南京农业大学学报  2020, Vol. 43 Issue (1): 178-185   PDF    
http://dx.doi.org/10.7685/jnau.201906067
0

文章信息

王浩云, 李晓凡, 李亦白, 孙云晓, 徐焕良
WANG Haoyun, LI Xiaofan, LI Yibai, SUN Yunxiao, XU Huanliang
基于高光谱图像和3D-CNN的苹果多品质参数无损检测
Non-destructive detection of apple multi-quality parameters based on hyperspectral imaging technology and 3D-CNN
南京农业大学学报, 2020, 43(1): 178-185
Journal of Nanjing Agricultural University, 2020, 43(1): 178-185.
http://dx.doi.org/10.7685/jnau.201906067

文章历史

收稿日期: 2019-06-30
基于高光谱图像和3D-CNN的苹果多品质参数无损检测
王浩云1,2 , 李晓凡1 , 李亦白1 , 孙云晓1 , 徐焕良1,2     
1. 南京农业大学信息科学技术学院, 江苏 南京 210095;
2. 南京农业大学农业工程博士后流动站, 江苏 南京 210031
摘要[目的]为解决水果品质无损检测中成本、效率、精度问题,提出了一种基于高光谱图像和三维卷积神经网络(3D-CNN)的苹果高光谱多品质参数同时检测方法。[方法]使用高光谱成像系统获取400~1 000 nm波段的苹果样本的高光谱反射图像并使用S-G平滑法对原始图像进行去噪处理,在此基础上,对采集到的高光谱图像通过多感兴趣位置的选取以及间隔波段抽取重组的方法进行样本扩充,再利用三维卷积神经网络建立样本扩充后的苹果高光谱图像与苹果糖度、硬度、含水量的多任务学习模型,通过该模型实现对苹果的糖度、硬度、含水量等品质参数的无损检测。[结果]采集245个苹果的高光谱图像及其对应的品质参数信息,通过样本扩充的方法将原始数据集扩充至9 800个样本后进行建模和验证。结果表明:本算法建立的苹果糖度、硬度、水分的分类模型,在糖度类间隔为1°Brix、硬度类间隔为0.5 kg·cm-2、含水量类间隔为10%的情况下,糖度、硬度、水分的预测准确率分别为93.97%、92.29%和93.36%,回归模型糖度、硬度和水分的相关系数最高分别达到0.827、0.775和0.862,比最优的传统算法分别提高15.0%、17.0%和17.2%。[结论]本算法能够较准确实现苹果高光谱多品质参数同时检测,且相对传统方法预测精度有较大提升。
关键词苹果   高光谱   多品质参数   无损检测   三维卷积神经网络(3D-CNN)   
Non-destructive detection of apple multi-quality parameters based on hyperspectral imaging technology and 3D-CNN
WANG Haoyun1,2, LI Xiaofan1, LI Yibai1, SUN Yunxiao1, XU Huanliang1,2    
1. College of Information Science and Technology, Nanjing Agricultural University, Nanjing 210095, China;
2. Postdoctoral Mobile Station of Agricultural Engineering, Nanjing Agricultural University, Nanjing 210031, China
Abstract: [Objectives] In order to solve the problem of cost, efficiency and precision in non-destructive detection of fruit quality, a simultaneous detection method of apple hyperspectral multi-quality parameters based on hyperspectral imaging technology and 3D convolutional neural networks(3D-CNN) was proposed. [Methods] First, the hyperspectral images of the apple sample in the 400-1 000 nm band were acquired by the hyperspectral imaging system and the original images were denoised by the S-G smoothing method. Then, sample expansion was performed on the acquired hyperspectral images through the selection of multiple locations of interest and interval band extraction and recombination. Finally, the 3D-CNN was used to establish a multi-task learning model between expanded apple hyperspectral images and brix, firmness and moisture. Through this model, apple's brix, firmness moisture and other quality parameters can be tested nondestructively. [Results] The hyperspectral images and the corresponding quality parameter information of 245 apples were collected. The original data set was extended to 9 800 samples by sample expansion method. The results showed that the classification model of apple's brix, firmness and moisture established by this algorithm had achieved the prediction accuracy of 93.97%, 92.29% and 93.36% respectively with the brix interval of 1° Brix, the firmness interval of 0.5 kg·cm-2 and the moisture interval of 10%. At the same time, the correlation coefficient of the regression model of apple's brix, firmness and moisture established by the algorithm respectively reached 0.827, 0.775 and 0.882, which were 15.0%, 17.0% and 17.2% higher than the optimal traditional algorithms. [Conclusions] The algorithm can accurately realize the simultaneous detection of multi-quality parameters of apple hyperspectral, and the prediction accuracy is higher than that of traditional methods.
Keywords: apple    hyperspectral    multi-quality parameters    non-destructive detection    3D-CNN   

