优势得到快速发展。高光谱成像技术是集探测器技术、精密光学机械、微弱信号检测、es计算机技术、信息处理技术于一体的综合性技术。高光谱图像样本将光谱信息和图像信息集为一体，其最大的特点就是将成像技术和光谱技术结合在一起，可以实现在对目标的空间特征成像的同时，对每个空间像元经过色散形成成百个窄波段以进行连续的光谱覆盖。图像信息用来反映样本的大小、形状、缺陷等外部品质特征，但是由于不同成分对光谱的吸收也不相同，在某个特定波长下，图像会对某个缺陷有着较显著的反映；而光谱信息则能充分反映样本内部的物理结构、化学成分的差异。

因此在对高光谱数据分类时，利用高维谱数据的固有特点，在深度学习理论知识的指引下，针对CNN特点，将数据分类与图像分类相结合，将CNN高光谱数据分类原理应用于我国小麦不完善粒的检测试验中。

13.4.1材料与方法

13.4.1.1材料

本实验所采用的样本材料由中国农业科学院作物科学研究所提供二正常样本与不完善粒的挑选均由实验人员凭借视觉经验进行区分筛选，分别选出正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个进行实验。

13.4.1.2高光谱图像采集与处理

1．高光谱图像采集

实验设备采用北京安洲科技有限公司SOC710VP便携式高光谱成像光谱仪作为高光谱图像采集系统，如图13-24所示，光谱采集过程如图13-25所示。采集过程及仪器参数设定如下：每类小麦样本以10×10网格状放置于样本台采集其高光谱图像，图像分辨率为696×520像素，光谱扫描范围为493～1106nm，扫描速度为30线/s，波段间隔为5.1nm，波段数为116。

2．高光谱图像黑白校正

在高光谱采集过程中，由于每个波段的光照强度分布不均匀，摄像头中有暗电流以及样本的形状不规则，导致光源强度分布比较弱的波段得到的图像会含有较大的噪声。因此为了减少噪声和误差，需要对采集到的高光谱图像进行黑白标定：

图13-24 SOC710VP便携式高光谱成像光谱仪

图13-25 SOC710VP高光谱图像采集过程原理

式中，I_correcdun为校正后的光谱图像；I_raw为原始光谱图像；I_white 为扫描反射率为99％的标准白板得到的白板标定图像；I_dark 为关上光源，拧上镜头盖后采集的黑板标定图像。

13.4.1.3建模算法

CNN模型是一种特殊的深层神经网络模型，凭借其权值共享、卷积运算直接处理二维图像，避免前期对图像复杂的预处理，这对于深层结构来说尤为重要，因此得到了广泛的应用。

利用CNN进行图像识别的方法流程如图13-26所示。

图13-26 CNN的处理过程

首先选定训练集和测试集的数目，其次对训练样本进行规则化，将其调整为同样的尺寸m×n，然后采用随机梯度下降(Stochastic Gradient Descent, SGD)进行权值更新，当误差或迭代次数达到阈值时训练停止。最后将测试集输人已经训练好的CNN中，通过前向传播得到最终的分类结果。

13.4.2结果分析

13.4.2.1感兴趣区域的提取

高光谱图像感兴趣区域(Region Of linterest, ROI)选取的好坏将直接影响到后续建立模型的预测精度。因此为使提取的ROI作为的光谱具有较强的代表性，选取籽粒样本全区域作为感兴趣区。

13.4.2.2数据预处理

在对每类小麦样本以10×10网格进行光谱采集时，有的样本的数据不完整，直接剔除。由于高光谱在测量临界区具有较大的机器噪声，因此需要去除两端噪声严重的波段，如图13-27,图13-28所示。而且原始高光谱的数据也存在波段多、冗余性强、数据量大等特点，如果直接采用全波段数据进行建模，则会导致建模效率降低、模型性能变差。因此选取722.5～880.6nm的30个高光谱波段作为特征波进行分析，如图13-29、图13-30所示。

图13-27 正常样本第15个波段的光谱图

图13-28 正常样本第100个波段的光谱图

图13-29 正常样本第46个波段的光谱图

图13-30 正常样本第76个波段的光谱图

13.4.2.3预测模型与结果分析

1．预测模型

正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个，一共932个样本，采用10×10的网格切割出每个小麦样本，每个小麦样本的像素为40×57，每个样本选择第46～76的30个波段，则每个样本具有30个样本光谱图，作为CNN的输入图像数据。同时标签数据采用one-hot编码方式，4类小麦类别的标签分别为0001、0010、 0100和1000。CNN模型构建两层卷积：第一层的卷积核大小为3×3，一共32个卷积核；第二层卷积核大小为5×5，共64个卷积核。采样层大小为2×2，选用最大池；激活函数采用ReLu(Rectifield Linear U-nits，整流线性单元激活函数)。为防止过拟合，在全连接层后接入Dropout层，参数设置为0.5。

932个样本，每个样本30个光谱图，则总共有27960个样本图，随机打乱数据，50％作为训练集，50％作为测试集。

2．结果分析

迭代2500次后，模型收敛。最终得到分类准确率为99.98%。损失函数曲线如图13-31所示。

通过损失函数loss的曲线走势可以看出，模型训练过程非常好，在迭代90次之后曲线开始陡降，在迭代2000次时，损失函数曲线已几乎趋近于0，识别准确率为99.98%，几乎完全准确地识别出不完善粒，由此可以说明此模型是非常可靠的。

通过近年来各种发表文献模型对比可以看出，CNN模型时效高，处理过程简单，直接用原始光谱图像，而且识别准确率又极高。

图13-31 CNN模型的损失函数曲线图

相关链接：CNN在高光谱数据分类中的实验

文章来源：《多光谱食品品质检测技术与信息处理研究》

版权与免责声明：转载目的在于传递更多信息。

如其他媒体、网站或个人从本网下载使用，必须保留本网注明的"稿件来源"，并自负版权等法律责任。

如涉及作品内容、版权等问题，请在作品发表之日起两周内与本网联系，否则视为放弃相关权利。