歧视的新鲜烟叶不同成熟度级别由近红外(NIR)光谱和深入学习

文摘

成熟度影响产量、质量和经济价值的烟叶。叶片成熟度级别歧视是一种重要的一步手工收割。然而,新鲜烟叶的成熟度判断种植者视觉评价是主观的,这可能会导致质量损失和低价格。因此,客观、可靠的烟叶成熟度的判别技术基于近红外(NIR)光谱结合深度学习方法提出了卷积神经网络(cnn)在这项研究中。评估的性能提出了成熟度判别模型,四个传统的多级分类approaches-K-nearest邻居(资讯),反向传播神经网络(摘要),支持向量机(SVM)和极端学习机(ELM)则用于比较分析三类(上层、中层和较低的位置)的烟叶。实验结果表明,CNN判别模型能够精确分类的烟叶成熟度级别以上三个数据集精度为96.18%,95.2%,和97.31%,分别。此外,CNN模型具有较强的特征提取和学习能力都优于资讯,摘要,SVM和榆树模型。因此,近红外光谱结合CNN是一个有前途的替代克服的局限性感官评价烟叶成熟度级别的认可。maturity-distinguishing的开发模型可以提供一个准确、可靠,为烟叶收获和科学的辅助手段。

1。介绍

收割烟草生产中发挥着重要作用。成熟度很大程度上决定了产量、质量和经济价值的烟叶。新鲜烟叶最佳成熟度级别有和谐的内部化学成分和优质和价值影响。一般来说,收获往往烟草幼苗移植后两个月开始。作为烟叶收集间隔达到成熟的水平,烟叶的成熟度评价是手动(1,2]。准确把握烟叶的成熟度级别和及时收获可以确保生产质量以及更好的回报(3]。然而,传统的烟叶成熟度歧视和收获仅基于烟叶的外观和体验种植者都费力,效率低下,而且很容易出错。因此,迫切需要有一个可靠、快速、准确的自动分析技术帮助种植者评估烟叶的成熟度级别。

近年来,非破坏性分析技术已广泛应用于烟草行业快速、环保,它可以显著提高检测速度,减少劳动力,提高生产效率。近红外(NIR)光谱是代表的,也可以用来测量烟草和烟草制品的质量和安全属性。它被用来确定内在主要化学成分总糖、还原糖、烟碱、总氮(4)、淀粉、水分、蛋白质、K₂啊,总氯、重金属(5)、氨、总生物碱(6),多酚(7),亚硝胺,硝酸和总8)——烟叶。此外,许多研究在烟草品种的鉴定9),烟草部分(10),烟草的成绩(11- - - - - -13),香气风格(14),和种植地区(15,16)利用近红外光谱技术也进行了。更具体地说,近红外光谱法的区分能力已经评估确定鳄梨的成熟度级别(17- - - - - -20.)、西红柿(21,22,荔枝23],石榴[24)、日期(25),葡萄26,西瓜27)、棉花吐絮期(28),松露(29日),白色的茶(30.),和桃子31日]。尽管越来越多的应用近红外光谱技术在农作物和水果质量的评估,还有只有少数报告关于这种技术的使用对新鲜烟叶的成熟度级别进行分类。

机器视觉技术快速报告给评价烟叶的成熟度级别(3,32]。然而,分类精度仍然可以改善。从理论上讲,烟叶成熟包括成熟的外观特征和协调内部化学成分(33]。机器视觉技术可以用来评估外部的烟叶质量根据颜色和纹理特征提取,但它是具有挑战性的正确反映烟叶的化学物质的变化,从而导致平凡的识别精度。特别是,它是不可能确定一个不成熟的烟叶的外观非常类似于成熟的烟叶,但其内部化学成分不符合要求的成熟烟叶。近红外光谱可以提供更全面的内部和外部的烟叶的质量信息,可以利用成熟的分类。因此,它是可行的应用近红外光谱来确定烟叶的质量和成熟度。

