В этом исследовании, hyperspectral камеру 400-1000nm можно использовать, и FS13, продукт CO. технологии Ханчжоу CHNSpec, Ltd, можно использовать для родственного исследования. Спектральный ряд 400-1000nm, и разрешение длины волны лучшее чем 2.5nm, до 1200
2 спектральных канала. Скорость приема может достигнуть 128FPS в полном спектре, и максимум после того как переключение диапазона 3300Hz (переключение диапазона мульти-региона поддержки).
Сорго одна из важных продовольственных сельскохозяйственных культур в Китае, из-за своих богатых питательных веществ в зерне в винодельческой промышленности имеет «хорошее вино нельзя отделить от суждение красного зерна» инцизивное, ежегодное требование до 20 миллионов t. в настоящее время, главные разнообразия сорго вина Luzhou красный, Qinghuyang, но. 7 Runuo и другое glutinous сорго с высоким содержанием крахмала. Потому что много видов сорго и различных производя областей, содержание крахмала, протеина, сала и таннина в зерне очень другое, которое водит к большим разницам во вкусе, стиле, качестве и выходе ликера. Его можно увидеть что точное и эффективное идентификация разнообразий сорго перед хранением серии сырья сорго имеет очень важную направляя значительность для продукции высококачественного ликера, которая может контролировать производственный процесс как время клокоча зерна, расхода воды и зерно испаряться во время процесса заваривать. Традиционные методы идентификации главным образом включают ручное эмпирическое идентификацию и биологическое пробуя обнаружение. Бывшее подлежит субъективное влияние, низкая эффективность, и трудный для того чтобы сформировать единый стандарт, пока последнее громоздко, требующе много времени и трудный. Оба не могут отвечать потребностямы современных предприятий ликера для определять сорго, поэтому оно срочно для обнаружения быстрого, точного и простого метода классификации и обнаружения разнообразия сорго. Задача этого исследования расклассифицировать 11 разнообразие сорго путем совмещение спектральной информации и данных по изображения, и определяет различные разнообразия сорго путем оптимизировать hyperspectral методы технологии и машинного обучения через сравнение и внешнюю проверку, для того чтобы улучшить их точность и эффективность в применении.
Первоначальные спектральные кривые 550 образцов 11 категории сорго и спектральные кривые после того как pretreatment MSC будет показан в диаграмме 1. Каждый цвет представляет различную категорию.
В этой бумаге, идентификация 11 разнообразия сорго было изучено основанный на данных по спектра и изображения сочетания из hyperspectral. Hyperspectral изображения сорго были собраны, 48 длин волны особенности были выбраны от спектров после MSC предварительно обрабатывая алгоритмом SPA, и после этого особенности текстуры изображений были извлечены. Модели классификации SVM, PLEASE-DA и ВЯЗА были установлены основанный на особенностях текстуры, полном спектре, спектре особенности и их совмещенных данных по изображения, соответственно. В конце концов, данные, который не включили в моделирование были использованы для внешней проверки. Результаты показывают что модель классификации SVM основанная на особенностях спектра и текстуры особенности сочетания из имеет самое лучшее влияние. Правильный тариф опознавания набора теста 95,3%, и точность набора проверки 91,8%. Спектр и изображение сочетания из видимый могут эффектно осуществить быстрое опознавание сорго вина и улучшить точность опознавания модели. Это обеспечивает теоретическую основу для обнаружения различного сырья заваривать и осуществления автоматизации заваривать.