基于改进鲸鱼算法和神经网络的食品机器人能耗轨迹规划

目的:针对食品工业机器人动力学参数未知的节能轨迹规划问题,提出一种基于鲸鱼算法和神经网络的点到点机器人关节能耗轨迹规划方案。方法:构建食品机器人移动机械臂点到点关节能耗模型,设计基于神经网络的相似动力学辨识,用改进的鲸鱼算法对权重和偏置参数进行离线优化;采用四次多项式插值法规划关节移动轨迹,将轨迹参数等效为鲸鱼编码,通过求解关节能耗目标优化函数,最终得到能耗最优的关节运动规划轨迹。结果:该方案适用于机器人动力学参数未知下的轨迹规划场景,得到的轨迹能耗比同类降低约9.01%。结论:基于鲸鱼算法和神经网络的轨迹规划能实现食品机器人能耗优化目标。     

基于PCA-1DCNN的近红外光谱粮食作物主要成分检测方法

针对传统的近红外光谱定量技术难以选择合适的光谱预处理方法且模型预测精度低的问题,以3个谷物数据集的近红外光谱数据集为研究对象,构建了基于主成分分析光谱筛选算法的一维卷积神经网络模型。与传统的偏最小二乘回归和支持向量机模型的性能做了对比后,一维卷积神经网络构建的模型性能均为最优。其中在对玉米数据集的水分、油脂、蛋白质、淀粉的定量建模中,模型的决定系数分别为99.09%、98.15%、98.89%、99.60%;在对grain数据集的定量建模中,四种成分模型的决定系数分别为100%、100%、100%、99.99%;在对小麦数据集的定量建模中,小麦蛋白质模型的决定系数为99.80%。为了验证主成分分析光谱筛选算法对粮食作物主要成分定量回归模型的有效性,在3个光谱数据集上去除了主成分分析算法进行消融实验。研究结果表明：基于主成分分析算法与一维卷积神经网络的回归建模方法为粮食作物成分含量的检测提供一种快速无损精确的判定方式,研究结果对于粮食作物成分的含量检测具有促进作用。     

大米蛋白粉多组分含量近红外光谱快速检测

大米蛋白粉中蛋白质、脂肪和水分的含量是其品质评定的重要指标,应用近红外光谱方法检测大米蛋白粉多组分含量。采集244份大米蛋白粉样品光谱数据,经小波变换处理后建立极限学习机模型(ELM),并采用自适应算法对极限学习机的参数进行优化,提高了模型的精度和稳定性。结果显示,大米蛋白粉中蛋白质、脂肪和水分的预测集决定系数(R2)分别为0.9905、0.9643、0.9574,均方根误差(RMSEP)分别为0.3308、0.3766和0.1922,三种成分模型预测精度较偏最小二乘模型(PLS)平均提高33%。表明所提出的自适应ELM方法用于近红外光谱分析建模有较好的效果,为确定大米蛋白粉中各成分含量提供了一种无损快速检测新方法。     

基于BP神经网络快速无损检测开阳枇杷糖度

为实现开阳枇杷糖度的快速无损检测,采用紫外/可见光纤光谱仪采集开阳枇杷的反射光谱,探究比较标准正态变换以及多元散射校正预处理原始光谱的效果;应用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法以及组合两种方法分别筛选特征变量,基于筛选的特征变量构建预测开阳枇杷糖度的反向传播（back propagation,BP）神经网络检测模型。结果表明：标准正态变换预处理效果相对较好;基于CARS从835个全变量中筛选出49个特征变量,使模型的运算效率明显提高;构建的枇杷糖度预测模型中,CARS-BP的性能最好,预测集相关系数为0.91,均方根误差为0.56%,剩余预测偏差为2.42。表明采用紫外/可见光谱结合BP神经网络适用于开阳枇杷糖度的快速无损检测,为后期在线无损检测设备的研发提供参考。     

高光谱技术结合改进LSSVM的大米脂肪酸检测方法

目的:解决食品企业现有大米品质检测方法存在的准确性低和效率差等问题。方法:基于高光谱数据采集系统,提出一种结合改进细菌觅食算法和最小二乘支持向量机的贮藏大米品质快速无损检测方法。通过改进的细菌觅食算法对最小二乘支持向量机超参数(正则化参数和核参数)进行寻优,实现贮藏大米品质的快速无损检测。通过试验分析其性能。结果:所提方法可以实现贮藏大米脂肪酸含量的快速无损检测,决定系数为0.940 5,均方根误差为0.543 5,平均检测时间为1.12 s。结论:所提检测方法具有较高的检测性能,可用于大米品质的鉴别与检测。     

神经网络集成在蚕茧无损检测中的应用

蚕茧无损检测的数据处理是-个非常复杂的问题.将神经网络集成方法引入蚕茧质量无损检测中,通过训练不同类型的神经网络并将各网络输出进行合成,可显著提高系统的精度和泛化能力.为此,分别采用BP、RBF和GRNN神经网络对蚕茧质量检测结果与神经网络集成检测结果进行比较,试验结果表明神经网络集成的检测结果优于单-神经网络的预测方法,将神经网络集成用于蚕茧质量检测是有效可行的.     

