方案摘要
方案下载应用领域 | 农/林/牧/渔 |
检测样本 | 其他 |
检测项目 | |
参考标准 | GB NO. |
本研究提出了一种跟踪水稻品质差异的协同策略将深度学习和机器学习理论相结合,提高融合系统的检测性能。与传统的特征挖掘和识别方法相比,CNN提取融合特征有效,基于GEELM的分类性能达到98.07%。总之,CNN-GE-ELM被证明是一种有效的分析技术,以改善融合系统的检测性能,实现了对质量差异的高精度识别大米。
本研究提出了一种跟踪水稻品质差异的协同策略将深度学习和机器学习理论相结合,提高融合系统的检测性能。首先,利用电子鼻和高光谱技术采集水稻品质信息成像系统。其次设计了一种新的卷积神经网络(CNN)结构来提取基于卷积和池化过程的融合数据特征。最后,一个新颖的全局扩展极限提出了一种基于拖拽因子和全局识别系数的学习机(GE-ELM),该学习可以扩展和平衡类之间的差异,从而提高识别能力和识别能力提高稳定性。与传统的特征挖掘和识别方法相比,CNN提取融合特征有效,基于GEELM的分类性能达到98.07%。总之,CNN-GE-ELM被证明是一种有效的分析技术,以改善融合系统的检测性能,实现了对质量差异的高精度识别大米。
风味检测设备:德国AIRSENSE电子鼻pen3
文章信息:Improving performance_ A collaborative strategy for the multi-data fusion of electronic nose and hyperspectral to track the quality difference of rice
福建农林大学科研团队揭示铁观音风味物质空间分布研究最新成果
南京农业大学研发团队揭示白切鸡在口腔加工过程中感官指标变化规律
纹党参剂量对八宝茶品质的影响
相关产品
关注
拨打电话
留言咨询