深度学习(34)是一个革命性的发展,神经网络预测模型,可用于创建强大的基于多层抽象代表概念或特征。最近,它已经吸引了各领域越来越多的关注。作为使用最广泛的深度学习方法,卷积神经网络(cnn) [35,36]能力高的代表特征提取和模型结构已经成功地用来管理振动光谱数据(37- - - - - -39]。几次之后,近年来,证明的有效性和可行性。一维卷积神经网络(1 d-cnn)加上NIR光谱区分了马兜铃酸类似物(40],multimanufacturers药物[41],废纺织品[42],桃品种[43],软木物种[44],哈密瓜表面农药残留[45),的地理起源t . hemsleyanum(46],和烟草起源[16]。上面的应用程序实现更好的歧视的结果比浅模型。

在这项研究中,潜在的NIR光谱加上深学习方法对新鲜烟叶的成熟度级别进行分类研究。提高判别的准确性和实际应用,1 d CNN旨在提取更详细的光谱数据的特点。具体地说,CNN分类模型的性能进行评估和比较的K最近的邻居(资讯),反向传播神经网络(摘要),支持向量机(SVM)和极端学习机(ELM)方法。该方法是一种很有前途的替代传统的烟叶成熟度级别分类的方法,这可能会提供一个客观的辅助手段区分成熟度级别,提高烟叶的质量。

2。实验方法

2.1。材料

烟草“K326”是用于实验,在大理自治州开展,云南省,中国,2019年。测试开始时较低的叶子是绿色的,上面的叶子成熟后结束。自不同生长叶子的位置在同一烟草有明显不同的内部和外部的质量特点、烟叶可以分为低,中,和上部叶收获。共有3354名代表烟叶样本收集的三个位置。烟叶的成熟度是手动评估五levels-unripe,成熟,成熟,成熟,overmature-by几个专业专家根据中国烤烟养护技术规范(GB / T 23219 - 2008)。新鲜烟叶的成熟度级别的特点如表所示1。因为不同部位的烟叶成熟度不同的需求获取,应该建立相应的歧视模型不同部位的烟叶。因此,上层、中层和降低烟叶被分为训练集(70%)和测试组(30%)使用Kennard-Stone方法和独立建模。给出了详细的样品信息表2。

2.2。近红外光谱采集

收集所有光谱的烟叶OceanView光谱软件在反射模式使用便携式扩展型近红外光谱仪nirquest256 - 2.5(海洋光学公司,但尼丁,FL,美国)配备一个线性InGaAs阵列探测器和一个标准的漫反射调查。光谱仪是加热30分钟前样本扫描。对于每一个样品,6个测试点选择,避免视线叶脉,烟叶上均匀分布。频谱使用探针垂直扫描烟叶收购,和它们之间的距离保持在0.5厘米。每个光谱是通过32扫描和自动平均。积分时间小于200 ms。每个光谱组成的512个波长点得到每隔3.125 nm 900 - 2500 nm的地区。最后每个烟叶样本的光谱获得的平均收集到的六个光谱。图1(一)显示了一个示例收集光谱的五个成熟度等级的烟叶。

2.3。卷积神经网络(cnn)

CNN是一种有效的深度学习方法最小化多维数据的预处理要求通过共享重量和限制当地参数。它可以自主学习的基本连接在多维数组数据通过逐层特征提取和使用四个关键设计利用自然信号的属性:本地连接,体重共享、池、和多层网络。非线性算法,CNN和摘要有相同的训练方法。然而,主要的区别在于,美国有线电视新闻网有一种特殊的结构,如卷积和池、提取和学习的内部特征输入数据。此外,CNN有效地减少网络的训练重量和误差衰减通过本地连接共享和重量,所以多层神经网络的优点可以反映。

除了输入,前两个阶段的一个典型的CNN结构由一个卷积层和汇聚层,然后完全与传统的多层感知器(MLP),最后得到的输出。卷积中的元素层组织特征映射。每个单元连接的本地部分上层通过一组权重称为过滤器。当地的加权和由非线性激活函数。因此,k^th功能图卷积的定义 在哪里激活值映射单元的特性,本地连接的重量,偏移量的值,然后呢是非线性激活函数。所有单位在同一个特征映射共享相同的过滤器。