基于太赫兹成像技术的发芽葵花籽无损检测研究

发芽葵花籽中脂肪和蛋白质等营养物质的含量会减少，影响油脂产品的产量及品质，因此需要保证葵花籽的品质安全。在对发芽葵花籽进行检测研究时，通常需要剥除葵花籽的外壳，破坏样本，这一操作不利于后续的贮藏加工。文章对发芽葵花籽的带壳无损检测方法进行了研究，采用太赫兹透射成像技术结合最大峰值(Max Peak Size)图像重构方法获取发芽葵花籽图像，应用自适应阈值分割法提取图像特征，应用连续投影(Successive Projections Algorithm,SPA)算法提取光谱特征，并通过串行融合实现特征融合，采用误差反向传播(Back propagation,BP)神经网络算法建立了发芽葵花籽在不同频率段内的识别模型。结果表明，采用SPA-BP算法建立的基于融合特征的发芽葵花籽识别模型效果较好，模型整体识别准确率为100%。由此可得，利用太赫兹时域透射成像技术可以实现发芽葵花籽的带壳无损检测，这对未来带壳油料作物品质的无损检测提供新思路。     

基于“深度”神经网络的贮藏期柚果品质检测模型研究

针对柚果单个理化指标无法表征整果品质，和其内部品质无损检测精度不佳等问题，采用可见-近红外光谱、机器视觉和动态称重等无损检测技术，搭建动态无损检测试验样机，构建“深度”神经网络模型，探究柚果内部综合品质检测方法。研究发现，采集柚果的多特征信息(光谱特征、果形描述子和动态质量等)，经数据融合和分析，构建综合品质指标(HP和STP)，建立BP神经网络模型，可准确检测蜜柚和沙田柚内部品质，R_pre²分别达到0.930 1和0.936 1，均高于其他内部品质指标(SSC,TA,MC和E)检测结果，具备高效、快速且精度高等优势。研究为厚皮水果综合品质指标构建和模型检测提供参考。     

一种改进的自适应粒子群优化算法

针对粒子群优化算法搜索精度不高的问题,基于自适应调整惯性权重的策略引入自适应惯性因子对粒子群优化算法进行改进,提出了一种改进的自适应粒子群算法。仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。     

基于模糊神经网络的啤酒灌装精度控制技术

目的：解决目前啤酒灌装机工作效率低、灌装精度不高的问题。方法：分析啤酒灌装机的结构和工作原理,确定以二次补灌的重量偏差为指标的控制方式;在PLC控制器的基础上,利用模糊算法抗干扰能力强以及神经网络算法自适应性好的特点,提出一种基于模糊神经网络的PID控制策略,并进行仿真分析和灌装测试。结果：在设定目标范围内,灌装重量的最大偏差仅为1.7 g,灌装合格率为100%。与传统PID控制相比,该算法的响应速度提高了55%,灌装精度提高了50%。结论：试验方法可有效提高灌装精度和灌装效率,能够满足自动生产线运行稳定、快速、可靠的要求。     

基于改进ResNet模型的食品新鲜度识别方法

目的:解决现有食品新鲜度识别方法存在的检测效率低和精度差等问题。方法:基于食品生产线图像采集系统,提出一种改进的残差神经网络模型用于生产线食品新鲜度识别。引入改进的LRELU激活函数提高模型的识别性能,引入批量归一化层提高模型的训练效率,引入Dropout层丢弃一定比例的神经元降低过拟合的影响。结果:与常规食品新鲜度识别方法相比,试验方法能够较为准确、高效地实现食品新鲜度识别,总体新鲜度识别准确率>97%,平均识别时间为9.8 ms,满足食品生产线对新鲜度识别的需要。结论:基于深度学习的检测方法是一种无损、高效、高精度的食品图像新鲜度识别方法。     

不同基质奶粉中泛酸检测方法对比

目前,市面上水解蛋白奶粉的需求与日俱增,但是针对这类奶粉HPLC法分离效果较差,目标峰与杂峰不易分离,为解决这一问题,实验室从优化色谱条件、更换色谱柱、沉淀蛋白PH值调整等几个方面进行优化,同时采用微生物法与仪器法进行比对验证,为进一步解决部分水解蛋白奶粉泛酸不易检测的问题提供实验数据和研究材料。实验结果表明：微生物法和HPLC法检测一致性较好,精密度、准确性等均符合要求。微生物法检测范围广,市面上常见的婴幼儿配方奶粉均可检测；HPLC法适用于检测不含水解蛋白奶粉；调整流动相比例可以实现目标锋和杂峰的分离,但是耗时长、无规律、重复性低。     