近年来, 高光谱成像技术因为集成了被测物体的图像和光谱信息, 从而能更加高效、准确地检测水果的品质[1-3], 已成为水果品质无损检测的重要手段。目前苹果内部品质高光谱检测指标主要集中在糖度、硬度和含水量这3类[4]

现有研究主要针对单一品质参数, 如Mo等[5]利用高光谱吸收图像建立苹果内部糖度的偏最小二乘回归模型, 得出最优模型的相关系数和均方根误差分别为0.876和0.514°Brix。管晓梅等[6]提出一种优化偏最小二乘因子数的方法, 提高糖度模型的预测能力, 降低模型的复杂度, 将预测相关系数和均方根误差改善至0.871和0.604°Brix。Ekramirad等[7]对比偏最小二乘法、最小二乘法支持向量机和多元线性回归方法建立的苹果硬度预测模型, 得出偏最小二乘法建立的苹果硬度预测模型的相关系数最高达到0.92。Crichton等[8]利用光谱反射率信息估算苹果片含水量, 采用偏最小二乘法建立空间平均光谱反射率曲线的预测模型, 得到最终的含水量预测相关系数为0.99, 预测均方根误差为0.13。在以往的文献中[9-11]学者们也研究了多品质参数的同时检测, 但都是分别对单一品质参数进行建模后的多模型结合, 并未真正实现依靠相同信息和相同建模方法的多品质参数同时检测。

高光谱分析技术包含特征波长选择和回归建模2个步骤, 如:Dong等[12]采用连续投影算法(SPA)和无信息变量消除算法(UVE)从全谱中提取特征光谱, 采用偏最小二乘回归(PLS)、最小二乘支持向量机(LSSVM)和反向传播(BP)算法建立模型, 分别预测苹果的糖度、硬度、含水量, 结果表明SPA-LSSVM模型的综合判断能力优于其他模型。Zhang等[13]在对苹果糖度的预测中选用竞争自适应重加权采样(CARS)、SPA、随机蛙跳算法(RF)以及CARS-SPA、CARS-RF组合算法从苹果高光谱图像中提取有效波长, 利用偏最小二乘和最小二乘支持向量回归算法, 在选定的有效波长基础上, 建立不同的预测模型, 结果表明基于CARS-SPA选择的10个有效波长的最小二乘支持向量回归模型预测效果最好。现有预测模型的特征波长选择方法复杂, 且提取的特征光谱相对集中, 丢失全波段信息。在预测算法的选择上仍采用多元线性回归、偏最小二乘回归、最小二乘支持向量机等传统算法, 模型的预测精度仍有很大的提升空间。

本文提出一种新的苹果高光谱多品质参数同时检测方法, 采用在全波段光谱中间隔相等波长抽取重组方法代替特征波长选择方法, 使高光谱图像包含全波段的光谱信息; 采用三维卷积神经网络(3D-CNN)代替原有回归建模方法, 提高了模型预测精度; 采用共享网络卷积层的方法对苹果糖度、硬度和含水量进行多任务学习, 最终实现苹果多品质参数的同时检测。

