量子电子学报

作者：葛宏义,王飞,蒋玉英,李丽,张元,贾柯柯,

单位：( 1 河南工业大学粮食信息处理与控制教育部重点实验室, 河南 郑州 450001; 2 河南工业大学信息科学与工程学院, 河南 郑州 450001; 3 河南工业大学人工智能与大数据学院, 河南 郑州 450001 )

关键词：光谱学,太赫兹,宽度学习,霉变小麦,图像处理,

基金：国家自然科学基金(61975053, 62271191), 河南省自然科学基金优青项目(222300420040), 河南省高校科技创新人才支持计划(22HASTIT017), 河南工业大学自科创新基金支持计划 (2021ZKCJ04)

小麦质量安全是粮食安全的重要组成部分。传统的小麦霉变籽粒识别检测方法需要复杂的处理步骤, 耗时较长且特征提取能力较差, 易造成图像有效信息的丢失, 导致小麦霉变籽粒识别检测效果不佳。为解决上述问题, 提出了一种基于去噪宽度学习 (D-BLS) 的霉变小麦太赫兹光谱图像识别方法。该方法对传统宽度学习 (BLS) 算法进行了改进, 通过引入去噪卷积神经网络 (DnCNN) 模块, 构建D-BLS霉变小麦分类识别模型, 以增强图像质量, 提高霉变小麦太赫兹光谱图像的识别精度。初步研究表明, D-BLS在识别准确率方面优于传统BLS算法, 识别准确率达到93.13%。进一步使用支持向量机 (SVM)、后向传播神经网络 (BPNN)、卷积神经网络 (CNN) 与D-BLS进行建模对比。研究结果表明, D-BLS网络的分类准确率分别比SVM、BPNN和CNN高出了13.83%、7.79%和3.96%。因此, DBLS能够为小麦发霉早期鉴别提供一种新方法。

来源：2023年第3期

《量子电子学报》期刊编辑部

查看量子电子学报杂志2023年第3期