池层次级样本卷积的局部特性提取层,减少网络的自由参数,提高了鲁棒性特征的数据。池层定义为 在哪里代表了合并的输出 , 是子函数,然后呢和分别是乘法和加法的偏见。

最后,特征映射输出从池层是点阵中长期规划,充分连接。网络参数估计通过求解网络损失函数的最小化问题。权重的过滤器是使用反向传播算法训练。

2.4。传统分类技术进行比较

四个广泛使用分类algorithms-KNN [47),摘要(48),支持向量机(49,50),和榆树51,52)已经应用于相对CNN判别模型的性能进行评估。这些方法简要描述的一般原则。

然而,算法是一种非参数方法广泛用于模式识别的分类。资讯的主要原则是,一个数据点的类别决定根据最近的邻国的分类。该算法操作如下:(1)计算欧几里得或Mahalanobis距离目标阴谋那些采样(2)根据样品计算距离(3)选择一个启发式的优化k最近的邻居基于均方根误差经交叉验证(4)计算逆distance-weighted平均使用k最近的多元的邻居

摘要利用,应用最广泛的神经网络,是一种多层前馈神经网络根据误差反向传播训练算法。任意复杂的模式分类能力,优秀的多维函数的映射,它解决了异或(XOR)和其他一些问题无法解决一个简单的感知器。在结构方面,BP网络的输入层、隐藏层和输出层。网络的BP算法采用平方误差作为目标函数和梯度下降法来计算目标函数的最小值。摘要利用的计算过程包括(1)正向计算过程和(2)反向计算过程。

支持向量机是一种快速和可靠的线性分类器基于统计学习理论提出的Vapnik Burges,可解决高维问题,与小样本机器学习问题,非线性特性的相互作用。的基本思想是将原始特征空间的数据映射到高维特征空间(希尔伯特空间)通过核函数和线性非线性内积操作。然后建立了最优超平面来最大化分类间隔在这个空间,实现未知样本的识别基于超平面。此外,支持向量机有很强的正则化属性。

榆树是一种单隐层前馈神经网络学习算法根据函数近似在一个有限的训练集,提出了黄和清真寺。在算法的执行过程中,输入网络的权重和偏见的隐层神经元可以自动调整,从而导致较高的学习速度,良好的泛化性能,独特的最优解。

对于给定的训练集,一个激发函数,隐层节点的数量,榆树算法的步骤如下:(1)提供任意给定输入重量和隐层的偏见(2)计算隐层输出矩阵(3)计算输出的重量

2.5。模型评估和软件

实际实现中,分类模型的性能评估通过计算判别精度(尼珥)。一个更高的尼珥意味着一个更高的分类模型的能力。判别精度可以通过计算 在哪里G表示类别的数量,n表示样品的数量表明样品与真正的类预计类 。

所有数据预处理、资讯、摘要、支持向量机和榆树,计算进行了使用化学计量学软件Matlab 2018 (MathWorks, Inc .,纳蒂克,妈,美国)。LIBSVM(版本3.24)包被用来执行支持向量机计算。此外,CNN的培训和验证模型在Python中实现(v3.8.2)使用Keras库(v2.4.3)和TensorFlow (v2.4.0)的后端。所有模拟进行了笔记本电脑的英特尔酷睿1.8 GHz CPU, 8 GB的内存,和Windows操作系统。

3所示。结果与讨论

3.1。光谱预处理

传统上,由于近红外光谱可能包含大量噪声的环境和工具,预处理有利于有用信息的提取和分析。不同的预处理方法导致不同的预测结果。因此,分析不同的预处理方法对模型的影响施工,四个经典预处理方法首先推导,推导,标准正态变量变换(SNV)和多元散射校正(MSC)加上Savitzky-Golay平滑和规范化是用于比较分析。共450个样本训练集的随机选择上部烟叶样本划分2:1的比例来选择合适的预处理方法。实验随机重复五次,和平均值作为实验结果,如表所示3。检查表的显示,判别精度光谱处理推导后,SNV, MSC是改善与原始光谱的结果。相对而言,光谱数据处理首先推导可以得到更好的分类结果。因此,它被选为上层的光谱预处理方法,中间,和更低的烟叶在随后的分类实验。预处理后的光谱,如图所示1。值得注意的是,不同的预处理方法有小对CNN模型的分类结果的影响。这表明CNN方法用于开发近红外光谱模型比其他方法更少依赖预处理。