1 材料与方法 1.1 苹果品质参数采集及指标测定

选取245个陕西洛川红富士苹果, 均为无明显缺陷和损伤的正常果实。使用ATAGO PAL-1数显糖度计测量苹果糖度, 方法参照文献[14]; 使用托普GY-4型数显水果硬度计测量水果硬度, 方法参照文献[15]; 苹果含水量测量参照《食品安全国家标准食品中含水量的测定:GB 5009.3—2016》的直接干燥法, 使用仪器为上海精宏DHG-9070A电热恒温鼓风干燥箱、奥豪斯CP423C电子天平等。每个样本测量3次, 取平均值。首先称出干净蒸发皿的质量为m1, 然后把苹果样本切为较小的苹果块, 取40~50 g苹果块置于蒸发皿中, 用保鲜膜封闭完好, 测出总质量m2, 取下保鲜膜放入到干燥箱中进行干燥, 干燥箱设置为105 ℃, 每隔3 h秤1次质量, 直到连续2次测得质量差值小于0.3 g, 此时质量记为m3。样本含水量计算公式如下:

(1)
1.2 苹果高光谱图像获取及样本扩充

采用上海五铃光电科技公司的HSI-VNIR-0001高光谱成像系统, 波段范围为400~1 000 nm, 用以获得苹果的高光谱反射图像。参照文献[16]选择赤道为光源入射位置, 选择距离光源照射点0~10个像素区域上、下、左、右共4张反射图像(图 1红色矩形框), 作为苹果的感兴趣位置。

图 1 苹果感兴趣位置选择示意图 Fig. 1 Schematic diagram of picking apple ' s region of interest

采集245个苹果样本的高光谱图像, 图像采集、去噪及样本扩充处理过程如下:

1) 由于获得的高光谱数据在仪器波长范围两端不稳定, 信噪比低, 因此去掉两端的光谱数据, 最终选择450~900 nm波段的图像进行分析。

2) 使用SG平滑算法对高光谱原始数据进行平滑处理, 屏蔽相对较低的光强信息。

3) 针对单个苹果, 在450~900 nm全波段, 采用图 1方法, 在全波段分别提取距离光源照射点0~10个像素区域的4张高光谱反射图像(图 2)。

图 2 全波段苹果高光谱图像感兴趣位置选取 Fig. 2 Picking region of interest in full-band spectral apple hyperspectral images

4) 将过程3)中得到的高光谱图像, 在450~900 nm波段上间隔10个波段抽取, 重组为新的苹果高光谱图像以对原始高光谱图像进行样本扩充。最终得到9 800张11×11×45的苹果高光谱图像, 其中11×11为单波段光亮度图的像素大小, 共包含45个光谱波段信息。

1.3 基于三维卷积神经网络的多任务学习模型 1.3.1 三维卷积神经网络原理

三维卷积神经网络是将二维网络的卷积和池化方式扩展至三维, 最早被用于人类行为识别[17], 其输入为三维向量, 通过三维卷积同时提取空间和时间2个维度的特征, 具有比二维网络更好的识别效果[18]

三维卷积计算公式:

(2)

式中:vijxyz为当前层输出; v(i-1)m(x+p)(y+q)(z+r)为当前层输入; wijmpqr是连接当前层vi和前一层vi-1的三维卷积核; bij为偏置项; f(·)为非线性激活函数, 通过三维卷积核对网络的三维输入进行特征提取。

三维池化计算公式:

(3)

式中:vijxyz为当前层输出; v(i-1)jxyz为当前层输入; βij为池化权值; pooling为池化操作; bij为偏置项; f[·]为非线性激活函数。池化层的引入是对卷积层提取的特征进行降采样, 减少网络的复杂度, 在一定程度上能防止网络过拟合[19-20]

本文将三维卷积神经网络引入苹果高光谱数据的检测中, 在原有二维网络仅能对单波段光亮度图像进行特征提取的基础上, 增加对高光谱全波段信息的捕捉, 以提高网络最终的检测精度。