基于近红外光谱的SSA-RELM的菠萝含水率快速检测

目的：建立快速无损检测菠萝含水率的方法。方法：提出一种基于连续投影法的特征波长选择和麻雀搜索算法（SSA）优化正则化极限学习机（RELM）的菠萝含水率检测模型。针对菠萝近红外光谱数据具有维度高、冗余信息多的特点，分别对比连续投影法、主成分分析法和全波段等筛选特征波长的结果，确定菠萝近红外光谱特征波长筛选方法；针对RELM模型性能受其输入层权值和隐含层偏置的影响，运用麻雀搜索算法优化RELM模型的输入层权值和隐含层偏置，提出一种基于麻雀搜索算法改进正则化极限学习机的菠萝含水率检测模型。结果：与遗传算法改进正则化极限学习机（GA-RELM）、粒子群算法改进正则化极限学习机（PSO-RELM）和RELM相比，基于麻雀算法改进正则化极限学习机（SSA-RELM）的菠萝含水率检测模型的检测精度最高。结论：麻雀搜索算法优化RELM模型可以有效提高RELM模型的菠萝含水率检测精度。     

基于高光谱成像技术与GBDT的大豆品种无损鉴别

大豆的品种直接关系到大豆制品的质量和出油率,目前主要采用对大豆中蛋白质及脂肪等含量的检测来实现对大豆品种的鉴别。这种鉴别方式破坏了大豆本质,并且存在检测费用高、效率低、精度差的问题。本文基于高光谱成像技术和机器学习理论,研究了大豆品种无损快速鉴别方法。采集并建立了4个品种(每个品种200粒,共计800粒)大豆的高光谱原始图像及光谱数据集。研究了利用归一化、均值中心化、小波变换、S-G平滑滤波以及矢量归一化对采集到的高光谱数据进行滤波去噪预处理,建立了基于KNN、RF及GBDT的大豆种粒无损检测模型。实验对比得出,利用主成分分析结合GBDT的检测模型精度最高,识别准确率可达99.58%,结果表明,利用高光谱成像技术结合主成分分析的GBDT 算法模型能够有效消除噪声干扰的影响,实现对大豆种粒快速、准确的无损检测,并对其他农作物的品种检测具有一定的参考意义。     

基于高光谱成像技术的水果表面农药残留无损检测

在高光谱成像技术的基础上,提出了一种应用于水果表面农药残留的无损检测方法。对采集数据进行预处理和特征提取,通过细菌群体趋药性算法找到最优的最小二乘支持向量机参数,建立农残检测模型,并与最小二乘支持向量机模型进行比较,验证该模型的优越性和准确性。结果表明,基于连续投影法特征波长结合文中检测模型具有最高的检测精度,其准确率达97.92%。     

基于Elman神经网络的织物染色的配色

文章提出了一种基于Elman神经网络的三刺激值染色配色方法。在分析了传统三刺激值染色配色方法的缺陷的基础上，利用Elman神经网络易于逼近多变量、非线性函数的特点，建立了用E1man神经网络来进行染色的三刺激值配色模型。计算机配色的预测结果表明此方法能够较好地满足实际染色的配色要求。     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

应用高光谱技术及MLSPTSVM模型检测热损伤大豆

进口大豆在运输过程中极易因贮藏温度过高而造成热损伤,加剧大豆蛋白及油脂的品质恶化,对大豆质量造成影响。本文利用高光谱图像技术和多元最小二乘递归投影孪生支持向量机(multiple least squares recursive projection twin support vector machine,MLSPTSVM)对大豆的热损伤进行检测。应用高光谱图像采集系统,在400~1000 nm范围内获取正常大豆、轻度热损伤、重度热损伤大豆的光谱图像,采用多种预处理方法进行光谱预处理,对预处理方法提高模型检测性能的有效性进行分析。结果表明,多元散射校正预处理搭配线性核的MLSPTSVM模型,原始光谱数据搭配非线性核的MLSPTSVM模型,均能达到100%检测准确率,相较于经典检测模型具有显著优势。在实验样本数量大幅减少的情况下,应用线性核的模型检测准确率仍能达到100%。因此,结合MLSPTSVM模型的高光谱图像检测方法有效地提高热损伤大豆检测精度,且具有良好的鲁棒性,为大豆品质的检测提供了新的方法。