Σε αυτήν την μελέτη, μια hyperspectral κάμερα 400-1000nm μπορεί να χρησιμοποιηθεί, και FS13, ένα προϊόν της Co. τεχνολογίας Hangzhou CHNSpec, ΕΠΕ, μπορεί να χρησιμοποιηθεί για τη σχετική έρευνα. Η φασματική σειρά είναι 400-1000nm, και το ψήφισμα μήκους κύματος είναι καλύτερο από 2.5nm, μέχρι 1200
Δύο φασματικά κανάλια. Η ταχύτητα αποκτήσεων μπορεί να φθάσει σε 128FPS στο πλήρες φάσμα, και το μέγιστο αφότου η επιλογή ζωνών είναι 3300Hz (επιλογή ζωνών πολυ-περιοχών υποστήριξης).
_σόργο είμαι ένας ο σημαντικός τρόφιμο συγκομιδή Κίνα, λόγω του πλούσιος ουσία ο σιτάρι ο κρασί βιομηχανία έχω ένας «καλός κρασί μπορώ όχι είμαι χωρίζω από κόκκινος σιτάρι» δηκτικός κρίση, ο ετήσιος απαίτηση μέχρι 20 εκατομμύριο τ. Αυτή τη στιγμή, οι κύριες ποικιλίες του σόργου κρασιού είναι κόκκινο Luzhou, Qinghuyang, Runuo Νο 7 και άλλο κολλώδες σόργο με την υψηλή περιεκτικότητα σε άμυλο. Επειδή υπάρχουν πολλά είδη σόργου και διαφορετικών παράγοντας περιοχών, το περιεχόμενο του αμύλου, της πρωτεΐνης, του λίπους και της τανίνης στο σιτάρι είναι πολύ διαφορετικό, το οποίο οδηγεί στις μεγάλες διαφορές στη γεύση, το ύφος, την ποιότητα και την παραγωγή του ποτού. Μπορεί να δει ότι ο ακριβής και αποδοτικός προσδιορισμός των ποικιλιών σόργου πριν από την αποθήκευση batch των πρώτων υλών σόργου έχει μια πολύ σημαντική καθοδηγώντας σημασία για την παραγωγή του υψηλής ποιότητας ποτού, το οποίο μπορεί να ελέγξει τη διαδικασία παραγωγής όπως ο χρόνος του βράζοντας σιταριού, της κατανάλωσης νερού και του βρασίματος στον ατμό του σιταριού κατά τη διάρκεια της παρασκευάζοντας διαδικασίας. Οι παραδοσιακές μέθοδοι προσδιορισμού περιλαμβάνουν κυρίως το χειρωνακτικό εμπειρικό προσδιορισμό και τη βιολογική ανίχνευση δειγματοληψίας. Το πρώτο υπόκειται στην υποκειμενική επιρροή, χαμηλή αποδοτικότητα, και δύσκολος να διαμορφώσει ενοποιημένα πρότυπα, ενώ το τελευταίο είναι δυσκίνητο, χρονοβόρο και επίμοχθο. Και οι δύο δεν μπορούν να ικανοποιήσουν τις ανάγκες των σύγχρονων επιχειρήσεων ποτού για τον προσδιορισμό του σόργου, έτσι είναι επείγον να βρεθεί μια γρήγορη, ακριβής και απλή μέθοδος ταξινόμησης και ανίχνευσης ποικιλίας σόργου. Ο στόχος αυτής της μελέτης είναι να ταξινομηθούν 11 ποικιλίες σόργου με το συνδυασμό των φασματικών πληροφοριών και των πληροφοριών εικόνας, και να προσδιοριστούν οι διαφορετικές ποικιλίες σόργου με τη βελτιστοποίηση των hyperspectral μεθόδων εκμάθησης τεχνολογίας και μηχανών μέσω της σύγκρισης και της εξωτερικής επαλήθευσης, ώστε να βελτιωθούν η ακρίβεια και η αποδοτικότητά τους στην εφαρμογή.
Οι αρχικές φασματικές καμπύλες 550 δειγμάτων 11 κατηγοριών σόργου και οι φασματικές καμπύλες μετά από την προεπεξεργασία Msc παρουσιάζονται στο σχήμα 1. Κάθε χρώμα αντιπροσωπεύει μια διαφορετική κατηγορία.
Σε αυτό το έγγραφο, ο προσδιορισμός 11 ποικιλιών του σόργου μελετήθηκε βασισμένος στο συνδυασμό hyperspectral πληροφοριών φάσματος και εικόνας. Οι hyperspectral εικόνες του σόργου συλλέχθηκαν, 48 μήκη κύματος χαρακτηριστικών γνωρισμάτων επιλέχτηκαν από τα φάσματα μετά από την προεπεξεργασία Msc από τον αλγόριθμο SPA, και έπειτα τα χαρακτηριστικά γνωρίσματα σύστασης των εικόνων εξήχθησαν. Τα πρότυπα ταξινόμησης SVM, παρακαλώ-DA και ΛΕΥΚΏΝ καθιερώθηκαν βασισμένος στα χαρακτηριστικά γνωρίσματα σύστασης, πλήρες φάσμα, φάσμα χαρακτηριστικών γνωρισμάτων και οι συνδυασμένες πληροφορίες εικόνας τους, αντίστοιχα. Τέλος, το στοιχείο που δεν περιλαμβάνεται στη διαμόρφωση χρησιμοποιήθηκε για την εξωτερική επαλήθευση. Τα αποτελέσματα δείχνουν ότι το πρότυπο ταξινόμησης SVM βασισμένο στο συνδυασμό χαρακτηριστικών γνωρισμάτων φάσματος και σύστασης χαρακτηριστικών γνωρισμάτων έχει την καλύτερη επίδραση. Το σωστό ποσοστό αναγνώρισης του συνόλου δοκιμής είναι 95,3%, και η ακρίβεια του συνόλου επαλήθευσης είναι 91,8%. Ο συνδυασμός ορατών φάσματος και εικόνας μπορεί αποτελεσματικά να πραγματοποιήσει τη γρήγορη αναγνώριση του σόργου κρασιού και να βελτιώσει την ακρίβεια αναγνώρισης του προτύπου. Αυτό παρέχει μια θεωρητική βάση για την ανίχνευση των διαφορετικών πρώτων υλών παρασκευής και την πραγματοποίηση της παρασκευάζοντας αυτοματοποίησης.