基于宽度学习的太赫兹光谱图像小麦霉变识别研究

小麦质量安全是粮食安全的重要组成部分。传统的小麦霉变籽粒识别检测方法需要复杂的处理步骤,耗时较长且特征提取能力较差,易造成图像有效信息的丢失,导致小麦霉变籽粒识别检测效果不佳。为解决上述问题,提出了一种基于去噪宽度学习(D-BLS)的霉变小麦太赫兹光谱图像识别方法。该方法对传统宽度学习(BLS)算法进行了改进,通过引入去噪卷积神经网络(DnCNN)模块,构建D-BLS霉变小麦分类识别模型,以增强图像质量,提高霉变小麦太赫兹光谱图像的识别精度。初步研究表明,D-BLS在识别准确率方面优于传统BLS算法,识别准确率达到93.13%。进一步使用支持向量机(SVM)、后向传播神经网络(BPNN)、卷积神经网络(CNN)与D-BLS进行建模对比。研究结果表明,D-BLS网络的分类准确率分别比SVM、BPNN和CNN高出了13.83%、7.79%和3.96%。因此,D-BLS能够为小麦发霉早期鉴别提供一种新方法。