In dieser Studie kann eine hyperspektrale Kamera 400-1000nm benutzt werden, und FS13, ein Produkt von Hangzhou CHNSpec Technology Co., Ltd, kann für in Verbindung stehende Forschung verwendet werden. Der Spektralbereich ist 400-1000nm und die Wellenlängenentschließung ist besser als 2.5nm, bis 1200
Zwei Spektralkanäle. Die Erwerbsgeschwindigkeit kann 128FPS im vollen Spektrum und das Maximum erreichen, nachdem Bandauswahl 3300Hz ist (Stützmultiregionsbandauswahl).
Sorghum ist eine der wichtigen Nahrungsmittelernten in China, wegen seiner reichen Nährstoffe im Korn in der Weinindustrie hat ein „guter Wein kann nicht vom roten Korn zur Zeit getrennt werden“ beißendes Urteil, die jährliche Nachfrage von bis 20 Million T., die Hauptweinsorten, die Sorghum roter Luzhou sind, Qinghuyang, Runuo-Nr. 7 und anderes klebriges Sorghum mit hohem Stärkegehalt. Weil es viele Arten Sorghum und verschiedene Anbaugebiete gibt, ist der Inhalt der Stärke, des Proteins, des Fettes und der Gerbsäure im Korn sehr unterschiedlich, das zu große Unterschiede bezüglich des Aromas, der Art, der Qualität und des Ertrags Alkohols führt. Es kann gesehen werden, dass die genaue und leistungsfähige Identifizierung von Sorghumvielzahl vor dem Reihenspeicher von Rohstoffen des Sorghums eine sehr wichtige leitende Bedeutung für die Produktion des hochwertigen Alkohols hat, die das Produktionsverfahren wie die Zeit des sprudelnden Kornes, Wasserverbrauch steuern kann und Dämpfenkorn während des Brauenprozesses. Die traditionellen Identifizierungsmethoden umfassen hauptsächlich manuelle empirische Identifizierung und biologische Repräsentativentdeckung. Das ehemalige ist abhängig von subjektivem Einfluss, niedriger Leistungsfähigkeit, und schwierig, einen vereinheitlichten Standard zu bilden, während das letztere lästig mühsam ist, zeitraubend und. Alle beide können den Bedarf von modernen Alkoholunternehmen an der Bestimmung des Sorghums nicht erfüllen, also ist es dringend, eine schnelle, genaue und einfache Sorghumvielzahlklassifikation und -Nachweismethode zu finden. Das Ziel dieser Studie ist, 11 Sorghumvielzahl, indem es Spektralinformationen und Bildinformationen zu klassifizieren kombiniert, und identifiziert unterschiedliche Sorghumvielzahl, indem es hyperspektrale Technologie und Lernfähigkeit- einer Maschinemethoden durch Vergleich und externe Überprüfung optimiert, um ihre Genauigkeit und Leistungsfähigkeit in der Anwendung zu verbessern.
Die ursprünglichen Spektralkurven von 550 Proben von 11 Kategorien Sorghum und die Spektralkurven, nachdem MSC-Vorbehandlung im Abbildung 1. gezeigt sind Jede Farbe stellt eine andere Kategorie dar.
In diesem Papier wurde der Identifizierung von 11 Vielzahl des Sorghums basiert auf der Kombination von hyperspektralen Spektrum- und Bildinformationen studiert. Die hyperspektralen Bilder des Sorghums wurden gesammelt, wurden 48 Eigenschaftswellenlängen von den Spektren nach MSC vorgewählt, die durch BADEKURORT-Algorithmus aufbereitet, und dann wurden die Beschaffenheitseigenschaften der Bilder extrahiert. SVM-, PLEASE-DA und ULMEN-Klassifikationsmodellen wurden basiert auf den Beschaffenheitseigenschaften, volles Spektrum, Eigenschaftsspektrum und ihre kombinierten Bildinformationen, beziehungsweise hergestellt. Schließlich wurden die Daten, die nicht mit einbezogen wurden, beim Modellieren für externe Überprüfung verwendet. Die Ergebnisse zeigen, dass das SVM-Klassifikationsmodell, das auf der Kombination von Eigenschaftsspektrum- und -beschaffenheitseigenschaften basiert, den besten Effekt hat. Die korrekte Anerkennungsrate des Testsatzes ist 95,3%, und die Genauigkeit des Überprüfungssatzes ist 91,8%. Die Kombination des sichtbaren Spektrums und des Bildes kann die schnelle Anerkennung des Weinsorghums effektiv verwirklichen und die Anerkennungsgenauigkeit des Modells verbessern. Dieses bietet eine theoretische Basis für die Entdeckung von Rohstoffen unterschiedlichen Brauens und die Realisierung der Brauenautomatisierung.