共測試以下五種樣品：

本次測試采用高光譜顏色測量設(shè)備進(jìn)行測量

? 高光譜相機(jī)覆蓋900~1700nm波長范圍

? 線性推掃成像方案

? 照明光源采用鹵素光源

? 測試時(shí)在暗室環(huán)境，樣品放置在水平位移臺上

大米 900-1700nm光譜曲線

大米樣本在900-1700波段的反射率曲線如下所示，正常大米與結(jié)塊異物的反射率曲線差異在1100nm附近比較明顯，二者區(qū)分的可行性較高。

CNN建模分類結(jié)果

利用CNN深度學(xué)習(xí)模型，對正常大米和雜質(zhì)進(jìn)行區(qū)分，大米中的結(jié)塊異物識別效果良好。

咖啡豆 900-1700nm光譜曲線

咖啡豆樣本在900-1700波段的反射率曲線如下所示，咖啡豆與木屑、枯葉片的整體反射率曲線差異明顯，利用光譜曲線特性區(qū)分雜質(zhì)的可行性較高。

CNN建模分類結(jié)果

利用CNN深度學(xué)習(xí)模型，對咖啡豆和木屑、枯葉等雜質(zhì)進(jìn)行區(qū)分，咖啡豆中的雜質(zhì)識別效果良好。

蘑菇900-1700nm光譜曲線

蘑菇樣本在900-1700波段的反射率曲線如下所示，蘑菇表面與薄膜、黑斑的整體反射率曲線差異明顯，利用光譜曲線特性區(qū)分雜質(zhì)的可行性較高。

CNN建模分類結(jié)果

利用CNN深度學(xué)習(xí)模型，對蘑菇和薄膜、黑斑等表面雜質(zhì)進(jìn)行區(qū)分，蘑菇表面識別效果較好，少量背景被錯(cuò)分為黑斑。

紫菜900-1700nm光譜曲線

紫菜樣本在900-1700波段的反射率曲線如下所示，紫菜與雜質(zhì)的整體反射率曲線差異明顯，利用光譜曲線特性區(qū)分雜質(zhì)的可行性較高。

CNN建模分類結(jié)果

利用CNN深度學(xué)習(xí)模型，對紫菜和羽毛、線頭等表面雜質(zhì)進(jìn)行區(qū)分，因受空間分辨率限制，細(xì)的線頭所占像元面積較少，導(dǎo)致代表性樣本不足，分類效果較差。

豆干900-1700nm光譜曲線

豆干樣本在900-1700波段的反射率曲線如下所示，正常豆干與包裝破損豆干的整體反射率曲線接近，差異不明顯，利用光譜曲線特性較難區(qū)分二者。

CNN建模分類結(jié)果

利用CNN深度學(xué)習(xí)模型，對正常豆干和包裝破損豆干進(jìn)行區(qū)分，因包裝材質(zhì)沒有發(fā)生變化，兩個(gè)樣品之間反射率幾乎無差異，分類效果較差，無明顯參考性。

總結(jié)：

? 利用900-1700nm高光譜相機(jī)測得的大米、咖啡豆、蘑菇等樣品的高光譜數(shù)據(jù)質(zhì)量良好，從反射率曲線中能夠看出食品樣本與摻雜異物之間的差異性，CNN深度學(xué)習(xí)分類結(jié)果良好，食品與異物具有較高的可分性。

? 紫菜中的雜質(zhì)較細(xì)小，在高光譜圖像中難以提取代表性樣品，區(qū)分效果較差。

? 因豆干外包裝的材質(zhì)沒有發(fā)生變化，包裝破損與正常豆干900-1700波段的反射率差異較小，二者區(qū)分的可行性不高。