1.3.2 多任务学习原理

传统机器学习方法通常训练单一模型或多个模型融合来优化某一特定任务, 但仅仅关注单一任务, 可能忽略其他可以帮助优化的重要信息, 这些信息可能来自相关任务的训练。多任务学习就是要共享相关任务之间的特征信息, 增加模型的泛化能力, 同时提高各个相关任务模型的性能[21-22]。深度神经网络中的多任务学习主要包括参数的硬共享与软共享两种机制。参数的硬共享可以共享网络的所有隐层, 但保留任务相关的输出层, 而参数的软共享对每个任务都有独立的网络模型, 通过模型参数距离的正则化来保障参数的相似, 从而完成共享特征的传递[23-24]

苹果的糖度、硬度、含水量等同属苹果的品质参数, 它们共同决定苹果的品质, 同时各个品质参数内部也存在相关性。因此本文将多任务学习方法引入苹果品质参数检测研究中, 通过共享三维卷积神经网络卷积层的方法, 设计一个网络同时完成糖度、硬度、含水量的检测, 既减少训练成本, 又降低任务的过拟合风险, 同时相对于传统模型提高预测精度。

1.3.3 苹果高光谱多品质参数同检网络设计

基于上述分析, 本文建立的网络模型如图 3所示, 其主要包括共享的3个三维卷积层和1个三维池化层以及单独的3个全连接层。网络输入为11×11×45的苹果三维高光谱图像, 第1层为卷积层, 卷积核大小为3×3×5, 通道数为6;第2层为池化层, 池化窗口大小为2×2×2;第3层为卷积层, 卷积核大小1×1×7, 通道数为16;第4层为卷积层, 卷积核大小为3×3×5, 通道数为32。选用ReLu激活函数, 通过3个全连接层后输出样本糖度、硬度、含水量的预测信息。

图 3 苹果高光谱多品质参数检测网络结构 Fig. 3 Structure of detection network for apple hyperspectral multi-quality parameters

本文采用Softmax分类器, 如公式(4)所示。其中样本数量为m, 糖分、硬度、水分的类别数分别为n1n2n3, 损失函数(L)由糖分、硬度、水分3个分类任务的交叉熵损失之和组成。

(4)
2 结果与分析 2.1 实测苹果品质参数

测定245个苹果的糖度、硬度、含水量的品质参数信息, 其数值分布如表 1所示。

表 1 实测苹果品质参数 Table 1 Actually tested apple quality parameters
品质参数Quality parameters 最小值Minimum 最大值Maximum 平均值Mean 标准差Standard deviation
糖度/(°Brix) Brix 8.33 18.26 13.29 2.90
硬度/(kg·cm-2) Firmness 3.06 10.53 4.59 1.06
含水量/% Moisture 77.95 90.69 85.03 0.03
2.2 标签数据处理与数据集划分

根据苹果品质参数实测值, 糖度的范围为8.33~18.26°Brix, 将其分为11类, 类间隔为1°Brix; 硬度范围为3.06~10.53 kg · cm-2, 将其分为11类, 类间隔为0.5 kg · cm-2; 含水量范围为77.95%~90.69%, 将其分为11类, 类间隔为10%。本文所提模型为分类模型, 将所测样本归类到对应的糖度、硬度、含水量类别, 最终得到较为准确的分类结果。

采集245个苹果高光谱图像, 经1.2节流程处理后得到共计9 800苹果高光谱图像数据, 通过SPXY法进行数据集划分, 其中80%(7 840个)样本作为训练集, 20%(1 960个)样本作为测试集。

2.3 苹果品质参数检测算法评价指标

选用预测准确率(ACC)以及样本测量值与预测值之间的相关系数(R)、均方根误差(RMSE)和相对分析误差(RPD)作为算法预测精度的评价指标, 其计算见式(5)—(8):

(5)

式中:f0表示预测正确的样本数; f表示总样本数。

(6)

式中:n表示样本个数; yi表示第i个样本的实测值; 为第i个样本的预测值; ynn个样本实测值的平均值。R的值越接近1, 说明模型的预测能力越好。

(7)

