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%。     

基于拉曼光谱和支持向量机的黄酒品质快速分析

本研究使用拉曼光谱分析技术采集不同产地和不同酒龄的黄酒样品指纹信息,对比判别分析(DA)和最小二乘支持向量机(LS-SVM)所建黄酒品质快速模型性能,确定最优模型以实现快速准确地评价黄酒品质。本研究在全波段范围利用主成分分析对拉曼光谱数据降维,计算降维谱图间马氏距离,基于ward’s算法建立判别分析模型;将全波段范围作为最小二乘支持向量机的输入量,选择出能较好处理非线性问题的RBF为核函数,同时采用交互验证方式优化RBF核函数参数,基于优化RBF核函数,建立最小二乘支持向量机鉴别模型。研究结果表明:拉曼光谱结合最小二乘支持向量机鉴别模型对黄酒产地和酒龄的鉴别正确率均为100%;拉曼光谱结合判别分析鉴别模型对嘉善、绍兴和上海黄酒的鉴别正确率分别为100%、80%和80%,对黄酒酒龄的鉴别正确率均为100%;最小二乘支持向量机模型性能优于判别分析模型。拉曼光谱结合化学计量学方法可快速、准确评价黄酒品质。     

基于粒子群算法的番茄酱成分检测及品质分析

以番茄酱成分检测过程为研究对象,采用多光谱成像技术采集番茄酱光谱图像,并提取出有效光谱信息,分别利用偏最小二乘法、偏最小二乘法支持向量机算法和粒子群算法建立番茄酱成分校正模型和番茄酱品质预测模型。采用3种模型进行预测试验对比,偏最小二乘法支持向量机算法和偏最小二乘法两种模型对可溶性固形物和番茄红素含量的预测性能均低于粒子群算法模型;粒子群算法模型对可溶性固形物和番茄红素含量的预测绝对系数均大于0.9,表明粒子群算法模型能够有效进行番茄酱成分含量检测和品质预测。     

基于近红外光谱的褐变板栗识别建模方法研究

为了实现褐变板栗的快速无损分选,研究了基于近红外光谱技术的褐变板栗栗仁检测方法。试验在1000~2500 nm波段范围内采集板栗栗仁的反射光谱,通过标准正态变量变换预处理后,采用K-最近邻法(KNN)、簇类独立软模式法(SIMCA)、主成分回归-线性判别分析法(PCA-LDA)、偏最小二乘回归-线性判别分析法(PLS-LDA)以及最小二乘-支持向量机判别分析法(LS-SVM)分别建立褐变板栗识别模型并进行比较分析。偏最小二乘结合最小二乘-支持向量机所建PLS-LS-SVM模型性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为1.00%、0.92%和95.00%。结果表明:近红外光谱结合PLS-LS-SVM可用于褐变板栗的快速无损检测。     

玉露香梨可溶性固形物近红外漫透射光谱在线检测

应用近红外漫透射光谱技术探索玉露香梨可溶性固形物在线无损检测的可行性。358个试验样本被分成建模集和预测集(269∶89),分别用于建立模型和验证模型的预测能力。通过对玉露香梨样品近红外漫透射光谱分析发现,样品光谱在625,725,800nm处存在3个波峰,在673,765,825nm处存在3个波谷。通过对比不同预处理方法,发现漫透射近红外光谱分别经一阶微分、移动窗口平滑和多元散射校正组合预处理后建立的模型效果最好。结合组合预处理方法建立了偏最小二乘和偏最小二乘支持向量机预测模型,经比较,偏最小二乘支持向量机模型预测能力更强,模型预测均方根误差和相关系数分别为0.316%和0.949。对比发现主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。试验结果表明采用近红外漫透射光谱技术结合最小二乘支持向量机算法,实现了玉露香梨可溶性固形物在线无损检测。     

基于高光谱成像技术的白茶储藏年份判别

储藏年份是决定白茶经济价值的一大因素。为了实现快速便捷地判别白茶储藏年份,本文提出了基于高光谱成像技术判别分析白茶储藏年份的无损检测方法。通过对3、6、10年寿眉高光谱图像感兴趣区域光谱数据的提取,采用最小二乘平滑滤波、标准正态变换、归一化、多元散射校正预处理算法,并用支持向量机、偏最小二乘联合线性判定法、逻辑回归建模对不同预处理后的光谱数据进行判别分析。最后,通过分析混淆矩阵、精确率、召回率来评估模型性能。分析结果表明,经过标准正态变换预处理结合支持向量机所建立的模型判别效果最佳,训练集和测试集的精确率分别为90.83%和86.02%。由此可见,利用高光谱成像技术对白茶储藏年份进行快速无损的判别具有一定的可行性。     

