2023年2月第44卷第1期河南工业大学学报(自然科学版)JournalofHenanUniversityofTechnology(NaturalScienceEdition)Feb.2023Vol.44No.1收稿日期:2022-03-10基金项目:国家重点研发计划项目(2019YFC1605304)作者简介:鲁玉杰(1971—),女,河南南阳人,教授,研究方向为储粮害虫生态学和分子生态学,E-mail:luyujie1971@163.com。基于近红外光谱技术及ELM对小麦中不同生长阶段米象的分类识别鲁玉杰1,2,王文敬1,张俊东1,王争艳1,卢少华11.河南工业大学粮油食品学院,河南郑州4500012.江苏科技大学粮食学院,江苏镇江212100摘要:对粮食中隐蔽性害虫的早期诊断和检测,不仅可以减少因害虫取食造成的粮食产后损失,还可以减少化学药剂的使用,对于保证粮食品质和减少环境污染具有重要的意义。基于近红外光谱技术与极限学习机(ELM)构建小麦中不同生长阶段米象的分类识别模型,采集未感染小麦和感染米象小麦的近红外光谱数据,选择SNV+De-trending的组合对原始光谱数据进行预处理,使用主成分分析(PCA)方法对光谱数据进行降维特征提取,利用ELM和支持向量机(SVM)建立分类识别模型。结果表明:ELM模型训练时间仅需0.0625s,总体分类准确率为90%,0、6、24和27d的识别率为100%,10~20d的幼虫期识别率偏低,20d时识别率最低,为65%;SVM模型运行时间为3.38s,分类准确率为85.42%,ELM模型较SVM模型的运行时间和分类准确率都有所提高。因此,ELM分类识别模型能够快速准确地判断小麦有无米象,以及分类识别小麦中不同生长发育阶段的米象。关键词:近红外;隐蔽性害虫;极限学习机;分类;米象;早期诊断中图分类号:TS210文献标志码:A文章编号:1673-2383(2023)01-0104-08DOI:10.16433/j.1673-2383.2023.01.014ClassificationandrecognitionofSitophilusoryzaeindifferentgrowthstagesofwheatbasedonnear-infraredspectroscopyandELMLUYujie1,2,WANGWenjing1,ZHANGJundong1,WANGZhengyan1,LUShaohua11.CollegeofFoodScienceandEngineering,HenanUniversityofTechnology,Zhengzhou450001,China2.SchoolofGrainScienceandTechnology,JiangsuUniversityofScienceandTechnology,Zhenjiang212100,ChinaAbstract:Earlydiagnosisanddetectionofhiddenpestsingraincouldnotonlyreducethepost-productionlossesofgraincausedbypestfeeding,butalsoreducetheuseofchemicals,whichareimportantformain-taininggrainqualityandreducingenvironmentalpollution.Inthispaper,aclassificationandidentificationmodel...
