基于SVM的小麦不完善粒判别

Insm_68f50e17

2024/06/27

私聊

近红外光谱（NIR）

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。