主成分分析(PCA)用于集群的光谱数据烟叶的成熟度级别。PCA得分图上的五个成熟度等级烟叶如图2。它可以发现,五个成熟度级别的预测样本明显重叠,不能分离。此外,前三个主成分只包含大约70%的样品信息。这可以解释为PCA对所有样本作为一个整体来找到最优的线性最小均方误差映射投影,而忽略了类别属性,它可能包含重要的可分性信息。因此,有必要开发一个更强大的multiclassification方法来区分不同的烟叶成熟度级别。CNN可能是一个不错的选择在考虑其特征提取和学习能力强。

3.2。CNN判别模型建设

基于近红外光谱的属性,修改LeNet-5 CNN模型设计,适用于一维数据识别场景在这个研究。CNN的基本架构主要是设计成一个输入层,卷积层、汇聚层、平层、完全连接层和输出层。这个过程的原理图如图3。可以观察到有两个卷积层。卷积的权重由Xavier正常初始化内核初始化。卷积后,一批标准化机制用于restandardize上一层的激活值在每个批处理和扩大原来的激活值减少防止梯度消失。池层是立即在每一个回旋的层,可以减少过度拟合的输出大小和风险。全球最大的角色池层是池特性映射的最后一层作为一个整体,形成一个功能点,主要是用来解决问题的限制输入的大小尺寸和太多的参数完全连接层。平层用于平1 d数据的多维输入数据总是采用卷积的过渡层的完全连接层。完全连接层然后应用扩大功能得到最后卷积层映射到一个一维向量,并提供一个输入分类器。输出层神经元的数目成熟度级别的数量。通过连接将softmax分类器,分类概率计算的近红外光谱数据。 The parameter settings of the CNN model for tobacco leaf NIR data sets are presented in Table4。

3.3。CNN的参数优化模型

获得一个判别精度高,几个关键参数应调整为CNN模型训练。卷积核的大小、批量大小和时代大小了。150随机选择样本的训练集上,中间,和较低的叶片数据集作为验证集,剩下的是用作参数调整,校准设置。这确保了所有训练样本集可用于训练模型。实验随机重复五次获得更可靠的结果。

3.3.1。卷积核大小

起初,卷积核的大小的影响在CNN判别模型。的判别精度的大小5,9日,13日,17日和21图所示4(一)可以看到,卷积核的大小对CNN一个小影响判别结果。卷积核大小设置为13时,相应的校准和验证集的分类精度达到最大值。因此,卷积核的大小被设置为13在CNN模型建设。

3.3.2。批量大小

培训以来的整个数据集的神经网络和计算梯度为一个巨大的数据集是困难和耗时的,一批进步是用来划分数据集快速更新参数。一个适当的批量大小有助于平稳模型的学习过程。因此,几批尺寸16,32岁,64年,128年和256年的实验比较。判别结果呈现在图4 (b)。可以看出当批大小是64,最高的判别精度验证设置可以实现。因此,批量大小设置为64。

3.3.3。时代的大小

时代的大小是一个重要的参数在CNN模型建设。如果时代规模太小,模型的泛化能力不高。如果时代大小太大,模型可以很容易地overfit,需要大量训练时间。评估时代的影响大小的性能模型,CNN模型的判别结果与时代大小50,100,150,200,300,500,750,1000在图所示4 (c)。当时代的尺寸很小,模型是不够训练分类精度较低。分类精度随时代的大小。时代大小大于300时,判别结果不显著改变和趋向稳定。因此,时代的大小设置为300 CNN建模。

的准确性和损失函数的值显示的训练集和测试集数据5和6。可以观察到,CNN模型运行稳定,精度高。实验重复了十倍,平均值作为最终评价结果。所有实验结果如表所示5和6。训练集的精度的三个类别的烟叶模型是大约100%。三个测试集的预测精度高于95%。因此,CNN的使用方法进行分类和分析近红外光谱数据集可以达到令人满意的结果。预测结果的标准差通过运行10次相当小,这表明CNN模型非常健壮。此外,CNN模型可以解决上的判别问题,中间,和更低的烟叶数据集没有调整参数。这表明设计卷积网络具有良好的鲁棒性和泛化能力高的近红外光谱数据的帮助下烟叶深度网络和多个迭代。

