冷卻羊肉表面細菌總數(shù)的高光譜分析與檢測平臺設(shè)計.pdf

1、冷卻羊肉的衛(wèi)生質(zhì)量情況可通過其表面的細菌總數(shù)(TVC)反映出來，本課題通過高光譜技術(shù)，利用波長覆蓋范圍為400～1100nm高光譜成像系統(tǒng)對85個冷卻羊肉樣本進行高光譜數(shù)據(jù)采集，采用多種算法建立了冷卻羊肉表面TVC預(yù)測模型和冷卻羊肉新鮮度分類模型，對各模型進行分析比較，選擇出最優(yōu)的建模方法，并結(jié)合MATLAB軟件的圖形用戶界面(GUI)設(shè)計一款冷鮮羊肉表面細菌總數(shù)檢測平臺，實現(xiàn)了對冷卻羊肉衛(wèi)生安全品質(zhì)檢測的智能化。
　　本研究的主

2、要成果如下:
　　(1)對冷卻羊肉樣本進行高光譜數(shù)據(jù)采集（波長范圍為400～1100nm），采用多種方法對原始高光譜數(shù)據(jù)進行預(yù)處理，通過建立BP神經(jīng)網(wǎng)絡(luò)模型，得出最佳預(yù)處理方法是標(biāo)準(zhǔn)正態(tài)變量變換(SNV)結(jié)合小變換(WT)以及平滑法(S-G)，同時采用了主成分分析法(PCA)對高光譜數(shù)據(jù)進行降維。
　　(2)分別采用了BP-ANN，RBF-ANN，PLSR和SVM四種經(jīng)典方法對冷卻羊肉表面TVC建立預(yù)測模型，為了提高模型的預(yù)

3、測精度，介紹了一種新的神經(jīng)網(wǎng)絡(luò)算法——ELM，分別實現(xiàn)了ELM、KELM模型，并提出了粒子群算法(PSO)和遺傳算法(GA)對KELM模型進行優(yōu)化。通過分析比較，基于ELM算法的4種模型預(yù)測精度優(yōu)于經(jīng)典方法，其中最優(yōu)方法為GA-KELM模型，訓(xùn)練集的相關(guān)系數(shù)和均方根誤差分別為0.9300和0.0016;預(yù)測集的相關(guān)系數(shù)和均方根誤差分別為0.9835和0.0015。
　　(3)以TVC為參考值，對冷卻羊肉建立了新鮮度分類模型，分別實

4、現(xiàn)了PSO-SVM，ELM模型，以及二者的優(yōu)化方法CPSO-SVM和FA-ELM模型，通過對4種方法分析比較，CPSO-SVM分類效果最優(yōu)，其中，訓(xùn)練集的分類準(zhǔn)確率為95.313％，預(yù)測集的分類準(zhǔn)確率為100％。
　　(4)運用MATALB軟件中的圖形用戶界面(GUI)設(shè)計了一款冷鮮羊肉表面細菌總數(shù)檢測平臺，包括TVC檢測、新鮮度識別、預(yù)處理和結(jié)果分析4個模塊，通過運行界面的相關(guān)功能，實現(xiàn)對冷卻羊肉品質(zhì)快速、無損以及智能化的檢測分