基于MEA-BP神經網絡的大米水分含量高光譜技術檢測

孫 俊，唐 凱，毛罕平，張曉東，武小紅，高洪燕

基于MEA-BP神經網絡的大米水分含量高光譜技術檢測

孫 俊1,2，唐 凱1，毛罕平2，張曉東2，武小紅1，高洪燕2

（1.江蘇大學電氣信息工程學院，江蘇 鎮江 212013；2.江蘇大學 現代農業裝備與技術教育部重點實驗室，江蘇 鎮江 212013）

利用高光譜技術對儲藏大米的水分含量進行檢測。本實驗以120 個大米樣本為研究對象，采集所有大米樣本的高光譜圖像，利用多元散射校正的預處理方法對大米樣本原始光譜數據進行降噪處理。由于原始高光譜數據量大且冗余性強，故利用逐步線性回歸分析方法對預處理后的數據進行特征提取。最后建立BP神經網絡的大米水分定量檢測模型，由于建模效果沒有達到預期目標，因此引入遺傳算法（genetic algorithm，GA）和思維進化算法（mind evolutionary algorithm，MEA）優化BP神經網絡的權值和閾值。對BP、GA-BP、MEA-BP 3 種大米水分預測模型進行比較，3 種模型的預測集決定系數都達到0.86以上，其中MEA-BP模型具有最佳的預測效果，預測集決定系數達到0.966 3，且均方根誤差為0.81%。

高光譜；大米；水分含量；BP神經網絡；遺傳算法；思維進化算法

大米是重要的糧食作物，全球半數以上的人口以大米為主食[1]。大米安全度夏的水分含量標準一般認為是14.0%[2]，而據報道稻谷加工出的大米水分控制在14.5%～16.0%，能保證整精米率及保持米的質構和酶活力，增加米飯的食味品質[3-4]。目前，大米生產商對各種包裝的成品大米一律注明保質期6 個月，這是很粗放、很不科學的[5]。儲藏大米隨著儲藏條件和時間的變化表現出不同的水分散失率，因此參照固定值作為大米含水率無法滿足大米安全儲藏的要求，只有準確測量其含水率，才能優化選擇儲藏條件。大米在高溫高濕的條件下，呼吸強度極高，容易發熱，大米含水量超過安全標準時，發熱情況就極易發生，隨著儲藏時間的延長，更易使大米發熱霉變，甚至產生有毒物質，這不僅嚴重影響了大米的實用品質，甚至威脅著消費者的生命安全[6-7]。因此如何快速、準確檢測儲藏大米的水分含量具有十分重要的意義。

傳統的大米水分檢測是參照GB5497—1985《糧食、油料水分測定法》測定的，但是這些檢測方法的操作步驟過于繁瑣，檢測時間較長且容易受到諸多外界因素的干擾。高光譜技術作為近些年發展起來的一種快速無損檢測技術，已廣泛應用于農產品和食品品質的分析檢測中[8-12]。此外國內外已有一些專家學者利用高光譜技術對農產品和食品中各成分含量進行無損檢測。例如李丹等[13]研究表明利用高光譜圖像技術能夠準確的檢測小黃瓜的水分；孫俊等[14]利用高光譜技術對生菜葉片的水分進行了檢測研究；文韜等[15]利用高光譜技術對霉變稻谷中的脂肪酸含量的成功檢測；吳迪等[16]建立一種基于高光譜成像技術結合連續投影算法對葡萄果皮花色苷含量的檢測方法。但是國內外鮮有利用高光譜技術對大米水分含量進行無損檢測的報道。本實驗以大米作為研究對象，利用高光譜技術對大米水分含量進行檢測，建立BP神經網絡預測模型，通過遺傳算法（genetic algorithm，GA）和思維進化算法（mind evolutionary algorithm，MEA）優化神經網絡權值和閾值，利用優化后的權值和閾值建立新的BP神經網絡預測模型。