式中:n表示样本个数; yi表示第i个样本的实测值; 为第i个样本的预测值。RMSE值越小, 说明模型的预测能力越好。

(8)

式中:SD表示样本的标准偏差。RPD值越大, 说明模型的预测能力越好, 准确度越高。

2.4 苹果品质参数预测结果

本文采用TensorFlow平台, 使用一块NVIDIA Tesla K40c显卡进行训练和测试。使用Adam动量优化算法, 采用批量训练的方法, 设置批大小为64, 将学习率设为0.001, 网络迭代300次后, 趋于稳定。最终苹果品质参数预测的准确率如表 2所示。

表 2 苹果品质参数预测准确率 Table 2 Prediction accuracy of apple quality parameters %
指标Item 糖分Brix 硬度Firmness 水分Moisture 联合Combination
训练集准确率Calibration set accuracy 98.79 97.69 98.16 91.22
测试集准确率Prediction set accuracy 93.97 92.29 93.36 89.84

除了间隔10个波段对高光谱图像进行抽取重组, 还尝试其他间隔的抽取方法, 最后检测的准确率如表 3所示。

表 3 间隔不同波段抽样重组的苹果品质参数预测准确率 Table 3 Predictive accuracy of apple quality parameters by sampling recombination at different intervals %
指标Item 间隔波段数Number of bands interval
6 7 8 9 10 11 12 13 14
糖度Brix 95.34 94.79 94.70 94.10 93.97 89.95 84.45 83.92 79.54
硬度Firmness 93.79 93.77 92.34 92.29 92.29 92.16 89.73 81.16 77.53
含水量Moisture 96.65 96.55 94.18 93.37 93.36 93.31 92.71 85.60 71.16
联合Combination 92.17 90.33 90.27 90.10 89.84 85.14 79.10 70.22 64.29

表 3得到预测准确率的变化趋势(图 4)。从图 4可以看出, 糖度预测准确率在间隔11个波段抽取时明显降低, 导致联合预测准确率也明显降低, 而少于10个波段这样更密集的抽取对最终的预测结果影响不大, 但密集抽取导致模型训练和测试时间成倍增加。考虑模型训练的成本以及实用性, 我们选择间隔10个波段对原始高光谱图像进行抽取重组。

图 4 间隔不同波段抽样重组的苹果品质参数预测准确率 Fig. 4 Predictive accuracy of apple quality parameters by sampling recombination at different intervals
2.5 与传统方法对比

选择的对比算法包括常用的特征波段提取方法:无信息变量消除(UVE)、连续投影算法(SPA)、竞争自适应重加权(CARS)、随机蛙跳算法(RF); 常用的回归建模方法:偏最小二乘回归(PLS)、最小二乘支持向量机(LSSVM)、反向传播(BP)。将上述训练好的三维神经网络作为苹果高光谱数据的特征提取方法, 将提取到的三维特征与糖度、硬度、含水量等品质参数进行回归分析, 结果如表 46所示。采用3D-CNN提取特征进行LSSVM回归建模, 苹果糖度的相关系数(Rp)最高为0.827, RMSE为1.129, RPD为1.850, 相比最好传统算法组合RF+BP的精度提高15.0%。采用3D-CNN提取特征进行BP回归建模, 苹果硬度的Rp最高为0.755, RMSE为0.691, RPD为1.483, 相比最好传统算法组合RF+BP的精度提高17.0%;采用3D-CNN提取特征进行BP回归建模, 苹果含水量的Rp最高为0.862, RMSE为0.011, RPD为1.992, 相比最好传统算法组合BP+RF的精度提高17.2%。因此, 本文提出的基于3D-CNN的苹果高光谱多品质参数联合检测模型比传统模型具有较好的检测效果。

