基于近红外光谱维度转换和卷积神经网络识别小产地烟叶

TS411; 为了提升小产地烟叶识别的准确率,解决近红外光谱分析技术在面对样本量大、相似度高、分类数多时类别预测不佳的问题.采集4 625个云南省8个小产地的烟叶样品,将一维近红外光谱数据重构为二维图像数据,采用卷积神经网络(Convolutional neural network,CNN)建立了小产地烟叶的分类识别模型,并比较了不同机器学习算法的效果.结果表明:①主成分分析(PCA)、支持向量机(SVM)等常规的机器学习算法在处理多个相邻产地烟叶分类时效果一般,SVM算法的训练集、测试集总体准确率分别为78.86%、69.08%.②采用CNN的训练集、测试集准确率分别达97.41%、92.5...

Full description

Saved in:
Bibliographic Details
Published in烟草科技 Vol. 57; no. 7; pp. 8 - 13
Main Authors 居雷, 高扬, 张鑫, 葛炯, 岳宝华, 束茹欣
Format Journal Article
LanguageChinese
Published 上海烟草集团有限责任公司技术中心,上海市浦东新区秀浦路3733号 201315%上海大学理学院化学系,上海市上大路99号 200444 01.07.2024
Subjects
Tobacco leaf
光谱维度转换
卷积神经网络
近红外光谱
Convolutional neural network
分类识别
烟叶
小产地
Small production region
Spectral dimension transformation
Classification and identification
Near-infrared spectroscopy
Online AccessGet full text
ISSN1002-0861
DOI10.16135/j.issn1002-0861.2023.0794

Cover

More Information
Summary:TS411; 为了提升小产地烟叶识别的准确率,解决近红外光谱分析技术在面对样本量大、相似度高、分类数多时类别预测不佳的问题.采集4 625个云南省8个小产地的烟叶样品,将一维近红外光谱数据重构为二维图像数据,采用卷积神经网络(Convolutional neural network,CNN)建立了小产地烟叶的分类识别模型,并比较了不同机器学习算法的效果.结果表明:①主成分分析(PCA)、支持向量机(SVM)等常规的机器学习算法在处理多个相邻产地烟叶分类时效果一般,SVM算法的训练集、测试集总体准确率分别为78.86%、69.08%.②采用CNN的训练集、测试集准确率分别达97.41%、92.54%,相较于SVM算法分别高出18.55、23.46百分点.通过近红外光谱维度转换并结合CNN算法,可以提取更多的样品特征信息,有效应用于小产地烟叶的分类识别.
ISSN:1002-0861
DOI:10.16135/j.issn1002-0861.2023.0794