1 材料與方法

1.1 材料

實驗前在鎮江市歐尚超市購買10 kg優質金龍魚大米，然后立即送往實驗室進行大米樣本的制備。為了測定買來大米的初始水分含量，本實驗采用GB 5497—1985中105 ℃恒重法檢測測定出大米的初始水分含量，測得大米的初始水分含量為13.86%。然后稱取120 份大米，每份50 g，平均分為10 組，將其置于密封的干燥廣口PP試劑瓶中，并依次在瓶身貼上標簽。本實驗設定同一組大米樣品水分含量相同，不同組水分含量按梯度增加。第1組大米樣品水分含量設定為14%，之后每一組樣品水分含量按1.5%的水分梯度遞增。對于每一個樣品先根據大米水分含量求出所添加的蒸餾水的質量，已知樣品的水分含量CMW、初始水分含量CMW0以及樣品的質量m0，因此可以求出蒸餾水的質量mw，然后用注射器向樣品中緩慢滴入質量為mw的蒸餾水。每次向樣品中添加蒸餾水之后將樣品經多次搖勻，然后密封保存于實驗室陰涼干燥處24 h，使水分得到充分吸收。大米水分含量的計算如公式（1）所示：

1.2 儀器與設備

ImSpector V10E型高光譜圖像系統 芬蘭Spectral Imaging有限責任公司；Fiber-Lite DC950 Illuminator 150 W光纖鹵素燈 美國Dolan Jenner Industries公司；Zolix SC30021A精密電控平移臺 北京Zolix公司；SC100控制箱 中國北京光學儀器廠；電熱風機恒溫干燥箱中國天津宏承諾儀器有限公司；分辨率為0.001 g的微量天平測量儀 中國杭州萬特衡器有限公司。

1.3 高光譜圖像數據的采集

經過預實驗確定高光譜圖像采集系統的最佳參數如下：電荷耦合元件相機的曝光時間為20 ms，移動平臺的速率為1.25 mm/s，光譜儀的分辨率為5 nm。由于在高光譜成像系統中光源強度分布不均勻且有暗電流的存在，需要對高光譜成像系統進行黑白標定[17]。實驗時將大米樣本均勻的平鋪滿廣口PP試劑瓶白色小圓蓋，然后將樣本緩慢的放到鋪有白紙的移動平臺中心處，關閉控制箱暗箱門，然后對樣本進行高光譜圖像的采集。依次采集120 個大米樣本的高光譜圖像。

1.4 建模算法

1.4.1 BP神經網絡

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋神經網絡，是目前應用最廣泛的神經網絡模型之一[18]。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡通常具有三層及三層以上神經元的神經網絡，包括輸入層，隱含層和輸出層，本實驗構建三層結構的BP神經網絡[19]。BP神經網絡[20-21]具體訓練過程如下：

1）神經網絡初始化。初始化輸入層節點數n、隱含層節點數l、輸出層節點數m，初始化輸入層與輸出層神經元之間的連接權值Wij，隱含層與輸出層之間權值Wjk，初始化隱含層和輸出層閾值分別為a、b，給定學習速率η和神經元激勵函數f，神經網絡的權值和閾值一般是通過隨機初始化為[－0.5, 0.5]區間的隨機數。

2）計算隱含層輸出。

式中：Yk為輸出層。

4）計算誤差。根據神經網絡的預測輸出Y與期望輸出O計算網絡預測誤差。

5）更新權值和閾值。通過步驟4），若誤差不滿足條件則對權值和閾值進行更新，經過反復訓練，直到誤差滿足條件則停止訓練，得出最優權值和閾值。

式中：X為輸入變量；Hj為隱含層的輸出。

3）計算輸出層。

式中：aj、bk為不斷更新的閾值。

1.4.2 GA-BP神經網絡

GA是一類借鑒生物界自然選擇和自然遺傳機制的隨機搜索算法，是從隨機產生的初始解開始搜索，通過一定的選擇、交叉、變異操作逐步迭代以產生新的解。其中染色體的好壞用適應度值來衡量，根據適應度的好壞從上一代中選擇一定數量的優秀個體，通過交叉變異形成下一代群體，經過若干代進化之后，算法收斂于最好的染色體（問題全局最優解），然后按照編碼規則對這個最好的染色體進行解碼，即用于建立BP神經網絡模型初始權值和閾值[22]。GA優化BP神經網絡主要分為BP神經網絡結構確定、GA優化權值和閾值、BP神經網絡訓練和預測[23]。其中BP神經網絡的拓撲結構是根據實驗樣本的輸入和輸出參數個數確定的。

