年第2期
基于近红外光谱的家蚕种茧雌雄鉴别
模型在多设备和多品种间的迁移
陈楚汉1，钟苏苑2，
钟杨生3，王先燕2，代芬1
（1.华南农业大学电子工程学院，广东广州；2.广东省蚕业技术推广中心，广东广州；3.华南农业大学动物科学学院，广东广州）
摘要
在家蚕种茧雌雄鉴别设备推广应用中，为了减少新品种、新设备需要重新建模的难度和时间，进行了基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移研究。首先使用2种型号光谱仪（NirQuest光谱仪和SW光谱仪）采集4个品种蚕茧（9芙、7湘、7夏和）的近红外漫透射光谱数据；然后用源域数据集训练的卷积神经网络作为源域模型，并对其中的中间层输出进行可视化分析；针对不同的种茧品种和不同的采集设备对源域模型进行微调，构建了迁移后的模型； 将迁移后的模型预测准确率与卷积神经网络（Convolutionalneuralnetworks，CNN）、支持向量机（Supportvectormachine，SVM）和随机森林（Randomforests，RF）算法进行对比。采用源域个9芙样本（NirQuest光谱仪）构建的CNN源域模型，具有很好的雌雄分辨能力，分辨准确率达到99%以上。以源域CNN模型中间层输出作为输入构建的SVM和RF模型，雌雄分辨准确率分别为92%和90%以上，通过可视化分析表明卷积层能很好地提取雌雄特征。对于目标域中样本数量较少的个7湘（NirQuest光谱仪）、77个7夏和个的样本（SW光谱仪），训练集比例为70%时，通过微调源域CNN模型后得到的目标域CNN模型的准确率分别为96.90%、99.67%、97.29%，效果 ；独立的SVM模型准确率分别为92.49%、94.25%、93.65%，效果次之；独立RF模型的准确率分别为80.93%、80.17%、81.47%，效果稍差；独立CNN模型的准确率分别只有58.87%、56.33%、72.17%，效果最差。通过多次不同训练集数量的建模比较，同样显示在数据量较少的情况下，迁移学习后CNN模型 ，传统机器学习方法次之，深度CNN模型最差。不同光谱仪或者不同品种的情况下深度迁移学习模型的可迁移性，为使用多种光谱仪和采集多种品种蚕茧时快速建立一个蚕茧雌雄分类模型提供了理论和实践的依据。
点击“阅读原文”可浏览HTML全文
预览时标签不可点收录于话题#个上一篇下一篇
转载请注明：http://www.canadw.com/ylly/8032.html
当前位置： 蚕 > 蚕的天敌 > 基于近红外光谱的家蚕种茧雌雄鉴别模型在多