3.4。比较模型分析

为了演示CNN模型的性能,然而,摘要,建立了支持向量机和榆树模型比较分析研究。应调整关键参数建立资讯分类模型。用10倍交叉验证选择适当数量的邻居。摘要利用模型建设、乙状结肠激活函数采用学习速率是设置为0.0001。隐层节点的数量选择摘要运行8 10倍,29日,12日,24日,26日,26日,25日,21日,6日和19上部叶的数据集;8 28日,23日,28日,23日,23日,29日,28日,24日和19个中产叶的数据集;22日25日和23日,3日,20岁,1,1,21日,26日和21日低叶数据集。建立支持向量机模型,采用径向基函数(RBF)作为核函数,而s形的函数被选为激发函数。此外,网格搜索算法被用来优化惩罚参数和核函数参数。此外,隐层节点的数量被榆树运行10倍是196,179,194,131,193,166,129,124,151,和148年上部叶的数据集;92,153,124,162,181,124,148,195,126,和154年中产叶的数据集; and 121, 73, 171, 117, 93, 98, 194, 185, 186, and 142 for the lower leaf data set. All optimal parameters of these four models are listed in Table7。

三个烟叶数据集的分类精度预测的资讯,摘要,SVM和榆树方法列在表中6。CNN模型优于其他方法的烟叶的成熟度级别的判断。CNN模型的预测精度上,中间,和降低烟叶的数据集是增长了14.47%,12.11%,和8.4%相比与资讯模型,分别。与摘要模型相比,CNN模型的分类精度跃升了44.87%,18.73%,和12.1%,分别。预测精度在很大程度上改善,体现了强大的特征提取和CNN模型的学习能力。与支持向量机模型相比,CNN模型的分类精度上,中间,和更低的烟叶数据集是增长了4.86%,6.69%,和4%,分别。此外,支持向量机模型实现更好的预测精度比其他三种方法,可能作为SVM的输入向量映射到特征空间,构建一个使用核函数完成分类超平面。更重要的是,CNN模型的预测结果优于榆树模型的分类精度上,中间,和较低的叶片数据集提高了9.83%,9.79%,和5.19%,分别。总的来说,分析和比较确认的CNN模型的分类能力歧视烟叶的成熟度级别。这表明,深度学习模型的优势能力高的特征提取和学习在浅层学习模型。

4所示。结论

在这项研究中,潜在的NIR光谱加上深学习方法对新鲜烟叶的成熟度级别进行分类研究。近红外光谱是一个有用的工具来确定内部和外部的烟叶质量精确、无损。一个简单的1 d CNN-based分类方法与两个卷积层结构设计建立的判别模型的光谱数据新鲜烟叶。实验分析结果表明,CNN模型取得了较高的判别精度为96.18%,95.2%,97.31%,上面,中间,和更低的叶的数据集,分别高于资讯,摘要,SVM和榆树模型。CNN的方法,特征提取和学习能力强,有有益的对分类精度的影响。因此,CNN是一个有前途的替代传统的烟叶成熟度级别分类方法基于近红外光谱。发达技术可以提供判别结果没有样品制备过程,这可以极大地帮助种植者而言,决定适当的收获季节。进一步的研究应该在应用程序进行烟叶收获从复杂的农业环境。

