基于跨媒体特征融合的黑龙江省大米产地分类研究

发布时间：2020-11-07 07:24

　　 黑龙江省作为一个大米种植的大省,大米的年产量每年都在全国的前列。但由于黑龙江省不同产区大米质量各不相同,各产区大米也不尽相同,这就导致了部分商家为获得不法收益而进行以次充好的行为,导致了大米产地信息被破坏,丧失了其在人们购买大米时的参考价值。因此为解决目前大米行业存在的产地混乱问题,提出了大米产地安全溯源方法。大米安全溯源技术包括近红外光谱技术、计算机视觉检测技术等。由于化学溯源技术检测周期较长,难以实现实时在线检测,而物理溯源技术虽然检测速度较快但准确率较低,降低了实际应用的可靠性,因此本文通过提出一种基于跨媒体特征融合的近红外光谱与计算机视觉联合检测的溯源方法,旨在解决大米实时在线产地溯源的准确性和可靠性问题。本文进行黑龙江省大米产地分类的方法有三种,分别为:基于图像特征的黑龙江省大米产地分类研究、基于近红外光谱特征的黑龙江省大米产地分类研究及基于跨媒体特征融合的黑龙江省大米产地分类研究。在进行基于图像处理的黑龙江省大米产地分类研究中分别对图像进行了图像去噪声、图像二值化及图像特征提取操作,并结合了不同算法进行了黑龙江省大米产地分类实验。在进行基于近红外光谱的黑龙江省大米产地分类研究中,对近红外光谱进行了预处理和特征提取,并在此基础上利用不同分类算法进行黑龙江省大米产地分类实验。最后,对大米图像特征及大米近红外光谱数据特征进行了跨媒体特征融合,得到新的融合特征。并进行了基于支持向量机、BP神经网络及随机森林三种机器学习算法与跨媒体特征融合建模,对黑龙江省大米产地进行分类。将跨媒体特征融合的大米产地分类与图像特征、近红外光谱的大米产地分类进行对比分析,实验结果表明,跨媒体特征融合方法比单一的大米产地分类方法分类准确率更高。因此通过利用近红外光谱的数据特征与大米外观图像特征进行跨媒体融合的综合分析方法,既可以对大米产地进行实时在线的检测,又可避免采用单一的近红外光谱分析方法对实验结果产生不准确性和不可靠性的影响。
【学位单位】：哈尔滨商业大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP391.41;TS210.7
【部分图文】：

哈尔滨商业大学硕士学位论文15设训练集T的数据分布为:1122,,,,,,mnmTxyxyxyXY（2-1）其中nixXR，1,1iyYi1,2,,m，ix表示第i个特征向量，当1iy时则ix表示正例，当1iy时则ix表示负例。若X的分布处于二维空间中，可将上述问题转换为一个基于决策平面与最大间隔的分类问题，处于决策平面的最大间隔两侧的点分别定义为正例和负例。如下图2-1所示，0Txb即为决策平面的计算公式。其中，w为超平面法向量，b是常数项，x是训练集样本。当求解问题属于线性可分问题时，则决策平面的数量可为无穷多个，因此需要计算决策平面与最近邻数据点最大间隔，利用间隔最大化的方式得出使正例与负例能够最好区分的决策平面。SVM线性分类最优分割决策平面图，如图2-1所示。图2-1SVM线性分类最优分割超平面图特征空间中任意点x到超平面的距离表示为:+Txbs。假设超平面,b可将训练样本正确分类，则1,11,1TiTixbyxby（2-2）被圈住的正例和负例距离超平面最近，并且使得公式成立，这些点被称为支持向量(supportvector)，正负例支持向量到超平面的距离之和为s，表示间隔。2s（2-3）最大化分离间隔可等价为:2,1minb2..1,1,,iistyxbim（2-4）

大米产地分类研究相关技术16找到满足公式(2-4)中的约束参数,b使Y最大，即可得到最优超平面。可通过拉格朗日乘子法来得到公式(2-4)的对偶问题，如下：1111min2mmmijijijijjjyyxx1..0,0,1,2,,miiiistyim（2-5）根据凸最优化理论可以证明若***12=,,,m为上述对偶问题的最优解，令****11=,,|0mmiiijiijjiiiyxbyyxxjj（2-6）则**w,b为使最大的最优解，最终得到决策函数:**fxsgnxb（2-7）2.2.2BP神经网络BP（BackPropagation）神经网络，是1986年由具有“神经网络之父”之称的Hinton提出来的。相比于传统的MLP算法，BP神经网络有较多的层数及单元数，通过结合反向传播算法对神经网络内不同权重及偏置的优化与更新，使得模型能够拟合较多的线性及非线性分类问题，因此BP神经网络是当今人工智能领域应用较多的算法之一。BP神经网络是一类包含输入层、隐藏层及输出层的反向传播神经网络，其最明显的特征是：通过对误差反向传递来实现网络参数优化，通过对特征的正向传递来进行数据的分析。一个典型的三层BP神经网络架构图，如下图2-2所示。图2-2BP神经网络结构图