表 4 不同算法苹果糖度预测模型效果比较 Table 4 Comparison of determination results for different methods of apple brix prediction model
回归建模方法
Regression modeling method
特征提取方法
Feature extraction method
训练集Calibration set 测试集Prediction set 相对分析误差
RPD
相关系数
Rc
均方根误差
RMSE
相关系数
Rp
均方根误差
RMSE
PLS UVE 0.627 1.366 0.622 1.291 1.628
SPA 0.650 1.324 0.646 1.250 1.682
CARS 0.698 1.229 0.680 1.188 1.770
RF 0.699 1.227 0.684 1.181 1.782
3DCNN 0.810 1.213 0.809 1.110 1.833
LSSVM UVE 0.634 1.356 0.630 1.209 1.716
SPA 0.662 1.334 0, 661 1.157 1.775
CARS 0.699 1.197 0.689 1.145 1.813
RF 0.713 1.198 0.702 1.148 1.833
3DCNN 0.831 1.190 0.827 1.129 1.850
BP UVE 0.617 1.256 0.609 1.171 1.564
SPA 0.664 1.335 0.663 1.165 1.579
CARS 0.671 1.129 0.669 1.129 1.762
RF 0.710 1.183 0.719 1.113 1.889
3DCNN 0.811 1.170 0.810 1.102 1.922
表 5 不同算法苹果硬度预测模型效果比较 Table 5 Comparison of determination results for different methods of apple firmness prediction model
回归建模方法
Regression modeling method
特征提取方法
Feature extraction method
训练集Calibration set 测试集Prediction set 相对分析误差
RPD
相关系数
Rc
均方根误差
RMSE
相关系数
Rp
均方根误差
RMSE
PLS UVE 0.473 0.745 0.461 0.713 1.251
SPA 0.502 0.727 0.493 0.695 1.284
CARS 0.540 0.704 0.538 0.668 1.334
RF 0.610 0.658 0.605 0.628 1.421
3DCNN 0.731 0.633 0.716 0.610 1.603
LSSVM UVE 0.501 0.737 0.501 0.708 1.367
SPA 0.547 0.712 0.539 0.669 1.379
CARS 0.618 0.668 0.612 0.625 1.330
RF 0.629 0.645 0.620 0.618 1.443
3DCNN 0.751 0.655 0.741 0.665 1.709
BP UVE 0.547 0.608 0.545 0.608 1.213
SPA 0.578 0.611 0.569 0, 619 1.339
CARS 0, 654 0.627 0.641 0.621 1.417
RF 0.653 0.629 0.645 0.601 1.483
3DCNN 0.753 0.703 0.755 0.691 1.483
表 6 不同算法苹果含水量预测模型效果比较 Table 6 Comparison of determination results for different methods of apple moisture prediction model
回归建模方法
Regression modeling method
特征提取方法
Feature extraction method
训练集Calibration set 测试集Prediction set 相对分析误差
RPD
相关系数
Rc
均方根误差
RMSE
相关系数
Rp
均方根误差
RMSE
PLS UVE 0.653 0.015 0.651 0.014 1.693
SPA 0.657 0.015 0.647 0.015 1.684
CARS 0.701 0.014 0.698 0.013 1.809
RF 0.710 0.013 0.704 0.013 1.839
3DCNN 0.854 0.012 0.851 0.012 1.935
LSSVM UVE 0.697 0.016 0.697 0.016 1.679
SPA 0.707 0.016 0.702 0.015 1.773
CARS 0.725 0.018 0.719 0.013 1.816
RF 0.732 0.012 0.728 0.013 1.917
3DCNN 0.858 0.015 0.847 0.016 1.910
BP UVE 0.703 0.018 0.698 0.013 1.779
SPA 0.715 0.012 0.712 0.014 1.897
CARS 0.709 0.013 0.709 0.013 1.941
RF 0.743 0.013 0.735 0.013 1.944
3DCNN 0.874 0.012 0.862 0.011 1.992
3 结论

1) 通过三维卷积神经网络(3D-CNN)构建的苹果品质参数检测模型, 增加对全波段光谱信息的提取, 比传统方法因选择特征波段而造成波段信息丢失的检测精度有较大提升。