数据可用性

光谱数据用于支持本研究的发现正在禁运,而研究成果商业化。对数据的访问是受限制的,因为商业机密。请求数据,本文的发表之后的12个月内,将被相应的作者。

的利益冲突

作者声明没有利益冲突。

确认

这项工作是财务支持的云南烟草公司科技项目(批准号2019530000241019)和贵州省科学技术基金(批准号[2019]1070)。

引用

1. r . Cebi和c . Ulviye灌溉调度的影响和水压力对弗吉尼亚烟叶的成熟度和化学成分,”作物研究领域,卷119,不。2 - 3、269 - 276年,2010页。视图:出版商的网站|谷歌学术搜索
2. 江z, x,陈,“钓鱼灯为首的研究”研究工程应用科学与技术杂志》上5卷,第2513 - 2509页,2013年。视图:出版商的网站|谷歌学术搜索
3. d . s .大师,p . b . Mallikarjuna s .希和m . m . Shenoi“基于机器视觉的烟叶自动收集,分类”智能自动化&软计算,18卷,不。5,581 - 590年,2012页。视图:出版商的网站|谷歌学术搜索
4. 谢y, y,问:从j . JingxiuYang和b .赵”的常规化学成分定量分析烟草近红外光谱法和支持向量机”Spectrochimica学报:分子和生物分子光谱学,卷71,不。4、1408 - 1413年,2008页。视图:出版商的网站|谷歌学术搜索
5. 李j .段黄y, z . et al .,”27日在中国西南地区烟草化学成分测定FT-NIR光谱学,”工业作物和产品卷,40,第21到26 2012页。视图:出版商的网站|谷歌学术搜索
6. y, r .呗,g . Du et al .,“快速测定四白肋烟烟草特有亚硝胺的近红外光谱,”分析方法,4卷,不。5,1371 - 1376年,2012页。视图:出版商的网站|谷歌学术搜索
7. 马y黄g . Du y, j .周“近红外测定多酚使用线性和非线性回归算法,”Optik-International光和电子光学》杂志上,卷126,不。19日,2030 - 2034年,2015页。视图:出版商的网站|谷歌学术搜索
8. b . l . Wu Wang l . Zhang et al .,“常规化学成分测定、物理指标和大分子物质在重组烟草使用近红外光谱结合样本集划分,“近红外光谱学杂志》上,28卷,不。3、153 - 162年,2020页。视图:出版商的网站|谷歌学术搜索
9. y邵,y, y,“一个新的方法来区分品种的烟草使用vi /近红外光谱,”欧洲食品研究和技术,卷224,不。5,591 - 596年,2007页。视图:出版商的网站|谷歌学术搜索
10. y, x, y, j . Liu w . Cai和x邵”歧视的植物样本使用近红外光谱的主成分积累方法,”分析方法,4卷,不。9日,第2899 - 2893页,2012年。视图:出版商的网站|谷歌学术搜索
11. j .本之。Ai, w .风扇,黄永发。周,中州。Yun, Y.-Z。梁”,改进的随机森林方法提高烟叶的多层次分类性能的成绩加上NIR光谱,”RSC的进步》第六卷,没有。36岁,30353 - 30361年,2016页。视图:出版商的网站|谷歌学术搜索
12. h . j ., w . Liu Zhang et al .,“烟叶自动分级基于近红外光谱和非负最小二乘,”近红外光谱学杂志》上26卷,第105 - 101页,2018年。视图:谷歌学术搜索
13. 刘p . j . Zhang, w . et al .,“基于N-nitrosorhodamine photocalibrated没有捐助6克经紫外线照射,”巴西化学学会杂志》上,30卷,第1932 - 1927页,2019年。视图:出版商的网站|谷歌学术搜索
14. 廖,y, w . et al .,“评价烤烟的香气风格近红外光谱结合最优化算法,”近红外光谱学杂志》上,28卷,不。2、93 - 102年,2020页。视图:出版商的网站|谷歌学术搜索
15. L.-J。倪,L.-G。张,j·谢,J.-Q。罗,”中国烤烟的模式识别的改进和简化再邻居分类算法在近红外光谱,”分析Chimica学报,卷633,不。1,43-50,2009页。视图:出版商的网站|谷歌学术搜索
16. l .张x叮,r·侯”分类建模方法为基于多通道近红外光谱的烟草卷积神经网络,”分析方法在化学杂志》上ID 9652470条,卷。2020年,13页,2020。视图:出版商的网站|谷歌学术搜索
17. 比比婚礼,c·赖特,s . Grauf r·d·白和p . a . Gadek“近红外光谱作为一种快速非侵入性工具,农业和工业流程管理与鳄梨和檀香产业,“海水淡化和水处理,32卷,不。1 - 3、365 - 372年,2011页。视图:出版商的网站|谷歌学术搜索
