高光谱结合优化算法的多品种高粱混合的淀粉含量检测

高粱作为一种酿酒原料,其不同混合比例配比的高粱的淀粉含量会影响白酒的品质和产量。因此,准确高效地检测混合高粱中的淀粉含量对获得优质高产的白酒具有重要意义。本文基于可见光高光谱成像技术研究了混合高粱中的淀粉含量的快速检测方法。采用不同预处理方法对高粱样本的光谱数据进行预处理,并建立偏最小二乘法回归（partial least squares regression, PLSR）模型来确定最佳预处理方式。使用主成分分析（principal component analysis,PCA）、PLSR算法分别提取高粱样本的光谱特征。基于全波长和光谱特征分别建立了预测高粱淀粉含量的遗传算法-BP神经网络（genetic algorithm-back propagation neural network, GA-BPNN）和粒子群算法-支持向量机回归(particle swarm optimization -support vector regression, PSO-SVR)模型。对比模型性能发现,采用PCA方法提取的光谱特征建立的GA-BPNN模型最优,其直链淀粉的预测决定系数、预测均方根误差分别为0.992 2、0.041 6,支链淀粉的预测决定系数、预测均方根误差分别为0.151 9,0.933 6。研究结果表明,可见光高光谱成像技术结合优化算法可以快速预测不同混合比例配比下高粱的淀粉含量,为检测高粱的淀粉含量提供了一种新的方法。     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法。通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特征分别建立支持向量机、偏最小二乘判别和极限学习机分类模型,最后再采集220个未参与建模样本对所建模型进行外部验证。结果表明,基于特征光谱结合纹理特征建立的支持向量机模型效果最佳,训练集和测试集的识别率分别为96%和95.3%,验证集的识别率达到91.8%,高于单一光谱数据建模效果,说明光谱和图像信息结合可以提高酿酒高粱的分类识别率。该方法为高粱品种的高精度分类和不同酿酒原料的快速无损检测提供了可行的方法。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像, 并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较, 选择光谱预处理方法。使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长, 并分别建立了多元线型回归(multiple linear regression, MLR)模型和偏最小二乘回归(partial least squares regression, PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别, CARS-MLR模型识别效果最好, 其校正集相关系数为0.881, 预测集相关系数为0.821, 校正集均方根误差(calibration set root mean square error, RMSEC)为0.146, 预测集均方根误差(prediction set root mean square error, RMSEP)为0.236, 准确率为97.14%。结论 利用高光谱成像技术可以实现对芒果表面轻微损伤进行有效鉴别。     

基于高光谱成像的大米中蛋白质含量的可视化研究

为了研究大米蛋白质含量在品种和产地之间的差异,将采集的大米按照品种、产地进行分类。将提取的感兴趣区域光谱信息与化学方法测定的蛋白质含量相结合,建立全波长预测模型,通过对比确定最优的模型为偏最小二乘回归(partial least-squares regression,PLSR)。连续投影算法(successive projection algorithm,SPA)筛选特征波段,建立PLSR的特征波长模型,其性能与全波长模型相当。提取特征波长下的高光谱图像,将提取的特征图像上的所有像素点的光谱数据导入已建好的SPA-PLSR模型,预测各像素点的蛋白质含量,并把高光谱灰度图像进行伪彩色处理,得到不同品种产地大米的蛋白质含量分布图。结果表明,利用高光谱成像技术对大米中蛋白质含量分布进行可视化研究具有可行性,为后期筛分大米的产地和品种提供依据。     

基于高光谱成像技术的薯麦混合粉淀粉含量检测

为快速无损检测薯麦混合粉中的淀粉含量，在近红外（900～2 500 nm）的光谱范围采集样品的高光谱图像，通过对比原始光谱和七种不同预处理后的光谱数据建立偏最小二乘回归（Partial least square regression，PLSR），支持向量机回归（Support vector machine regression，SVMR）模型效果，确定多元散射校正法（Multiplicative scattering correction，MSC）为最佳预处理方法。采用竞争性自适应加权法（Competitive adaptive reweighted sampling，CARS）和连续投影算法（Successive projections algorithm，SPA）提取特征波长，建立PLSR和多元线性回归（Multiple linear regression，MLR）模型，结果表明SPA显著的降低了模型的复杂度，SPA-MLR模型检测集的决定系数（R2P）为0.9181，检测集的均方根误差为0.4214%。通过高光谱图像可视化，实现薯麦混合粉淀粉含量检测，为快速无损检测薯麦混合粉中的淀粉含量建立了一种新方法。     

基于高光谱成像快速检测牛肉糜中大豆分离蛋白掺入量

采用近红外高光谱成像技术(900~1700 nm)结合化学计量学算法快速定量预测牛肉糜中大豆分离蛋白掺入量。首先按照2%~30%(w/w),掺入间隔1%的浓度梯度,制备不同大豆分离蛋白掺入浓度的牛肉糜样品,然后采集样品的高光谱图像并提取光谱数据,最后运用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立预测模型。为了减少模型的高维共线性问题,采用回归系数法(Regression coefficients,RC)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长,优化全波段预测模型。结果显示基于RC法筛选的22个最优波长构建的RC-PLSR模型和RC-MLR模型预测效果优于基于SPA法筛选的21个最优波长构建的SPA-PLSR模型和SPA-MLR模型。其中,RC-PLSR模型预测效果最接近全波段PLSR模型,r_P为0.95,RMSEP为2.73%,RPD为3.32。试验结果表明近红外高光谱成像技术结合化学计量学方法可快速预测牛肉糜中大豆分离蛋白的掺入量。     