2) 针对传统方法不能实现依靠相同信息和相同建模方法的多品质参数同时检测的问题, 引入多任务学习方法, 通过共享网络卷积层, 实现多任务的同时检测。结果表明该方法能同时检测苹果糖度、硬度、含水量, 且精度较高。

3) 探索对高光谱图像进行间隔波段抽取重组后检测的效果, 使用较少波段的高光谱图像也能达到预测精度。表明本算法适用于较低精度的高光谱图像, 能降低图像采集和模型训练成本。

基于高光谱图像和三维卷积神经网络(3D-CNN)的苹果多品质参数检测方法对苹果糖度、硬度、水分同时检测的准确率还有待提高, 后续将引入特征融合的方法进一步提高模型预测精度。

参考文献(References)
[1]
吴龙国, 何建国, 贺晓光, 等. 高光谱图像技术在水果无损检测中的研究进展[J]. 激光与红外, 2013, 43(9): 990-996.
Wu L G, He J G, He X G, et al. Research progress of hyperspectral imaging technology in non-destructive detection of fruit[J]. Laser & Infrared, 2013, 43(9): 990-996 (in Chinese with English abstract). DOI:10.3969/j.issn.1001-5078.2013.09.06
[2]
刘燕德, 程梦杰, 郝勇. 光谱诊断技术及其在农产品质量检测中的应用[J]. 华东交通大学学报, 2018, 35(4): 1-7.
Liu Y D, Cheng M J, Hao Y. Application of spectral diagnoses technology in determination of agricultural products quality[J]. Journal of East China Jiaotong University, 2018, 35(4): 1-7 (in Chinese with English abstract).
[3]
刘明涛, 刘亚, 郭俊先. 水果无损检测技术的研究与应用[J]. 农业科技与装备, 2017(6): 51-55.
Liu M T, Liu Y, Guo J X. Research and application on fruit nondestructive detection technology[J]. Agricultural Science & Technology and Equipment, 2017(6): 51-55 (in Chinese with English abstract).
[4]
冯迪, 纪建伟, 张莉, 等. 苹果品质高光谱成像检测技术研究进展[J]. 食品工业科技, 2017, 38(10): 389-394, 399.
Feng D, Ji J W, Zhang L, et al. Progress of hyperspectral imaging detection technology in apple quality[J]. Science and Technology of Food Industry, 2017, 38(10): 389-394, 399 (in Chinese with English abstract).
[5]
Mo C, Kim M S, Kim G, et al. Spatial assessment of soluble solid contents on apple slices using hyperspectral imaging[J]. Biosystems Engineering, 2017, 159: 10-21. DOI:10.1016/j.biosystemseng.2017.03.015
[6]
管晓梅, 杜军, 张立人, 等. 基于高光谱技术的果糖检测优化算法和可视化方法[J]. 光电子·激光, 2018, 29(2): 173-180.
Guan X M, Du J, Zhang L R, et al. Optimization and visualization for the prediction of apple sugar content based on hyperspectral imaging technology[J]. Journal of Optoelectronics·Laser, 2018, 29(2): 173-180 (in Chinese with English abstract).
[7]
Ekramirad N, Rady A, Adedeji A A, et al. Application of hyperspectral imaging and acoustic emission techniques for apple quality prediction[J]. Transactions of the ASABE, 2017, 60(4): 1391-1401. DOI:10.13031/trans.12184
[8]
Crichton S, Shrestha L, Hurlbert A, et al. Use of hyperspectral imaging for the prediction of moisture content and chromaticity of raw and pretreated apple slices during convection drying[J]. Drying Technology, 2018, 36(7): 804-816. DOI:10.1080/07373937.2017.1356847
[9]
单佳佳, 吴建虎, 陈菁菁, 等. 基于高光谱成像的苹果多品质参数同时检测[J]. 光谱学与光谱分析, 2010, 30(10): 2729-2733.
Shan J J, Wu J H, Chen J J, et al. Rapid nondestructive detection of apple quality attributes using hyperspectral scattering images[J]. Spectroscopy and Spectral Analysis, 2010, 30(10): 2729-2733 (in Chinese with English abstract). DOI:10.3964/j.issn.1000-0593(2010)10-2729-05
[10]
万相梅, 黄敏, 朱启兵. 基于高光谱散射图像的苹果压缩硬度和汁液含量无损检测[J]. 食品工业科技, 2012, 33(6): 71-74, 78.