18. l . s . Magwaza和z s Tesfay回顾破坏性和非破坏性方法确定鳄梨果实成熟,”食品和生物处理技术,8卷,不。10日,1995 - 2011年,2015页。视图:出版商的网站|谷歌学术搜索
19. r·j·布莱奇”,鳄梨果实成熟度评估便携式近红外光谱仪,”采后生物学和技术卷,121年,第105 - 101页,2016年。视图:出版商的网站|谷歌学术搜索
20. o . o . Olarewaju、i Bertling和l . s . Magwaza“无损评价鳄梨果实成熟使用近红外光谱和PLS回归模型,”Scientia Horticulturae卷,199年,第236 - 229页,2016年。视图:出版商的网站|谷歌学术搜索
21. p . Sirisomboon m .田中、t .小岛和p·威廉姆斯,“无损评估成熟度和结构属性番茄近红外光谱的“我和你们一块儿去","《食品工程,卷112,不。3、218 - 226年,2012页。视图:出版商的网站|谷歌学术搜索
22. g .女子特区屠杀,m·坎特维尔“无损成熟度测定绿色西红柿使用手持可见光和近红外仪器,“采后生物学和技术卷,86年,第229 - 221页,2013年。视图:出版商的网站|谷歌学术搜索
23. h . Pu、刘、l . Wang和D.-W。太阳”,含糖量和pH值预测和成熟度歧视荔枝水果使用可见光和近红外光谱成像,”食品分析方法,9卷,不。1,第244 - 235页,2016。视图:出版商的网站|谷歌学术搜索
24. r . Khodabakhshian b . Emadi m . Khojastehpour m . r . Golzarian和a . Sazgarnia“无损评价石榴果实的成熟度和质量参数通过可见/近红外光谱,”国际期刊的食物属性,20卷,不。1,41-52,2017页。视图:出版商的网站|谷歌学术搜索
25. a . m . Alhamdan和a . Atia“非破坏性方法预测Barhi日期质量在成熟的不同阶段,利用近红外(NIR)光谱,”国际期刊的食物属性,20卷,第2959 - 2950页,2017年。视图:出版商的网站|谷歌学术搜索
26. a·j·丹尼尔斯,c . Poblete-Echeverria l . Opara和h . h . Nieuwoudt”测量内部成熟度参数非接触无损葡萄串表使用近红外光谱,”植物科学前沿,10卷,页1 - 14,2019。视图:出版商的网站|谷歌学术搜索
27. d·杰·w·周,x,“西瓜的成熟度无损检测光谱特性利用近红外漫射透光率技术,”Scientia Horticulturae卷,257年,页1 - 7,2019。视图:出版商的网站|谷歌学术搜索
28. r·l·m·p·邦格,“测量未开封的成熟棉花吐絮期与近红外光谱,”近红外光谱学杂志》上,28卷,不。4、204 - 213年,2020页。视图:出版商的网站|谷歌学术搜索
29. l . Mandrile梅洛,a . Vizzini r . Balestrini和a . m .罗西,“近红外光谱作为白松露的收获后监测的新方法,”真菌学的进展,19卷,不。4、329 - 337年,2020页。视图:出版商的网站|谷歌学术搜索
30. b . c . Li宗庆后,郭h . et al .,”歧视的白人茶产自新鲜的叶子与不同成熟度的近红外光谱,”Spectrochimica学报。的一部分,分子和生物分子光谱学卷,227年,页1 - 8,2020。视图:出版商的网站|谷歌学术搜索
31. i s锭、f . Blanco-Cipollone和d . Sterle”准确的非破坏性的桃子水果内部品质和生理成熟的预测使用近红外光谱扫描一次,”食品化学卷。335年,1-13,2021页。视图:出版商的网站|谷歌学术搜索
32. p . b . Mallikarjuna和d s大师”,融合纹理特性和SBS收获的烟叶进行自动分类的方法,”多媒体处理、通信和计算应用程序卷,213年,第126 - 115页,2013年。视图:出版商的网站|谷歌学术搜索
33. 张,x, y, l . i Rongchun和m . a .延庆“比较组织与不同成熟度烤烟鲜叶,”烟草科学与技术48卷,1 - 6,2005页。视图:谷歌学术搜索
34. y Lecun (y Bengio g·辛顿,“深度学习”,自然卷,521年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