1.4.3 MEA-BP神經網絡

MEA是孫承意等[24]針對進化算法訓練時間長、早熟等不完善之處提出的新算法。MEA引用GA中“群體”與“進化”的核心內容的同時，還在算法中引入“趨同”與“異化”算子。MEA是一種通過迭代進行優化的學習算法，進化過程的每一代的所有個體組合成一個群體，一個群體中包含若干數量的子群體，子群體包括兩類：優勝子群體和臨時子群體，本實驗優勝子群體和臨時子群體個數都設置為5。趨同是在子群體內進行選擇，而異化是在整個群體范圍內進行選擇。在系統運行中，趨同與異化過程同時進行，相輔相成，共同提高整個系統的全局搜索效率。當優勝子群體中各個子群體都己成熟（得分不再增加），而且在各個子群體周圍均沒有更好的個體，則不需要執行趨同操作；臨時子群體中得分最高的子群體的得分均低于優勝子群體中任意子群體的得分時，也不需要執行異化操作，此時系統達到全局最優值[25]。MEA優化BP神經網絡的具體實施步驟如下[26]：

1）產生訓練集和測試集。本實驗將樣本按照3∶1比例分為校正集和預測集。

2）初始種群、優勝子種群和臨時子種群的產生。MATLAB軟件提供了初始種群產生函數initpop generate()、子種群產生函數subpop generate()，因此可方便地產生初始種群、優勝子種群和臨時子種群。

3）首先執行趨同操作，然后利用種群成熟判別函數ismature()判定各個子群體是否成熟。若成熟則趨同操作結束，若不成熟，則以新的中心產生子種群，之后再進行趨同操作，直至子種群成熟。在每個子群體內搜索出得分最高的個體，并將此個體的得分作為該子群體的得分。

4）若臨時子群體得分高于優勝子群體的子群體

進行異化操作，該臨時子群體的個體替代優勝子群體中的個體，原處于優勝子群體中的個體被釋放；如果臨時子群得分低于任意一個優勝子群，則該子群被釋放。

5）當滿足迭代停止的條件時，結束優化過程，不滿足則繼續執行優化。

6）依據編碼規則，解碼最優個體，得到對應的神經網絡的權值和閾值。將優化后的神經網絡的權值和閾值作為BP神經網絡的初始權值和閾值，利用訓練集樣本對BP神經網絡進行訓練。

2 結果與分析

2.1 感興趣區域的提取

在高光譜數據提取之前首先需要確定高光譜圖像的感興趣區域（region of interest，ROI），ROI選取的好壞直接影響之后建立的模型預測精度[27]。在做高光譜采集實驗時，大米與瓶蓋交界處會產生部分陰影區域，因此本實驗利用ENVI軟件通過圖像分割技術將單個大米樣本從背景中分離出來，實驗統一在樣本的中心區域手動選取大小為30像素×30像素的正方形區域作為ROI。然后求取ROI內所有像素點光譜的平均值作為該大米樣本的光譜值，依次提取所有大米樣本的平均光譜值。

2.2 光譜預處理結果

在大米樣本的采集過程中由于受硬件的影響，獲取的樣本數據在開始和結束時受噪聲影響較大，因此本實驗剔除開始14 個波段，結束5 個波段，最終采用的波段范圍為920.54～1 748.85 nm，利用MATLAB軟件繪制所有大米樣本原始光譜曲線圖，如圖1A所示。從圖中容易看出前4 個樣本誤差較大，手動剔除前4 個樣本。由于光譜數據主要受電噪音、光散射、基線漂移、光程變化等因素的干擾[28]，因此本實驗利用多元散射校正（multiplescattering correction，MSC）對原始數據進行預處理，多元散射校正可以減少表面的散射特性對光譜產生的影響。預處理后的大米光譜曲線圖如圖1B所示。

圖 1 原始（A）和MSC預處理后（B）的光譜曲線圖Fig. 1 Original spectra before (A) and after (B) MSC pretreatment

2.3 特征波長的選取

原始高光譜數據具有波段多、數據量大、冗余性強等特點，若直接用全波段數據進行數據建模就會導致建模效率低、模型的性能差，因此本實驗從特征選擇的角度對高光譜數據進行降維[29]。實驗采用SPSS軟件對高光譜數據進行降維，利用逐步線性回歸分析方法進行變量的篩選，最終選擇出12 個特征波長1 163.9、1 363.8、1 170.7、1 354.4、1 594.4、1 417.2、1 373.2、1 323.0、1 345.0、1 382.6、1 351.3、1 608.3 nm。

