基于近红外光谱维度转换和卷积神经网络识别小产地烟叶OA北大核心CSTPCD
为了提升小产地烟叶识别的准确率,解决近红外光谱分析技术在面对样本量大、相似度高、分类数多时类别预测不佳的问题。采集4625个云南省8个小产地的烟叶样品,将一维近红外光谱数据重构为二维图像数据,采用卷积神经网络(Convolutional neural network,CNN)建立了小产地烟叶的分类识别模型,并比较了不同机器学习算法的效果。结果表明:①主成分分析(PCA)、支持向量机(SVM)等常规的机器学习算法在处理多个相邻产地烟叶分类时效果一般,SVM算法的训练集、测试集总体准确率分别为78.86%、69.08%。②采用CNN的训练集、测试集准确率分别达97.41%、92.54%,相较于SVM算法分别高出18.55、23.46百分点。通过近红外光谱维度转换并结合CNN算法,可以提取更多的样品特征信息,有效应用于小产地烟叶的分类识别。
居雷;高扬;张鑫;葛炯;岳宝华;束茹欣;
上海烟草集团有限责任公司技术中心,上海市201315上海大学理学院化学系,上海市200444
轻工业
烟叶小产地近红外光谱光谱维度转换卷积神经网络分类识别
《烟草科技》 2024 (007)
P.8-13 / 6
中国烟草总公司重点研发项目“面向多品牌、多品规卷烟产品数字化设计内核算法研发与应用”(110202202001);上海烟草集团有限责任公司科技项目“卷烟产品数字化综合设计平台架构研究”(K2024-1-030Z)。
评论