35. y Lecun (b .波沙,j . denk et al .,“反向传播应用于手写邮政编码识别,”神经计算1卷,第551 - 541页,1989年。视图:出版商的网站|谷歌学术搜索
36. a . Krizhevsky i Sutskever, g .辛顿提出了部分的神经信息处理系统的进步,2012年。
37. j . Acquarelli t . Van Laarhoven j . Gerretzen t . n . Tran l . m . c . Buydens和e . Marchiori“卷积神经网络振动光谱数据分析。”分析Chimica学报卷。954年,22-31,2016页。视图:出版商的网站|谷歌学术搜索
38. w·Ng, b . Minasny m . Montazerolghaem et al .,“卷积神经网络同步预测几种土壤属性使用可见/近红外、中红外,及其光谱相结合,“Geoderma卷,352年,第267 - 251页,2019年。视图:出版商的网站|谷歌学术搜索
39. j .董m .香港、y徐和x郑,”一个实际的卷积神经网络模型识别拉曼光谱的人类和动物血,”化学计量学杂志》33卷,1 - 12,2019页。视图:出版商的网站|谷歌学术搜索
40. x,问:茶:林,x,和w·王,“一维卷积神经网络歧视的马兜铃酸及其类似物基于近红外光谱,”分析方法11卷,第5125 - 5118页,2019年。视图:出版商的网站|谷歌学术搜索
41. x l . Li, w . Chen等人“多个药物识别基于近红外光谱和深转移学习,”创新的光学健康科学杂志》上13卷,1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
42. z . Liu w·李,z,“定性分类垃圾纺织品基于近红外光谱和卷积网络”纺织研究杂志卷,90年,第1066 - 1057页,2019年。视图:出版商的网站|谷歌学术搜索
43. d .荣h . Wang y, z,和y,“桃品种检测使用可见光光谱可见光和深度学习,”计算机和电子产品在农业卷,175 - 2020页。视图:出版商的网站|谷歌学术搜索
44. S.-Y。杨,o . Kwon y公园et al .,“应用神经网络分类软木物种使用近红外光谱,”近红外光谱学杂志》上28卷,第307 - 298页,2020年。视图:出版商的网站|谷歌学术搜索
45. b . g . Yu, j·陈,x, y,和c·李,“无损识别农药残留theHami甜瓜表面使用深功能融合力/ NIRspectroscopy和1 d-cnnguowei,”食物的过程工程》杂志上,44卷,1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
46. r·d·周y Yu,和李z”的歧视Tetrastigma hemsleyanum根据近红外光谱结合地理起源深度学习的方法,”Spectrochimica学报:分子和生物分子光谱学卷,238年,页1 - 6,2020。视图:出版商的网站|谷歌学术搜索
47. g .郭w .回族,d . a Bell y Bi,和k·格里尔,”然而,在分类、基于模型的方法”在计算机科学的课堂讲稿卷,2888年,第996 - 986页,2003年。视图:出版商的网站|谷歌学术搜索
48. h·朱h·凯,k .江z郭,j·王,“摘要在分类中的应用智能入侵检测的时间间隔决定反应系统,”国际创新计算信息与控制杂志》上4卷,第2491 - 2483页,2008年。视图:谷歌学术搜索
49. c . j . c . Burges”教程对支持向量机模式识别,”数据挖掘和知识发现,2卷,第167 - 121页,1998年。视图:出版商的网站|谷歌学术搜索
50. j·s·Raikwal和k . Saxena SVM的性能评估和再算法在医学数据集”国际期刊的计算机应用程序卷,50 35-39,2012页。视图:出版商的网站|谷歌学术搜索
51. g . b .黄、朱问:y和c·k·萧,“极端的学习机器:理论和应用程序”,Neurocomputing卷,70年,第501 - 489页,2006年。视图:出版商的网站|谷歌学术搜索
52. 黄g . b . h .周x叮,z .瑞,“回归和多级分类,极端的学习机器”IEEE系统&控制论B部分人,42卷,第529 - 513页,2012年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021易陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。