通過可見/近紅外光譜技術結(jié)合K最近鄰法回歸、隨機森林回歸、深度卷積神經(jīng)網(wǎng)絡及帶有殘差塊的深度卷積神經(jīng)網(wǎng)絡4種化學計量學方法對不同糖度的西瓜進行定量判別,并借鑒適用于圖像處理的深度網(wǎng)絡模塊對可見/近紅外光譜進行建模。結(jié)果表明,深度學習網(wǎng)絡模塊一維化在可見/近紅外光譜數(shù)據(jù)處理中體現(xiàn)了巨大潛力,卷積神經(jīng)網(wǎng)絡CNN模型在預測集中Rp為0.855 9,RMSEP為0.778 1°Brix,加入Res-block后的改進卷積神經(jīng)網(wǎng)絡Res-CNN在預測集中Rp為0.893 2,RMSEP為0.710 4°Brix。 

【文章來源】：食品與機械. 2020,36(12)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

光譜采集系統(tǒng)原理圖[16]

Res-CNN模型結(jié)構(gòu)示意圖如圖3所示，該模型由4個卷積核、5個批歸一化層、2個全連接層及1個池化層組成。Resnet等[17-18]提出bottleneck會導致經(jīng)Res-block的特征數(shù)急劇上升，因此試驗使用的Res-block為輕量級開發(fā)網(wǎng)絡的Inverted Residual[19]，其結(jié)構(gòu)包含1×1卷積、1×3卷積以及shortcut連接。殘差結(jié)構(gòu)在神經(jīng)網(wǎng)絡中的使用可以提高模型的學習效率，減緩模型因深度或迭代輪次造成的網(wǎng)絡退化，1×1卷積核則可以改變通道數(shù)量并加強通道間信息的交互，該模型共含有545 505個訓練參數(shù)。圖3 含有殘差塊的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

含有殘差塊的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

【參考文獻】：
期刊論文
[1]基于網(wǎng)中網(wǎng)卷積神經(jīng)網(wǎng)絡的紅棗缺陷檢測[J]. 楊志銳,鄭宏,郭中原,許曉航.  食品與機械. 2020(02)
[2]基于隨機森林回歸的玉米單產(chǎn)估測[J]. 王鵬新,齊璇,李俐,王蕾,許連香.  農(nóng)業(yè)機械學報. 2019(07)
[3]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[4]基于可見/近紅外高光譜成像技術的西甜瓜糖度檢測[J]. 何洪巨,胡麗萍,李武,陳興海,黃宇,劉業(yè)林.  中國食物與營養(yǎng). 2016(10)
[5]西瓜檢測部位差異對近紅外光譜可溶性固形物預測模型的影響[J]. 錢曼,黃文倩,王慶艷,樊書祥,張保華,陳立平.  光譜學與光譜分析. 2016(06)
[6]世界西瓜產(chǎn)業(yè)發(fā)展現(xiàn)狀與展望[J]. 楊念,文長存,吳敬學.  農(nóng)業(yè)展望. 2016(01)
[7]紅提葡萄VC含量的可見/近紅外檢測模型[J]. 陳辰,魯曉翔,張鵬,陳紹慧,李江闊.  食品與機械. 2015(05)
[8]適宜西瓜檢測部位提高近紅外光譜糖度預測模型精度[J]. 介鄧飛,陳猛,謝麗娟,饒秀勤,應義斌.  農(nóng)業(yè)工程學報. 2014(09)
[9]小型西瓜品質(zhì)近紅外無損檢測的光譜信息采集[J]. 韓東海,常冬,宋曙輝,蔣圣楠,趙洪衛(wèi).  農(nóng)業(yè)機械學報. 2013(07)
[10]小西瓜糖度表征與漫反射近紅外檢測方法的研究[J]. 王碩,袁洪福,宋春風,謝錦春,李效玉,馮樂平.  光譜學與光譜分析. 2012(08)



本文編號：3600542