哈尔滨商业大学硕士学位论文172.2.3随机森林算法随机森林算法是较为经典的一种机器学习算法，其由LeoBreiman和AdeleCutler最早提出，其中所包含的集成学习思想在当今模式识别领域仍然活跃。随机森林(RandomForest,RF)通过集成多个决策树模型来进行计算，最终得到分类模型为hx,k,k1,，且参数集（k）是独立同分布的随机向量，在给定自变量x下，随机森林中的各个决策树模型都会给出一个预测值并利用投票机制选择出众多预测值中的最优分类结果，随机森林原理如图2-3所示。图2-3随机森林原理图利用自助采样法(bootstrapsampling)从原始训练集D中抽取n个样本集12,,nDDD，且每个样本容量均与原始训练集D一致，未被抽到的样本为袋外样本(out-of-bag简称OOB),n个样本集即对应n个袋外样本OOB12,,nOOBOOBOOB;对12,,nDDD依照hx,k,k1,建立n棵不剪枝的决策树模型形成森林，以OOB数据集作为验证集检验每一棵树模型得到袋外误分率{error1,error2,error3,...errork},袋外误差估计公式(2-8)可用于优化模型参数，判断模型优劣。11kiiOOBestimateerrorerrork（2-8）每一棵决策树的每一个节点均从M个属性中随机选取m(m+M)个属性作为候选属性，在m个候选属性中选择节点纯度最大的属性作为最终节点属性;由n棵决策树构成了组合分类器，利用n个模型对测试集分别进行分类，得到n种分类结果;最后对n种分类结果累计投票决定其最
【相似文献】

相关期刊论文 前10条

1 胡圣英;任红波;张军;孟利;;大米产地溯源方法研究进展[J];中国农学通报;2020年14期

2 崔志良;安鹏;;吉林省大米品牌发展情况调查[J];合作经济与科技;2020年06期

3 刘金凤;;大米适度加工检测技术及其应用分析[J];科学技术创新;2020年13期

4 姜山;胡志刚;;大米抛光磨损研究综述[J];现代制造技术与装备;2020年04期

5 ;大米并非越贵越好[J];发明与创新(大科技);2018年08期

6 ;吉林大米:一个省级区域公用品牌的崛起之道[J];新农业;2019年10期

7 王向社;;柬埔寨前4个月大米出口量同比大增[J];世界热带农业信息;2019年06期

8 王向社;;柬埔寨请求马来西亚帮助购买大米[J];世界热带农业信息;2019年07期

9 蒋文全;;新时期广西大米品牌发展策略探讨[J];纳税;2018年15期

10 张星宝;;大米红,小米黄[J];中小学音乐教育;2008年02期

相关博士学位论文 前10条

1 万鹏;大米品质检测系统研究[D];吉林大学;2009年

2 许庆武;地方特色大米产业创新发展研究[D];武汉理工大学;2012年

3 陈建新;过热蒸汽焙炒黄酒酿造大米机理及其工程优化研究[D];江南大学;2014年

4 陈溪;大米样品中农药多残留高通量分析研究[D];沈阳农业大学;2015年

5 Nareerut Seerasarn;泰国和中国消费者对有机大米的态度和行为的交叉对比[D];中国农业科学院;2015年

6 夏立娅;大米产地特征因子及溯源方法研究[D];河北大学;2013年

7 张鸿;基于相关性挖掘的跨媒体检索研究[D];浙江大学;2007年

8 陈善峰;低温挤压加酶大米作啤酒辅料的试验研究[D];河北农业大学;2012年

9 范欣;针对移动设备的跨媒体网络信息检索及自适应信息显示研究[D];中国科学技术大学;2007年

10 周兴华;两种转基因大米食用安全性的毒理学研究[D];江苏大学;2012年

相关硕士学位论文 前10条

1 李昂;基于跨媒体特征融合的黑龙江省大米产地分类研究[D];哈尔滨商业大学;2020年

2 宋美超;基于图像与文本特征融合的大米分类研究[D];哈尔滨商业大学;2020年

3 吕思铭;中国大米贸易的国际竞争力研究[D];黑龙江大学;2016年

4 曾靖;大米品牌竞争力研究[D];华中农业大学;2006年

5 孙源;吉林大米营销策略研究[D];吉林大学;2020年

6 谭聪;消费者视角下中国大米品牌形象提升研究[D];哈尔滨商业大学;2017年

7 金杰;延边大米品牌价值提升研究[D];延边大学;2016年

8 张帅;我国扩大从东盟进口大米研究[D];东北财经大学;2015年

9 郭佩佩;泰国大米国际竞争力的研究[D];浙江大学;2014年

10 陈玮;大米气调储藏过程中脂质的变化研究[D];天津科技大学;2007年

本文编号：2873627