2.4 預測模型與結果分析

2.4.1 預測模型

構建3 層結構的BP神經網絡，其中輸入層的神經元個數為12 個，即特征波長個數，輸出層神經元個數為1，即大米的水分含量；在3 層網絡中，隱含層神經元個數n2和輸入層神經元個數n1之間有近似關系：n2=2×n1+ 1[30]，由公式可知模型的隱含層神經元個數為25 個。輸入層到輸出層的傳遞函數為正切S形傳遞函數，隱含層到輸出層的傳遞函數為對數S形傳遞函數。本實驗利用Levenberg-Marquardt算法對網絡進行訓練，具體網絡參數設置為訓練次數1 000 次，訓練目標0.001，學習速率為0.1。本實驗大米樣本按3∶1的比例分為校正集和驗證集，其中87 個為校正集，29 個為預測集。利用特征波段對數據進行BP神經網絡的建模。由于BP神經網絡學習收斂速度太慢、不能保證收斂到全局最小點、網絡結構的不易確定，本實驗引入GA和MEA對其權值和閾值進行優化，再將優化后的權值和閾值作為BP神經網絡的初始權值和閾值進行訓練，以期達到更佳的建模效果。對于MEABP模型訓練結果分析，結果如圖2所示，其中圖中的得分代表訓練集均方根誤差的倒數。對比圖2A、B：當優勝子群體中各個子群體都已成熟（得分不再增加），而且在各個子群體周圍均沒有更好的個體，則不需要執行趨同操作。臨時子群體中得分最高的子群體的分數均低于優勝子群體中任意子群體的得分，因此也不需要執行異化操作，此時系統達到全局最優值。然后按照編碼規則對這個最優個體進行解碼，即為BP神經網絡的初始權值和閾值。

圖 2 優勝子群（A）、臨時子群（B）趨同過程Fig. 2 Convergence of the superior (A) and temporary (B) subgroups

2.4.2 BP與GA-BP和MEA-BP模型結果分析

首先利用12 個特征波長建立BP神經網絡的預測模型，然后引入MEA優化BP神經網絡的權值和閾值進行建模，為了讓MEA-BP預測結果更有說服力，將優化前后的建模結果與GA-BP建模結果進行對比，結果如表1所示，預測集預測結果對比如圖3所示，從表1和圖3可以看出，經過GA和MEA優化后的模型的預測效果有了明顯地提升，預測集的決定系數都達到了0.92以上。其中MEABP模型較GA-BP模型具有更優的模型效果，預測集決定系數達到了0.966 3。

表 1 BP與GA-BP和MEA-BP模型結果比較Table 1 Comparison among BP, GA-BP and MEA-BP models

圖 3 預測集預測結果對比Fig. 3 Comparison of validation results for the prediction set

3 結 論

首先利用高光譜圖像采集系統獲取120 個大米樣本的高光譜圖像，采用MSC對高光譜數據進行降噪處理，然后通過逐步線性回歸方法提取出12 個特征波長，建立了特征波長條件下的BP、GA-BP和MEA-BP 3 種水分預測模型。經對比分析發現：經過GA和MEA算法優化后的預測模型比BP預測模型效果更好，校正集和預測集的決定系數均達到0.92以上。其中，MEA-BP模型中，大米樣本光譜數據信息與含水量的決定系數R2更高（預測集0.966 3）。由此可見，MEA-BP模型具有更好地預測能力。結果表明，利用高光譜分析技術用于檢測儲藏大米的水分含量是可行的，其能夠快速、有效、無損檢測大米的水分含量。

[1] 李湘, 郭東權, 陳云堂, 等. 電子束輻照對大米營養和蒸煮品質的影響[J]. 農業工程學報, 2012, 28(15): 251-257. DOI:10.3969/ j.issn.1002-6819.2012.15.040.

[2] 潘巨忠, 曹鵬, 薛旭初, 等. 不同含水量大米儲藏效果研究[J]. 煙臺大學學報(自然科學與工程版), 2006, 19(1): 36-40. DOI:10.3969/ j.issn.1004-8820.2006.01.008.

[3] 李益良, 潘朝松, 江欣, 等. 小包裝優質鮮米品質變化及保鮮期的研究[J]. 糧食儲藏, 2005, 34(1): 31-37. DOI:10.3969/ j.issn.1000-6958.2005.01.008.

[4] 馬濤, 毛闖, 趙琨. 大米水分與食味品質和儲藏關系的研究[J]. 糧食與飼料工業, 2007(5): 3-4. DOI:10.3969/j.issn.1003-6202.20 07.05.002.