基于玉米籽粒近红外光谱的品种与产地识别研究

为考察近红外光谱对玉米种子的品种识别与产地识别性能,采集了8个玉米品种波长范围为12 000~4 000 cm-1的近红外光谱数据,并基于此数据研究了基于PCA的光谱数据特征的提取方法,并探讨了神经网络(ANN)和支持向量机模型(SVM)在品种识别上的性能,进一步研究了玉米品种的产地识别技术,且比较了传统可见光图像的品种识别。研究发现:基于近红外的玉米品种识别,在6个主分量的情况下整体上性能达到90%以上;SVM算法较ANN算法稳定可靠,更适合于小样本情况下的光谱分析;基于光谱的品种识别与基于可见光图像的品种识别效果相当;另外发现同一品种在不同产地上其光谱特征差别较大,据此可以应用光谱进行产地鉴别,鉴别力达到95%以上。本研究所构建的方法对玉米品种识别和产地识别具有积极意义。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

基于高光谱成像技术无损检测苹果表面缺陷

基于高光谱成像技术结合模式识别,建立了苹果表面缺陷识别模型。首先,利用高光谱图像采集系统采集完好无损和表面有缺陷苹果的高光谱图像,提取感兴趣区域的平均光谱反射率;然后,比较标准正态变换(SNV)和多元散射校正(MSC) 2种光谱预处理方法对建模效果的影响,得出MSC为建模最优预处理方法。最后,采用主成分分析法选择累计贡献率超过99%的前5个主成分作为样本集特征光谱数据,分别建立了基于K最近邻(KNN)模式识别和偏最小二乘判别分析(PLS-DA)识别模型。结果表明:光谱经MSC预处理后,基于PLS-DA建立的识别模型对校正集和检验集识别率均达到100%,表明基于高光谱成像技术结合模式识别可实现苹果表面缺陷的无损检测。     

基于高光谱成像技术和连续投影算法检测葡萄果皮花色苷含量

应用高光谱成像技术结合连续投影算法（SPA）实现葡萄果皮中花色苷含量的快速无损检测。采集60 组样本高光谱图像,获取样本光谱曲线,并采用多元散射校正预处理方法提高信噪比。然后采用SPA选择光谱变量,将其作为多元线性回归（MLR）、偏最小二乘（PLS）模型和BP神经网络（BPNN）的输入变量,分别建立SPAMLR、SPA-PLS和SPA-BPNN模型并与全光谱变量PLS模型相比较。结果表明,SPA-MLR、SPA-BPNN和SPA-PLS模型的预测精度均优于全光谱变量PLS模型,其中SPA-PLS模型获得了最佳预测结果,其预测相关系数Rp和预测均方根误差（RMSEP）分别为0.900 0和0.550 6。结果表明,利用近红外高光谱成像技术能够有效检测酿酒葡萄果皮中花色苷含量。     

高粱原料的不同对酱香型白酒产酒情况的影响

对企业采购自河北、天津、辽宁3个有机高粱种植基地3个不同品种的糯高粱进行理化指标和酒班实际生产应用情况的比较分析。理化指标分析包括高粱的物理性状,高粱化学成分,高粱吸水率、膨胀率,糊化率等。酒班生产方面,通过高粱应用于酱香白酒的实际的产酒量,原酒色谱分析以及原酒品评方便进行比较。通过理化指标和酒班实际生产对比,河北高粱在综合评价较高,使用该有机高粱种植基地生产的酱香白酒产量和品质较高。     

基于图像处理的花生荚果品种识别方法研究

为实现品种鉴定与真伪识别的自动化,基于图像识别的方法,采用扫描仪采集了20个品种,每个品种100颗花生果正面和2个侧面的图像,分别获取每幅图像的形态、颜色和纹理三大类共50个特征,并对这些特征进行主分量分析(PCA)优化,针对优化和没有优化的特征,搭建了人工神经网络识别模型和支持向量机模型,并采用两种模型进行品种识别,结果表明,采集的特征经PCA优化后表现出更强的识别性能,SVM较神经网络识别效果总体上得到提高,并且识别效果稳定。品种的数量对识别效果有影响,在通常情况下可根据品种的数量来确定特征的数量,可以进一步提高效率,对20个品种,需要选择超过15个特征。颜色类特征比形态类和纹理类特征具有更好的识别效果,经过不同类别的特征组合后,整体上识别性能达到90%以上,基本可以推广到实际生产中使用。     

