食品行业
本研究应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。
大豆为我国主要粮作物之一，同时也是我国进口量最大的农产品之一，其在食品、饲用、医药和工业等方面都有着重要的地位。大豆的品质检测是在大豆交易和流通中的一个重要环节，同时大豆虫害是严重影响大豆品质的重要因素。其中大豆食心虫是一种频发的虫害，严重影响大豆的品质和质量。
目前，大豆品质检测大多还停留在人工肉眼观测和化学分析检测方法上面，少量研究将高光谱技术结合机器学习应用于病虫害的无损检测。人工检测比较主观，准确率和效率低下；化学检测时间周期长，破坏样本；图像处理检测则需要大量样本训练判别模型，且这些方法很难直接移植到大豆食心虫虫害检测领域。本文旨在利用高光谱成像技术，结合深度学习小样本元学习思想实现对大豆食心虫虫害程度的无损检测，实现在少量样本下的高精度检测，在舍去昂贵的样本标注费用和时间的同时达到优异的检测成果，具有一定的社会价值，同样该方法的思想对于别的检测领域也有借鉴价值。
主要研究工作和贡献如下∶本研究针对大豆食心虫虫害进行无损检测，应用高光谱图像结合小样本元学习分类算法，对贮存期的大豆受大豆食心虫侵蚀程度的无损检测进行初步研究。本论文只要完成的工作如下∶
（1）提出了基于三维关系网络小样本元学习算法的大豆食心虫虫害高光谱检测方法。本文提出了针对高光谱图像分类的三维关系网络元学习模型（3D-RN），能够在实验对象样本数量稀少的情况下对高光谱图像进行分类检测。本文利用高光谱成像技术采集含有虫卵的，含有食心虫幼虫的，被啃食的及正常的大豆的高光谱图像，并对采集得到的高光谱图像采用黑白校正和Savitzky-Golay（SG）滤波算法预处理高光谱图像的光谱信息，在采用主成分分析法（PCA）选取贡献最大的前9个特征波长从而降低高光谱图像的维度。通过使用CutMix数据增广方法增加元训练集的数据，从而增加模型的先验知识，使得模型性能更优。
并将Gradual WarmUp 方法实践于高光谱图像分类领域，优化了模型的学习率，使得模型更加的稳定。最后建立模型无关元学习（MAML），匹配网络元学习（MN），原型网络元学习（PN）和本文提出的三维关系网络元学习（3D-RN）四个小样本元学习算法的大豆食心虫虫害程度检测模型。实验结果表明，3D-RN模型表现最好，在学习率为0.01，元训练集个任务数据中各类的支撑集数据为5的情况下，准确率可达82±2.50%。
（2）提出了基于 A-ResNet 元学习模型的大豆食心虫虫害高光谱检测方法。实验利用高光谱成像系统采集正常的以及受大豆食心虫侵害的大豆高光谱图像，并使用黑白校正，SG平滑方法以及PCA方法预处理高光谱图像，并提取图像的感兴趣区。采用CutMix等方法增加数据集样本量。本文为了进一步提高大豆食心虫虫害检测模型的准确率，针对3D-RN模型的弊端，本文提出了A-ResNet元学习模型，该模型将ResNet 网络与Attention思想相结合，获取更加能够表述样本的特征向量以此来提升模型性能。
并舍弃了特征拼接的步骤，减少了模型的运行时间，并且简化了分类模型，将分类模型设计为多分类支持向量机，来减少模型中出现的过拟合现象。实验将A-ResNet元学习模型的结果与MAML、MN、PN 和 3D-RN 模型进行比较。实验表明，A-ResNet 元学习模型在5-shot 情况下的表现最好，准确率达到94.57±0.19%。