[5] 陳慧, 孫旭璐, 彭文怡, 等. 影響大米儲藏保質期的主要因素研究[J]. 糧食與油脂, 2016, 29(2): 27-29. DOI:10.3969/ j.issn.1008-9578.2016.02.007.

[6] PE?A-MéNDEZ E M, HERNáNDEZ-SUáREZ M, DIAZ ROMERO C, et al. Characterization of various chestnut cultivars by means of chemometrics approach[J]. Food Chemistry, 2008, 107(1): 537-544. DOI:10.1016/j.foodchem.2007.08.024.

[7] 王立峰, 陳超, 楊精華, 等. 大米小包裝儲藏過程中脂類及微觀結構的變化[J]. 中國農業科學, 2015, 48(9): 1807-1817. DOI:103864/ j.issn.0578-1752.2015.09.14.

[8] 張保華, 李江波, 樊書祥, 等. 高光譜成像技術在果蔬品質與安全無損檢測中的原理及應用[J]. 光譜學與光譜分析, 2014, 34(10): 2743-2751. DOI:10.3964/j.issn.1000-0593(2014)10-2743-09.

[9] 洪添勝, 李震, 吳春胤, 等. 高光譜圖像技術在水果品質無損檢測中的應用[J]. 農業工程學報, 2007, 23(11): 280-285. DOI:10.3321/ j.issn:1002-6819.2007.11.052.

[10] 劉建學, 楊瑩, 韓四海, 等. 高光譜成像技術在食品品質無損檢測中的應用[J]. 食品工業科技, 2016, 37(3): 389-393. DOI:10.13386/ j.issn1002-0306.2016.03.073.

[11] 洪添勝, 喬軍, Ning Wang, 等. 基于高光譜圖像技術的雪花梨品質無損檢測[J]. 農業工程學報, 2007, 23(2): 151-155. DOI:10.3321/ j.issn:1002-6819.2007.02.030.

[12] 蔣蘋, 羅亞輝, 胡文武, 等. 基于高光譜的油茶籽內部品質檢測最優預測模型研究[J]. 農機化研究, 2015(7): 56-60. DOI:10.13427/j.cnki. njyi.2015.07.013

[13] 李丹, 何建國, 劉貴珊, 等. 基于高光譜成像技術的小黃瓜水分無損檢測[J]. 紅外與激光工程, 2014, 43(7): 2393-2397. DOI:10.3969/ j.issn.1007-2276.2014.07.060.

[14] 孫俊, 武小紅, 張曉東, 等. 基于高光譜圖像的生菜葉片水分預測研究[J]. 光譜學與光譜分析, 2013, 33(2): 522-526. DOI:10.3964/ j.issn.1000-0593 (2013)02-0522-05.

[15] 文韜, 洪添勝, 李立君, 等. 基于高光譜技術的霉變稻谷脂肪酸含量無損檢測[J]. 農業工程學報, 2015, 31(18): 233-239. DOI:10.11975/ j.issn.1002-6819.2015.18.032.

[16] 吳迪, 寧紀鋒, 劉旭, 等. 基于高光譜成像技術和連續投影算法檢測葡萄果皮花色苷含量[J]. 食品科學, 2014, 35(8): 57-61. DOI: 10.7506/spkx1002-6630-201408010.

[17] 孫俊, 金夏明, 毛罕平, 等. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J]. 農業工程學報, 2014, 30(10): 167-173. DOI:10.3969/j.issn.1002-6819.2014.10.021.

[18] 朱文學, 孫淑紅, 陳鵬濤, 等. 基于BP神經網絡的牡丹花熱風干燥含水率預測[J]. 農業機械學報, 2011, 42(8): 128-130. DOI:10.3969/ j.issn.1000-1298.2011.08.025.

[19] 卓金武, 李必文, 魏永生, 等. MATLAB在數學建模中的應用[M]. 2版. 北京: 北京航空航天大學出版社, 2014: 122-123.

[20] 趙辰, 南星恒. 基于MEA-BP神經網絡的財務危機預警研究[J].財會通訊, 2016(1): 43-46. DOI:10.16144/j.cnki.issn1002-8072.2016.01.013.

[21] 張以帥, 賴惠鴿, 李勇, 等. 基于MEA優化BP神經網絡的天然氣短期負荷預測[J]. 自動化與儀表, 2016(5): 15-19.

[22] 馬永杰, 云文霞. 遺傳算法研究進展[J]. 計算機應用研究, 2012, 29(4): 1201-1206. DOI:10.3969/j.issn.1001-3695.2012.04.001.