基于近红外光谱的重金属污染泥蚶的快速检测

提出了利用近红外光谱技术对重金属污染泥蚶的快速检测方法。以冷冻干燥磨粉的泥蚶肌肉为试验对象,方案设计分为两种:对照泥蚶和单一重金属(Cd,Cu,Pb或Zn)污染泥蚶的分类(设计Ⅰ);所有样本包括对照泥蚶和4种重金属污染泥蚶的分类(设计Ⅱ)。采用两种识别算法,即最小二乘支持向量机和随机森林,对设计I和设计II分别建立分类模型并进行预测。预测结果表明:设计Ⅰ:最小二乘支持向量机和随机森林的平均预测正确率分别为100%和95%;设计Ⅱ:最小二乘支持向量机和随机森林的平均预测正确率分别为96%和92%。利用近红外光谱技术快速检测重金属污染泥蚶具有可行性,可为泥蚶重金属污染提供一种快速检测方法。     

纺织品颜色分类算法比较研究

探讨和比较纺织品颜色分类算法。优选了均匀且色域宽阔的L*a*b*颜色空间;基于机器视觉和图像处理技术,通过仿真试验比较分析了支持向量机、最小二乘支持向量机和自组织映射神经网络三种算法的训练和测试样本的准确率和运行时间。试验结果表明:对于小样本集,最小二乘支持向量机算法的分类准确率及收敛速度要优于支持向量机算法和自组织映射神经网络算法。认为:最小二乘支持向量机分类算法在纺织品颜色在线分类方面具有更好的应用潜力。     

基于高光谱成像技术的金银花霉变检测模型

利用高光谱成像技术,研究一种快速、准确、无损检测金银花霉变程度的方法。通过比较Savitzky-Golay(SG)卷积平滑、多元散射校正(MSC)和SG-MSC 3种预处理方法对偏最小二乘算法(PLS)建模效果的影响,得到SG-MSC为建模最优预处理方法。使用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)选择经预处理后光谱的特征波长,并分别建立偏最小二乘判别(PLS-DA)和最小二乘支持向量机(LS-SVM)的判别分析模型。结果表明,光谱经SG-MSC预处理后,应用CARS提取特征波长并建立LS-SVM判别分析模型为金银花不同霉变程度最优判别模型,其训练集与验证集的正确率均达到100%。利用高光谱成像技术能够快速无损、有效地鉴别金银花霉变程度,并且在特征波长下能实现金银花霉变程度的快速判别分析。     

基于最小二乘支持向量机的白酒酒醅成分定量分析

利用近红外光谱技术实现对白酒发酵过程中酒醅主要成分的质量控制,并进行模型优化,提高性能。采用偏最小二乘法提取的潜在变量作为最小二乘支持向量机的输入变量,先后建立了白酒酒醅中酒精度、淀粉、水分、酸度的近红外定量模型,并与经无信息变量消除法波段筛选后建立的偏最小二乘模型结果进行比较。结果表明：与偏最小二乘模型相比,4 个指标的最小二乘支持向量机定量模型的相关系数（R2）、预测均方根误差以及相对分析误差3 个评价参数均有更优表现;对未知样品进行预测时,最小二乘支持向量机模型的预测准确度明显高于偏最小二乘模型。说明最小二乘支持向量机模型的准确度、稳定性及预测性能均优于偏最小二乘法模型,为白酒酒醅的品质分析方法研究提供了新的思路。     

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。     

基于主成分分析和改进支持向量机的猪肉品质识别

目的:剔除近红外光谱存在大量冗余信息以及提高猪肉品质识别的精度,建立猪肉品质快速识别方法。方法:运用主成分分析对猪肉光谱数据进行降维处理,筛选出猪肉光谱特征波长;运用樽海鞘群算法进行支持向量机(SVM)模型的参数优化,提出一种基于樽海鞘算法改进支持向量机的猪肉品质识别模型。结果:与灰狼算法(GWO)优化SVM(GWO-SVM)、网格搜索算法改进SVM(Grid-SVM)、粒子群算法改进SVM(PSO-SVM)和SVM相比,基于SSA-SVM的猪肉品质识别模型的精度最高。结论:融合主成分分析和樽海鞘算法优化SVM模型的猪肉品质识别模型可以有效提高SVM模型的猪肉品质识别精度。     

基于改进WOA-Elman神经网络的高光谱牛奶蛋白质快速无损检测

目的：解决现有牛奶蛋白质检测方法存在的精度低、效率低和人工依赖性强等问题。方法：基于高光谱成像系统，提出一种将改进的鲸鱼算法与Elman神经网络相结合用于牛奶蛋白质含量快速无损检测。通过混沌映射、自适应收敛因子、自适应权重优化鲸鱼算法，提高搜索精度，优化后对Elman神经网络参数（权重和阈值）进行寻优。通过试验分析所提无损检测方法的性能。结果：与常规检测方法相比，试验方法在牛奶蛋白质无损检测的多个性能指标方面均为最优，决定系数为0.997 3，均方根误差为0.000 3，检测时间为1.56 s。结论：试验方法具有较高的检测精度和检测效率。     

