小麦图谱是多种小麦品种的图像集,其在小麦相关特性的研究方面发挥着重要作用。小麦品种分类对小麦的产业优化和食品加工具有重要指导意义,由于现今主流的化学分析和经验学习等检测手段存在着各种不足,因此迫切需要引入一种新颖的快速无损小麦检测方法。本文以小麦品种分类准确率为研究目标,开展了与小麦特征相关的技术研究。小麦图谱的采集与处理是小麦特征研究的重要环节。本文采集的小麦品种种类包括美麦DNS、美麦NS、师栾02-1、郑麦366、匈牙利、澳麦APH、济南17、洲元9369和永良4号共9种。文中对采集到的小麦图片进行了种类标记,并把图谱数据集打包为二进制,提高后期计算处理速率。文中在图谱数据集预处理上采用了数据平衡和数据增广方法,有利于增强小麦图谱集的表达能力。本文根据小麦的统计特征原理和深度学习原理设计了两种小麦特征研究方案。首先,通过提取小麦的颜色、形态和纹理统计特征,设计了基于启发式的小麦特征分析方案。文中使用完全梯度聚类算法对小麦统计特征和小麦分类效果之间关系进行了对比研究。研究表明,统计特征对小麦分类效果的影响大小依次为形态、纹理和颜色,并且随着小麦品种数的增加,统计特征对小麦分类效果降低,因此小麦统计特征方法不具有适用性。其次,根据深度学习的特征提取能力,设计了基于卷积神经网络的小麦特征分析方案。文中通过对比实验确定了能实现9种小麦分类的最佳网络结构,并且利用数据预处理方法对网络模型的泛化力进行提升。实验结果表明卷积神经网络更能提取小麦的深层特征,小麦分类效果更好,使用数据预处理后模型能取得更好的泛化性能。同时,实验结果的可视化也反映了网络中小麦特征的逐层抽象变化。本文的两种实验方案都在相同的小麦图谱数据集下进行,结果表明传统小麦统计特征的研究方法不具有适用性,不能肩负复杂多变的小麦分类任务。同时,结果表明深度学习方法在小麦特征提取和分类性能上的突出优势,具有更强的适用性和泛化力。