来自北京工商大学计算机与信息工程学院的于重重、周兰、王鑫等以正常粒和包括黑胚粒、虫蚀粒、破损粒的不完善粒小麦为分类样本，采用高光谱技术建立CNN模型对上述4 种不完善粒进行四分类检测，从而推动对不完善粒小麦的快速、无损以及准确检测的发展。
1
数据预处理
为了实现小麦种子的单粒识别，采用10×10的网格对每类小麦的单粒光谱波段图像进行分割提取，然后去除边缘噪声较大的部分，截取图像的分辨率为400×500。从光谱扫描范围493～1106 nm中选取730.9～889.9 nm范围内的波段。另外，根据每个波段的光谱图成像质量，从波长730.9～889.9 nm的范围内选取30 个高光谱波段作为特征波进行分析。
2
CNN模型建立
切分10×10 的网格，切分出每一个籽粒作为样本单元，通过观察样本每个波段的光谱图成像质量，在每个样本中选择46～75之间光谱质量好的30 个波段，则每个样本具有30 个样本光谱图，总共有27960 个样本图作为CNN的输入图像数据，分别随机采用50%的样本作为训练集和测试集。4 类小麦类别的标签采用one-hot编码方式，分别为0001、0010、0100和1000。
建立相应参数的CNN 模型，即建立两层卷积，第1 层的卷积核大小为3×3，共32 个卷积核；第2 层卷积核大小为5×5，共64 个卷积核；池化层大小为2×2，选用最大池；激活函数采用修正线性单元（ReLu）；为防止过拟合，在全连接层后接入dropout层，参数设置为0.5。
3
CNN模型建立结果
由loss函数曲线可以看出，在迭代18000（900×20）次时，损失曲线开始陡降；迭代40000（2000×20）次左右之后，损失函数曲线降为0 。最终得到正常小麦、虫蚀粒小麦和破损粒识别率均为100 %，黑胚粒小麦样本识别率为99.98 %，样本总的正确分类识别率为99.98 %。因此可以反映该模型是可靠的。
无论是单个类型样本的识别率，还是总体识别率，除黑胚粒外，CNN 模型的识别率都比SVM 的高。所以可以看出CNN 模型在目标的检测识别上更加精确，高效。
结 论
首先根据高光谱图像采集系统得到932 个样本的高光谱图像，然后采用黑白标定的方法对高光谱数据进行降噪处理，然后从每个样本的116 个波段中，选出噪声较小的46～75 之间的30 个波段，建立CNN 的小麦不完善粒分类模型，分类准确率达到99.98 %。经过对比发现，CNN 分类模型优于SVM 分类模型。综上所述，基于深度学习算法的CNN 模型与高光谱检测技术相结合实现小麦的不完善粒的快速准确识别是可行的。