基于太赫兹时域光谱的芝麻油品种识别研究

为了实现对芝麻油品种的快速鉴别,本文基于太赫兹时域光谱(THz-TDS)提出一种芝麻油品种识别的方法。选取0~2.5 THz范围内的光谱进行分析,通过主成分分析法(PCA)对时域光谱数据进行降维,选择前4个主成分(累计贡献率大于99%)代表原始数据,然后利用支持向量机(SVM)方法对不同品种芝麻油进行分类识别,分类时使用3种不同的核函数建模,并采用网格搜索算法获得最优模型及其模型参数。使用径向基核函数(参数为惩罚函数C=0.01,核函数系数γ=0.1)的模型识别率最高,达到100%,说明太赫兹时域光谱技术结合PCA和SVM方法可以快速可靠的进行食用油的识别,为食品安全的识别提供一种新的技术手段。     

近红外光谱法对松原不同品种大米的确证探究

该文提出一种对松原不同品种大米进行判别的方法,对来自松原的稻花香、小高粱、通系926、吉粳515、农大521,5个品种共368个大米样品,利用波数范围为12000 cm^-1~4000 cm^-1的傅里叶近红外光谱仪获取光谱数据并对数据进行6种方法的预处理。结果表明,一阶导数结合SG9点平滑为最佳预处理方法,并用偏最小二乘判别(partial least squares discrimination analysis,PLS-DA)方法对校正样本建立判别分析模型,用验证集对模型进行验证,模型对验证集中稻花香、小高粱、通系926、吉粳515、农大521共5个品种的识别率均为100%;且优于主成分分析的结果。用来自柳河和梅河的稻花香样本与松原的稻花香样本进行产地判别,结果显示,此模型可以将松原样本与非松原样本进行判别。     

基于Kernel-ICA和X-ray成像的品种分类研究

对农作物品种正确分类是作物分类学的重要内容,为考察X-ray成像技术对小麦品种分类研究的有效性,基于软X-ray成像仪采集的3品种(Kama,Rosa and Canadian)每个品种70个籽粒,共210个籽粒样本的X-ray扫描图像,并针对其7个形态几何特征(面积、周长、紧致度、籽粒长度、宽度、偏斜度、种子腹沟长度),提出了一种使用Kernel-ICA的方法先对特征进行优化,再进行小麦品种的聚类与识别的方法,并与K-means、C-means 2种聚类方法以及基于工神经网络(ANN)和支持向量机(SVM)2种识别方法的分类结果进行比较,结果发现:分类正确率从高到低分别为:Kernel-ICA、SVM、C-means、K-means、BP-ANN,分类正确率分别为:91.9%、90.5%、89.5%、87.1%、86.9%。研究提出的Kernel-ICA的方法,聚类优化和识别能力较强,对软X-ray成像的小麦品种进行分类,已基本上满足农艺上对小麦品种分类需要,对农作物种质资源鉴别和作物品种分类研究具有积极意义。     

酿酒高粱不完善粒检测仪检测模型的研究与检验

针对现阶段酿酒企业检测高粱不完善粒效率较低和识别率不高等问题,结合市场上现有的粮食不完善粒检测仪器,开发了一套基于图像识别的高粱不完善粒快速检测仪,对图像的采集、关键硬件、机器视觉和深度学习等方面做了一系列研究,研究分别采用单一特征分析技术、基于机器学习的图像分类技术、基于深度学习的图像分类技术、细粒度图像分类技术对高粱图片进行分类识别分析,通过对比,最终利用Tensorrt部署技术将细粒度图像分类网络部署到设备中。结果表明,开发的高粱不完善粒快速检测仪的识别精度与人工检测的平均误差控制在1%以内;50 g高粱样品的检测时间控制在5min以内。相较于传统的人工检测,检测时间大大缩短,同时避免了人工检测主观上的偏差,对于酿酒企业的高粱不完善率检测鉴定具有重要意义。     

酿酒特需高粱真实性无损快速鉴别研究

高粱作为酿造白酒的原料直接影响成品酒的品质,无损快速鉴别酿酒特需高粱的真实性是急需解决的重要问题。该研究针对高粱透光性差,近红外探头有效检测面积小,导致难以完全获取样品池中特需高粱和掺假高粱样品信息等问题,通过改良环形样品杯内径为略大于检测窗口直径的2倍,将高粱样品平铺于样品杯底部一层,解决了无法完全采集样品池中包括掺假高粱颗粒在内的所有样品信息等问题。结合化学计量学方法建立并优化了酿酒特需高粱真实性无损快速鉴别的近红外光谱模型,得到该模型的校正集、预测集和验证集的判别准确率分别为100%、100%和96.7%。     

不同品种高粱酿造汾酒研究

试验对九个不同品种高粱的淀粉、单宁等与酿酒相关的指标进行了比较分析,同时利用它们进行了汾酒的中试酿造试验。试验结果表明,晋杂23#出酒率可达到45.5%,比出酒率最低的晋杂18#的出酒率高出3个百分点,晋杂22#、晋杂18#出酒质量理想,它们的一级酒率分别达到30.5%和30%,比晋杂27#高出24~24.5个百分点。说明晋杂23#属于酿酒汾酒的高出酒率品种,而晋杂22#和晋杂18#属于酿造优质汾酒的高粱品种。