隨著工業(yè)污染的日益加劇,重金屬鉛逐漸侵害我國的耕地、水源和空氣,對(duì)農(nóng)業(yè)生產(chǎn)安全構(gòu)成巨大挑戰(zhàn)。高濃度的鉛不僅會(huì)抑制蔬菜的生長,導(dǎo)致蔬菜減產(chǎn),甚至還會(huì)通過食物鏈逐級(jí)在生物體內(nèi)富集,嚴(yán)重危害人們身體健康。因此,尋找快速檢測蔬菜鉛含量的方法對(duì)保證蔬菜產(chǎn)業(yè)的發(fā)展和人體健康具有重要的研究意義。目前,常用的化學(xué)分析法能夠?qū)崿F(xiàn)重金屬的痕量檢測,但是該方法破壞性強(qiáng)、耗材大、過程繁瑣,難以進(jìn)行實(shí)時(shí)檢測。高光譜圖像技術(shù)作為興起的無損檢測技術(shù),在農(nóng)副產(chǎn)品的品質(zhì)檢測中具有廣泛的應(yīng)用。高光譜數(shù)據(jù)存在相關(guān)性強(qiáng)和冗余度高的問題,如何有效處理非線性高光譜數(shù)據(jù)是研究的難點(diǎn)。傳統(tǒng)的高光譜數(shù)據(jù)分析方法建模精度較低,難以滿足精確檢測的要求,而深度信念網(wǎng)絡(luò)(DBN)可以提取出原始數(shù)據(jù)中的本質(zhì)特征,同時(shí)具備更強(qiáng)的預(yù)測能力。因此,本文將DBN應(yīng)用到高光譜數(shù)據(jù)的處理中,將光譜數(shù)據(jù)直接作為網(wǎng)絡(luò)的輸入,建立生菜葉片鉛含量的預(yù)測模型,并與傳統(tǒng)模型進(jìn)行對(duì)比分析,具體的研究內(nèi)容如下:(1)基于高光譜圖像信息劃分得到生菜葉片樣本的訓(xùn)練數(shù)據(jù)。采集了360個(gè)生菜葉片高光譜圖像,將整個(gè)生菜樣本作為感興趣區(qū)域(ROI),計(jì)算ROI的平均光譜值,并將其作為...

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 DBN的研究現(xiàn)狀
        1.2.2 重金屬無損檢測的研究現(xiàn)狀
    1.3 本文主要內(nèi)容
        1.3.1 主要研究內(nèi)容
        1.3.2 整體的框架結(jié)構(gòu)安排
    1.4 本章小結(jié)
第2章 相關(guān)算法研究
    2.1 傳統(tǒng)的光譜處理算法
        2.1.1 光譜數(shù)據(jù)的降維算法
        2.1.2 BP神經(jīng)網(wǎng)絡(luò)
    2.2 深度生成模型算法
        2.2.1 限制玻爾茲曼機(jī)模型
        2.2.2 限制玻爾茲曼機(jī)的訓(xùn)練
        2.2.3 深度信念網(wǎng)絡(luò)的結(jié)構(gòu)
        2.2.4 深度信念網(wǎng)絡(luò)的訓(xùn)練過程
    2.3 群體智能尋優(yōu)算法
        2.3.1 粒子群優(yōu)化算法
        2.3.2 灰狼優(yōu)化算法
    2.4 模型的評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
第3章 高光譜數(shù)據(jù)的采集
    3.1 數(shù)據(jù)的獲取
        3.1.1 生菜樣本的培育
        3.1.2 高光譜圖像的采集
        3.1.3 生菜鉛含量的測定
        3.1.4 感興趣區(qū)域的提取
    3.2 數(shù)據(jù)的預(yù)處理
    3.3 樣本的劃分
    3.4 實(shí)驗(yàn)環(huán)境搭建
    3.5 本章小結(jié)
第4章 基于傳統(tǒng)機(jī)器學(xué)習(xí)算法預(yù)測生菜葉片鉛含量
    4.1 特征光譜數(shù)據(jù)的提取
        4.1.1 SPA特征選擇結(jié)果
        4.1.2 PCA特征提取結(jié)果
    4.2 基于BP模型的建模結(jié)果分析
        4.2.1 基于原始BP的生菜鉛含量預(yù)測模型
        4.2.2 基于PSO-BP的生菜鉛含量預(yù)測模型
        4.2.3 基于GWO-BP的生菜鉛含量預(yù)測模型
        4.2.4 不同BP模型的對(duì)比分析
    4.3 本章小結(jié)
第5章 基于DBN預(yù)測生菜葉片鉛含量
    5.1 DBN模型預(yù)測生菜鉛含量的流程
    5.2 DBN參數(shù)優(yōu)化實(shí)驗(yàn)
        5.2.1 網(wǎng)絡(luò)層數(shù)和節(jié)點(diǎn)數(shù)對(duì)預(yù)測結(jié)果的影響
        5.2.2 學(xué)習(xí)率對(duì)預(yù)測結(jié)果的影響
        5.2.3 批量大小對(duì)預(yù)測結(jié)果的影響
    5.3 本章小結(jié)
第6章 基于改進(jìn)的DBN預(yù)測生菜葉片鉛含量
    6.1 基于PSO-DBN模型預(yù)測生菜葉片鉛含量
    6.2 基于GWO-DBN模型預(yù)測生菜葉片鉛含量
    6.3 模型對(duì)比分析
    6.4 本章小結(jié)
第7章 總結(jié)與展望
    7.1 本文內(nèi)容的總結(jié)
    7.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間獲得的學(xué)術(shù)成果



本文編號(hào)：3771467