In deze studie, kan een hyperspectral camera van 400-1000nm worden gebruikt, en FS13, een product van de Technologieco. van Hangzhou CHNSpec, Ltd, kan voor verwant onderzoek worden gebruikt. De spectrale waaier is 400-1000nm, en de golflengteresolutie is beter dan 2.5nm, tot 1200
Twee spectrale kanalen. De aanwinstensnelheid kan 128FPS in het volledige spectrum, en het maximum bereiken nadat de bandselectie 3300Hz (de bandselectie van het steun multi-gebied) is.
_sorghum één van de belangrijk voedsel gewas in China, wegens zijn rijk voedingsmiddel in de korrel in de wijn industrie hebben een „goed wijn kunnen niet scheiden van rood korrel“ scherp oordeel, de jaarlijks vraag van tot 20 miljoen t. Momenteel, zijn de belangrijkste verscheidenheden van wijnsorghum Luzhou-Rood, Qinghuyang, Runuo Nr 7 en andere glutineuze sorghum met hoog zetmeelgehalte. Omdat er vele soorten sorghum en verschillende producerende gebieden zijn, is de inhoud van zetmeel, proteïne, vet en tannine in de korrel zeer verschillend, wat tot grote verschillen in aroma, stijl, kwaliteit en opbrengst van alcoholische drank leidt. Men kan zien dat de nauwkeurige en efficiënte identificatie van sorghumverscheidenheden vóór de partijopslag van sorghum grondstoffen een zeer belangrijke leidende betekenis voor de productie van de alcoholische drank van uitstekende kwaliteit heeft, die het productieproces zoals de tijd kan controleren van borrelend korrel, waterverbruik en het stomen van korrel tijdens het brouwende proces. De traditionele identificatiemethodes omvatten hoofdzakelijk hand empirische identificatie en biologische bemonsteringsopsporing. De eerstgenoemde is onderworpen aan subjectieve invloed, lage efficiency, en moeilijk om een verenigde norm te vormen, terwijl de laatstgenoemde hinderlijk, tijdrovend en afmattend is. Beiden kunnen niet aan de behoeften voldoen van moderne alcoholische drankondernemingen aan het identificeren van sorghum, zodat is het dringend om een snelle, nauwkeurige en eenvoudige de classificatie en de opsporingsmethode van de sorghumverscheidenheid te vinden. De doelstelling van deze studie is 11 sorghumverscheidenheden te classificeren door spectrale informatie en beeldinformatie te combineren, en verschillende sorghumverscheidenheden te identificeren door hyperspectral technologie en machineleermethoden door vergelijking en externe controle te optimaliseren, om hun nauwkeurigheid en efficiency in toepassing te verbeteren.
De originele spectrale krommen van 550 steekproeven van 11 categorieën van sorghum en de spectrale krommen na doctorandus in de exacte wetenschappenvoorbehandeling worden getoond in Figuur 1. Elke kleur vertegenwoordigt een verschillende categorie.
In dit document, werd de identificatie van 11 verscheidenheden van sorghum bestudeerd gebaseerd op de combinatie van hyperspectral spectrum en beeldinformatie. De hyperspectral beelden van sorghum werden verzameld, werden 48 eigenschapgolflengten geselecteerd uit de spectrums na doctorandus in de exacte wetenschappen het voorbewerken door KUUROORDalgoritme, en toen werden de textuureigenschappen van de beelden gehaald. De de classificatiemodellen werden van SVM, van tevreden:stellen-DA en van de IEP gevestigd gebaseerd op de textuureigenschappen, volledig spectrum, eigenschapspectrum en hun gecombineerde beeldinformatie, respectievelijk. Tot slot werd het gegeven betrokken niet bij modellering gebruikt voor externe controle. De resultaten tonen aan dat het SVM-classificatiemodel op de combinatie van de eigenschapspectrum en textuur eigenschappen wordt gebaseerd het beste effect dat heeft. Het correcte erkenningstarief van de testreeks is 95,3%, en de nauwkeurigheid van de controlereeks is 91,8%. De combinatie van zichtbaar spectrum en beeld kan de snelle erkenning van wijnsorghum effectief realiseren en de erkenningsnauwkeurigheid van het model verbeteren. Dit vormt een theoretische basis voor de opsporing van verschillende het brouwen grondstoffen en de totstandbrenging van brouwende automatisering.