[23] 劉奕君, 趙強, 郝文利. 基于遺傳算法優化BP神經網絡的瓦斯濃度預測研究[J]. 礦業安全與環保, 2015, 42(2): 56-60. DOI:10.3969/ j.issn.1008-4495.2015.02.014.

[24] 孫承意, 孫巖, 謝克明. 思維進化: 高效率的進化計算方法[C]//全球智能控制與自動化大會會議論文集. 合肥: 中國科學技術大學, 2000: 118-121.

[25] 黃俊, 馮勇健. 基于思維進化神經網絡的真空隔熱板真空度測量精度改進方法研究[J]. 真空科學與技術學報, 2015, 35(5): 528-532. DOI:10.13922/j.cnki.cjovst.2015.05.02.

[26] 趙瑞勇, 周新志. 基于MEA-BP的微波加熱褐煤溫度預測[J]. 傳感器與微系統, 2016, 35(10): 43-48. DOI:10.13873/J.1000-9787(2016)10-0043-03.

[27] 孫俊, 金夏明, 毛罕平, 等. 基于高光譜圖像的生菜葉片氮素含量預測模型研究[J]. 分析化學, 2014, 42(5): 672-677. DOI:10.3724/ SP.J.1096.2014.31120.

[28] 郭紅艷, 劉貴珊, 吳龍國, 等. 基于高光譜成像的馬鈴薯環腐病無損檢測[J]. 食品科學, 2016, 37(12): 203-207. DOI:10.7506/spkx1002-6630-201612036.

[29] 黃雙萍, 洪添勝, 岳學軍, 等. 基于高光譜的柑橘葉片氮素含量多元回歸分析[J]. 農業工程學報, 2013, 29(5): 132-138. DOI:10.3969/ j.issn.1002-6819.2013.05.018.

[30] 郁磊, 史峰, 王輝, 等. 智能算法30 個案例分析[M]. 2版. 北京: 北京航空航天大學出版社, 2015: 29-30.

Hyperspectral Detection of Moisture Content in Rice Based on MEA-BP Neural Network

SUN Jun1,2, TANG Kai1, MAO Hanping2, ZHANG Xiaodong2, WU Xiaohong1, GAO Hongyan2
(1. School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China; 2. Key Laboratory of Modern Agricultural Equipment and Technology, Ministry of Education, Jiangsu University, Zhenjiang 212013, China)

In this paper, hyperspectral technology was used to detect the moisture content in rice. Hyperspectral images of 120 rice samples were collected and preprocessed by multiple scatter correction (MSC). Due to the large amount of original spectral data and their strong redundancy, a stepwise regression (SWR) analysis method was adopted for feature extraction after preprocessing. Finally, a quantitative prediction model for rice moisture content was built based on BP neural network with and without optimization of weight and threshold optimized using genetic algorithm (GA) and mind evolutionary algorithm (MEA), respectively. A comparison was made among BP, GA-BP and MEA-BP prediction models, of which the determination coefficients for the prediction set were all above 0.86. The results showed that the prediction performance of MEA-BP model was the best among these three models with a determination coefficient for the validation set of 0.966 3, and a root mean square error of 0.81%.

hyperspectral; rice; moisture content; BP neural network; genetic algorithm; mind evolutionary algorithm

10.7506/spkx1002-6630-201710044

TS201；S379

A

1002-6630（2017）10-0272-05

孫俊, 唐凱, 毛罕平, 等. 基于MEA-BP神經網絡的大米水分含量高光譜技術檢測[J]. 食品科學, 2017, 38(10): 272-276.

DOI:10.7506/spkx1002-6630-201710044. http://www.spkx.net.cn

SUN Jun, TANG Kai, MAO Hanping, et al. Hyperspectral detection of moisture content in rice based on MEA-BP neural network[J]. Food Science, 2017, 38(10): 272-276. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201710044. http://www.spkx.net.cn

2016-07-15

國家自然科學基金面上項目（31471413）；江蘇高校優勢學科建設工程資助項目PAPD（蘇政辦發2011 6號）；

江蘇大學現代農業裝備與技術重點實驗室開放基金項目（NZ201306）；江蘇省六大人才高峰資助項目（ZBZZ-019）

孫俊（1978—），男，教授，博士，研究方向為計算機技術在農業工程中的應用。E-mail：sun2000jun@ujs.edu.cn