融合声振信号与可见近红外透射光谱的苹果轻度霉心病检测OA北大核心CSTPCD

针对单一方法对苹果轻度霉心病检测精度较低的问题,提出基于近红外透射光谱和声振技术的异源信息融合方法,以提升对苹果轻度霉心病的判别能力。针对近红外光谱信号,首先分析不同预处理和特征提取方法对建模效果的影响,完成光谱特征波段的选择。针对声振信号,利用YSV工程测试与信号分析软件和Pearson相关系数优选7个时域特征。随后,通过特征拼接将光谱特征波段与时域特征组成融合特征向量,分别采用卷积神经网络(convolutional neural networks,CNN)、长短时记忆网络(long short-term memory,LSTM)和CNN-LSTM基于单一源特征和融合特征构建判别模型。通过模型性能分析,融合了近红外透射光谱15个特征波段与7个时域特征的CNN-LSTM组合模型对于轻度霉心病的判别性能最优,测试集的准确率、召回率、特异性和F1分数分别达到了98.31%、97.06%、97.06%和97.90%。实验结果证明本研究提出的可见近红外透射光谱与声振信号特征融合方法可以有效提高苹果轻度霉心病的判别准确率。