[论文解读] Rice Classification Using Hyperspectral Imaging and Deep Convolutional Neural Network

Itthi Chatnuntawech, Kittipong Tantisantisom+4 more|arXiv (Cornell University)|May 29, 2018

Spectroscopy and Chemometric Analyses被引用 1

一句话总结

本研究提出了一种结合高光谱成像与深度卷积神经网络（CNN）的非破坏性稻米品种分类系统，可自动从原始数据中提取时空特征。该方法相较于传统的基于支持向量机（SVM）的方法，平均分类准确率最高提升11.9%，展现出无需手工特征工程的优越性能。

ABSTRACT

Rice has been one of the staple foods that contribute significantly to human food supplies. Numerous rice varieties have been cultivated, imported, and exported worldwide. Different rice varieties could be mixed during rice production and trading. Rice impurities could damage the trust between rice importers and exporters, calling for the need to develop a rice variety inspection system. In this work, we develop a non-destructive rice variety classification system that benefits from the synergy between hyperspectral imaging and deep convolutional neural network (CNN). The proposed method uses a hyperspectral imaging system to simultaneously acquire complementary spatial and spectral information of rice seeds. The rice varieties are then determined from the acquired spatio-spectral data using a deep CNN. As opposed to several existing rice variety classification methods that require hand-engineered features, the proposed method automatically extracts spatio-spectral features from the raw sensor data. As demonstrated using two types of rice datasets, the proposed method achieved up to 11.9% absolute improvement in the mean classification accuracy, compared to the commonly used classification methods based on support vector machines.

研究动机与目标

• 为解决生产与贸易过程中稻米品种混杂的问题，该问题会损害进口商与出口商之间的信任。
• 开发一种利用先进成像与机器学习技术进行准确稻米品种分类的非破坏性方法。
• 通过利用深度CNN自动从原始高光谱数据中学习时空表征，消除对手工设计特征的需求。
• 在稻米品种识别中，超越传统方法（如支持向量机）的分类准确率。

提出的方法

• 高光谱成像系统可同时捕获单个稻米种子的时空信息。
• 成像系统获取的原始时空数据被直接输入深度卷积神经网络（CNN），实现端到端的特征学习。
• CNN无需人工特征工程，即可自动提取分层的时空特征。
• 网络经过训练，可根据其独特的光谱与空间特征将稻米种子分类至不同品种。
• 该方法在两个稻米数据集上进行评估，以检验其泛化能力与鲁棒性。
• 性能与传统支持向量机（SVM）进行对比，使用相同的数据库与评估协议。

实验结果

研究问题

• RQ1 深度CNN能否在无需手工特征工程的情况下，有效从原始高光谱数据中学习用于稻米品种分类的时空特征？
• RQ2 所提出的基于CNN的方法在稻米数据集上的分类准确率与传统基于SVM的方法相比如何？
• RQ3 高光谱成像与深度学习的结合在多大程度上提升了稻米品种识别中的分类性能？
• RQ4 所提出的方法在不同稻米数据集上是否具备鲁棒性与泛化能力？

主要发现

• 与基于支持向量机的方法相比，所提出方法在平均分类准确率上最高提升11.9个百分点。
• 深度CNN成功地从原始高光谱数据中自动学习到具有判别性的时空特征，无需手工特征工程。
• 该系统在两个不同的稻米数据集上均表现出色，表明其具备良好的鲁棒性与泛化能力。
• 高光谱成像提供了足够的光谱与空间细节，可有效区分不同稻米品种。
• 结果证实，对原始传感器数据进行端到端深度学习，在稻米品种分类中优于传统机器学习方法。
• 该方法为稻米供应链中的质量控制与可追溯性提供了一种切实可行的非破坏性解决方案。