每类样本按照约2:1比例随机划分,最终获得647个训练集样本,285个测试集样本。采用1-V-r (One-versus-rest)SVM建立不完善粒多分类识别模型。采用RBF作为核函数,采用网格法对惩罚变量c、核参数g进行参数寻优。
将经SNV预处理后的光谱特征和图像特征归一化后进行组合,并利用SVM建立模型,分类结果如表7-3所示。光谱、纹理特征组合后,虫蚀粒的识别率从89.79%提高到95.91%,破损粒的识别率从84%提高到90%;而光谱、纹理、形态特征组合后,破损粒的识别率从84%提升到94%。综上,光谱、纹理、形态三种特征组合后,建立的SVM模型对黑胚粒、虫蚀粒、破损粒、正常粒的识别率均在94%以上,分类效果最好。
表7-3 基于光谱、纹理与形态特征组合的四分类SVM模型识别结果
特征 | c 参数 | g 参数 | 支持 向量数 | 建模集 识别率 | 测试集 总识别率 | 黑胚粒 识别率 | 虫蚀粒 识别率 | 破损粒 识别率 | 正常粒 识别率 |
光谱 | 64 | 0.5 | 182 | 95.83% | 94.73% | 100% | 89.79% | 84% | 98.63% |
光谱+纹理 | 256 | 0.18 | 143 | 97.68% | 97.54% | 100% | 95.91% | 90% | 100% |
光谱+纹理+形态 | 256 | 0.13 | 149 | 97.53% | 97.89% | 100% | 95.92% | 94% | 99.32% |
考虑到在实际生产与流通中,通常只需要将异常籽粒识别出来即可,因此研究尝试对正常籽粒与异常籽粒进行二分类识别。识别结果如下:建模集识别率为96.74%,对异常粒、正常粒的识别率分别为98.56%、100%,预测集总识别率为99.30%。图7-6直观展示了光谱、纹理、形态特征组合后模型的二分类结果。可以看出,该方法所建模型识别精度高,基本可以满足国家标准对小麦不完善粒的检测要求。
图7-6 基于光谱、图像特征组合的二分类SVM模型识别结果示意图
综上,利用近红外光谱成像技术结合模式识别方法实现小麦不完善粒的快速准确识别是可行的,且相比于单一特征的识别效果,光谱特征与图像特征组合后所建模型的识别精度更高。