基于PCA-ELM和光谱技术预测香蕉成熟度

本文利用高光谱成像技术(Hyperspectral imaging)对常温下贮存的450个未剥皮香蕉样本光谱数据进行采集,首先检测样本果肉可溶性固形物含量(TSS)、坚实度(FIM),采用SPSS单因素方差分析,然后运用线性优化岭回归分析-偏最小二乘法(RR-i PLS)建立了香蕉成熟度理化指标的光谱和图像特征分类模型,结果表明通过实验平台获取光谱数据预测香蕉可溶性固形物含量以及坚实度的相关系数R2值分别为0.92和0.94。再通过连续投影法(successive projections algorithm,SPA)法以及主成分分析法(principal component analysis,PCA)分别选取特征波长,建立基于特征波长的极限学习机(extreme learning machine,ELM)对光谱数据进行建模交叉验证。通过比较RR-i PLS,SPA-ELM与PCA-ELM三种分类预测模型,表明基于特征波长的PCA-ELM分类模型具有较好的预测性能。交叉验证准确率达到99%。为能快速无损识别香蕉果实品质提供一种有效的预测研究,基本满足对香蕉成熟度分类检测且显示出有效建模分析,且能达到有效的经济效益。     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

基于改进PSO-SVM的生产线分拣机器人罐装食品识别方法

目的:解决现有食品生产线分拣机器人目标识别方法存在的准确率差和效率低等问题。方法:在对基于双目视觉食品分拣系统进行分析的基础上,提出了一种将改进的粒子群算法和支持向量机相结合用于食品分拣机器人的目标识别。通过改进粒子群算法寻优支持向量机参数,获得优化的支持向量机分类模型,对全局特征和局部特征分别进行分类器训练,动态分配特征权重系数,得到最佳识别率。通过试验分析所提方法的性能,验证其可行性。结果:与常规方法相比,所提方法在食品分拣机器人的目标识别中具有较高的识别精度和效率,准确率为99.50%,平均识别时间为0.048 s,满足机器人的分拣需要。结论:所提方法能有效识别罐装食品,提高了分拣机器人分拣准确率和效率。     

近红外光谱技术在牛油生产过程中的应用

目的利用便携式近红外(near infrared,NIR)光谱仪无损快速鉴别不同种类、不同部位的牛油原料及判别牛油熬制加工过程脱水程度。方法利用NIR对不同种类、不同部位以及熬制过程不同时相点的牛油进行反射光谱采集,通过光谱预处理、偏最小二乘法(partial least squares method,PLS)和支持向量机(support vector machine,SVM)探究鉴别牛油的不同种类和不同部位的预测模型和快速判别牛油熬制脱水程度。结果利用PLS分析方法对不同种类、不同部位的牛油原料预测的正确率为75%;利用SVM分析方法对牛油加工熬制过程中水分含量的预测正确率为78.6%。结论使用便携式近红外光谱仪对不同种类、不同部位的牛油原料和牛油熬制加工过程中水分含量的无损检测方式在工业上作为大通量检测相关质控环节指标具有可行性。     

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。     

融合近红外光谱和颜色参数的草莓可溶性固形物含量定量分析模型构建

草莓可溶性固形物(soluble solids content,SSC)含量是评价草莓内部品质的关键指标。为了实现对该指标的快速、无损评估,基于近红外光谱技术,构建了线性偏最小二乘(partial least squares,PLS)和非线性最小二乘支持向量机(least squares support vector machine,LS-SVM)模型,联合蒙特卡罗无信息变量消除和连续投影算法(Monte-Carlo uninformative variable elimination,successive projections algorithm,MC-UVE-SPA)从原始光谱4254个变量中提取了27个有效变量,并构建了基于有效变量的定量分析模型。同时,考虑到草莓表面颜色的影响,基于草莓RGB图像各分量获取了颜色特征参数,进一步融合光谱和颜色特征构建了多参数融合PLS和LS-SVM模型。基于相同的校正集和预测集,比较了所有模型对草莓内部SSC的预测性能。结果表明,MC-UVESPA是一种有效的草莓光谱变量选择算法,且多参数融合非线性LS-SVM模型是草莓内部SSC定量预测的最优模型。针对预测集样本,该模型相关系数RP和预测均方根误差(root mean square error of prediction,RMSEP)分别为0.9885和0.1532。该研究为基于近红外光谱技术的草莓可溶性固形物含量检测便携式仪器和在线检测设备研发奠定了基础。