Wan X M, Huang M, Zhu Q B. Non-destructive detection for compression hardness and juiciness in apple based on hyperspectral scattering image[J]. Science and Technology of Food Industry, 2012, 33(6): 71-74, 78 (in Chinese with English abstract).
[11]
Yuan L M, Cai J R, Sun L, et al. Nondestructive measurement of soluble solids content in apples by a portable fruit analyzer[J]. Food Analytical Methods, 2016, 9(3): 785-794. DOI:10.1007/s12161-015-0251-2
[12]
Dong J L, Guo W H. Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging[J]. Food Analytical Methods, 2015, 8(10): 2635-2646. DOI:10.1007/s12161-015-0169-8
[13]
Zhang D Y, Xu Y F, Huang W Q, et al. Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm[J]. Infrared Physics & Technology, 2019, 98: 297-304.
[14]
刘燕德.水果糖度和酸度的近红外光谱无损检测研究[D].杭州: 浙江大学, 2006.
Liu Y D. Study on methods of nondestructive measurement of sugar content and acidity in fruits using near-infrared spectroscopy[D]. Hangzhou: Zhejiang University, 2006(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10335-2006074042.htm
[15]
王昕, 李建桥, 任露泉, 等. 番茄果实采收后的硬度测定及其变化规律[J]. 农业机械学报, 2005, 36(6): 65-67.
Wang X, Li J Q, Ren L Q, et al. Mensuration and changes on firmness of tomato fruits during the post-harvest storage[J]. Transactions of the Chinese Society of Agricultural Machinery, 2005, 36(6): 65-67 (in Chinese with English abstract). DOI:10.3969/j.issn.1000-1298.2005.06.018
[16]
王浩云, 李亦白, 张煜卓, 等. 基于光子传输模拟的苹果品质高光谱检测源探位置研究[J]. 农业工程学报, 2019, 35(4): 281-289.
Wang H Y, Li Y B, Zhang Y Z, et al. Research on hyperspectral light and probe source location on apple for quality detection based on photon transmission simulation[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(4): 281-289 (in Chinese with English abstract).
[17]
Ji S W, Xu W, Yang M, et al. 3D convolutional neural networks for human action recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(1): 221-231. DOI:10.1109/TPAMI.2012.59
[18]
Tran D, Bourdev L, Fergus R, et al. Learning spatiotemporal features with 3D convolutional networks[C]//2015 IEEE International Conference on Computer Vision(ICCV), December 7-13, 2015.
[19]
Krizhevsky A, Sutskever I, Hinton G. Image net classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90. DOI:10.1145/3065386
[20]
Sun M L, Song Z J, Jiang X H, et al. Learning pooling for convolutional neural network[J]. Neurocomputing, 2017, 224: 96-104. DOI:10.1016/j.neucom.2016.10.049
[21]
Argyriou A, Evgeniou T, Pontil M. Convex multi-task feature learning[J]. Machine Learning, 2008, 73(3): 243-272. DOI:10.1007/s10994-007-5040-8
[22]
Zhang Y, Yang Q. An overview of multi-task learning[J]. National Science Review, 2018, 5(1): 30-43. DOI:10.1093/nsr/nwx105
[23]
Ruder S. An overview of multi-task learning in deep neural networks[M/OL]. New York: Cornell University Press, 2017[2017-06-15]. https: //arxiv.org/abs/1706.05098.
[24]
Ranjan R, Patel V M, Chellappa R. Hyperface:a deep multi-task learning framework for face detection, landmark localization, pose estimation, and gender recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 41(1): 121-135.