食品行業
本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。
大豆為我國主要糧作物之一，同時也是我國進口量最大的農產品之一，其在食品、飼用、醫藥和工業等方面都有著重要的地位。大豆的品質檢測是在大豆交易和流通中的一個重要環節，同時大豆蟲害是嚴重影響大豆品質的重要因素。其中大豆食心蟲是一種頻發的蟲害，嚴重影響大豆的品質和質量。
目前，大豆品質檢測大多還停留在人工肉眼觀測和化學分析檢測方法上面，少量研究將高光譜技術結合機器學習應用于病蟲害的無損檢測。人工檢測比較主觀，準確率和效率低下；化學檢測時間周期長，破壞樣本；圖像處理檢測則需要大量樣本訓練判別模型，且這些方法很難直接移植到大豆食心蟲蟲害檢測領域。本文旨在利用高光譜成像技術，結合深度學習小樣本元學習思想實現對大豆食心蟲蟲害程度的無損檢測，實現在少量樣本下的高精度檢測，在舍去昂貴的樣本標注費用和時間的同時達到優異的檢測成果，具有一定的社會價值，同樣該方法的思想對于別的檢測領域也有借鑒價值。
主要研究工作和貢獻如下∶本研究針對大豆食心蟲蟲害進行無損檢測，應用高光譜圖像結合小樣本元學習分類算法，對貯存期的大豆受大豆食心蟲侵蝕程度的無損檢測進行初步研究。本論文只要完成的工作如下∶
（1）提出了基于三維關系網絡小樣本元學習算法的大豆食心蟲蟲害高光譜檢測方法。本文提出了針對高光譜圖像分類的三維關系網絡元學習模型（3D-RN），能夠在實驗對象樣本數量稀少的情況下對高光譜圖像進行分類檢測。本文利用高光譜成像技術采集含有蟲卵的，含有食心蟲幼蟲的，被啃食的及正常的大豆的高光譜圖像，并對采集得到的高光譜圖像采用黑白校正和Savitzky-Golay（SG）濾波算法預處理高光譜圖像的光譜信息，在采用主成分分析法（PCA）選取貢獻最大的前9個特征波長從而降低高光譜圖像的維度。通過使用CutMix數據增廣方法增加元訓練集的數據，從而增加模型的先驗知識，使得模型性能更優。
并將Gradual WarmUp 方法實踐于高光譜圖像分類領域，優化了模型的學習率，使得模型更加的穩定。最后建立模型無關元學習（MAML），匹配網絡元學習（MN），原型網絡元學習（PN）和本文提出的三維關系網絡元學習（3D-RN）四個小樣本元學習算法的大豆食心蟲蟲害程度檢測模型。實驗結果表明，3D-RN模型表現最好，在學習率為0.01，元訓練集個任務數據中各類的支撐集數據為5的情況下，準確率可達82±2.50%。
?。?）提出了基于 A-ResNet 元學習模型的大豆食心蟲蟲害高光譜檢測方法。實驗利用高光譜成像系統采集正常的以及受大豆食心蟲侵害的大豆高光譜圖像，并使用黑白校正，SG平滑方法以及PCA方法預處理高光譜圖像，并提取圖像的感興趣區。采用CutMix等方法增加數據集樣本量。本文為了進一步提高大豆食心蟲蟲害檢測模型的準確率，針對3D-RN模型的弊端，本文提出了A-ResNet元學習模型，該模型將ResNet 網絡與Attention思想相結合，獲取更加能夠表述樣本的特征向量以此來提升模型性能。
并舍棄了特征拼接的步驟，減少了模型的運行時間，并且簡化了分類模型，將分類模型設計為多分類支持向量機，來減少模型中出現的過擬合現象。實驗將A-ResNet元學習模型的結果與MAML、MN、PN 和 3D-RN 模型進行比較。實驗表明，A-ResNet 元學習模型在5-shot 情況下的表現最好，準確率達到94.57±0.19%。
