基于高光谱成像技术和自适应增强网络的水蜜桃产地溯源

Origin tracing of Prunus persica based on hyperspectral imaging technology and adaptive boosting

二维码有效期 120s

摘要目的基于高光谱成像技术和自适应增强网络(adaptive boosting,AdaBoost)算法建立最佳的不同产地的水蜜桃分类模型.方法本研究采集了来自无锡、徐州和宁波3个不同产地的'白凤'水蜜桃高光谱图像,通过提取感兴趣区域获得各产地的光谱信息,并利用提取的光谱信息进行建模.分别比较在3种预处理方法下的AdaBoost、随机森林、长短期记忆网络、径向基函数神经网络产地分类模型,并选出最优模型.随后,利用连续投影算法(successive projections algorithm,SPA)和无信息变量剔除进行特征波长的提取,以进一步优化模型.结果实验结果表明,全光谱下基于标准正态变量(standard normal variate,SNV)预处理的AdaBoost模型分类效果最好,训练集和测试集的准确率分别达到100.0％和98.7％,召回率和F1值分别为95.8％和97.9％.在对AdaBoost模型采用SPA提取9个特征波长后,SPA-SNV-AdaBoost模型训练集和测试集准确率都达到了100.0％,召回率和F1值也达到100.0％.结论本研究基于高光谱成像技术和AdaBoost算法,构建了一种全新的水蜜桃不同产地分类模型,经过预处理和特征提取,该模型获得了较高的精度,能够有效地进行水蜜桃产地溯源,为水蜜桃品牌鉴别真伪打下了坚实的基础.