

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、馬鈴薯作為稻谷、小麥、玉米外的第四大主糧,將其加工成饅頭、面條、米粉等主糧食品,必將促進馬鈴薯相關(guān)產(chǎn)業(yè)的快速發(fā)展。馬鈴薯主糧化,生產(chǎn)是基礎(chǔ),加工技術(shù)是手段,產(chǎn)品質(zhì)量檢測是關(guān)鍵。馬鈴薯品質(zhì)的好壞直接影響其加工產(chǎn)品的質(zhì)量。目前馬鈴薯品質(zhì)檢測多數(shù)還依賴于傳統(tǒng)化學(xué)方法進行,這些方法依然存在耗時、費力、破壞樣品、污染環(huán)境等缺點,無法滿足馬鈴薯主糧食品化快速發(fā)展的需求。
近年來,高光譜成像技術(shù)作為一種新興的、綠色無損檢測技術(shù),具有多波段、
2、分辨率高、非破壞性等優(yōu)點,在馬鈴薯品質(zhì)無損檢測應(yīng)用中取得了一定的進展。但高光譜數(shù)據(jù)是三維立方體數(shù)據(jù),冗余信息多,計算工作量大,處理過程復(fù)雜,運行速度較慢,直接影響建模速度和預(yù)測精度。為了進一步提高其檢測速度和精度,需要不斷深入探索和研究高光譜數(shù)據(jù)處理流程中各個環(huán)節(jié)的數(shù)據(jù)數(shù)理方法,為高光譜技術(shù)的應(yīng)用發(fā)展提供理論指導(dǎo)和技術(shù)支持,進而促進馬鈴薯品質(zhì)高光譜無損檢測技術(shù)的進一步推廣。
論文以克山馬鈴薯為研究對象,分別以馬鈴薯內(nèi)部組分含量
3、、內(nèi)部缺陷類別以及品種類別為評價指標,綜合運用光譜分析技術(shù)、化學(xué)計量學(xué)、數(shù)理統(tǒng)計學(xué)和數(shù)據(jù)挖掘等方法,針對馬鈴薯品質(zhì)無損檢測過程中的光譜預(yù)處理、建模(定量、定性)、特征波長選擇等數(shù)據(jù)處理方法進行探索性研究,以提高馬鈴薯品質(zhì)無損檢測速度和精度。主要研究內(nèi)容和結(jié)論如下:
(1)比較了光譜預(yù)處理和建模方法對馬鈴薯水分、淀粉、蛋白質(zhì)和還原糖樣本模型的影響。分別對馬鈴薯各樣本集建立主成分回歸(PCR)、偏最小二乘回歸(PLSR)以及支持向
4、量機回歸(SVR)模型,并采用平滑13點、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、SNV和去趨勢變換、MSC、歸一化、正交信號校正及這些預(yù)處理方法的組合與原始光譜的建模效果進行比較。實驗結(jié)果表明:馬鈴薯水分、淀粉、蛋白質(zhì)和還原糖含量的最優(yōu)檢測模型均為PLSR模型,其中水分含量最優(yōu)檢測模型為光譜經(jīng)正交信號校正預(yù)處理后,提取8個主成分時所得,該模型的校正集和驗證集決定系數(shù)Rc2、Rp2分別為0.7948和0.7870,校正集和驗證集均方根誤差RMSEC、RMS
5、EP分別為0.3882%和0.3735%;淀粉和還原糖含量最優(yōu)檢測模型為光譜經(jīng)平滑13點預(yù)處理獲得,最優(yōu)淀粉含量檢測模型采用12個主成分數(shù),模型的Rc2、Rp2、RMSEC及RMSEP分別為0.8312、0.8286、0.4498%和0.3986%,最優(yōu)還原糖含量檢測模型在主成分數(shù)為16時獲得,模型的Rc2、Rp2、RMSEC及RMSEP分別為0.8516、0.8464、0.0729%和0.0758%;蛋白質(zhì)含量最優(yōu)檢測模型為光譜經(jīng)多元
6、散射校正預(yù)處理后,提取的主成分個數(shù)為15時獲得,該模型的Rc2、Rp2、RMSEC及RMSEP分別為0.7919、0.7904、0.0456%、0.0414%。
(2)研究了馬鈴薯內(nèi)部各組分定量分析模型的特征波長選擇方法。比較分析了遺傳算法(GA)、無信息變量消除法(UVE)、競爭性自適應(yīng)重加權(quán)算法(CARS)、連續(xù)投影算法(SPA)和隨機蛙跳算法(Random-frog)5種方法對馬鈴薯樣本高光譜特征波長選擇的能力。確定了R
7、andom-frog算法對馬鈴薯樣本高光譜特征波長的篩選結(jié)果最優(yōu)。
(3)研究了馬鈴薯內(nèi)部黑心病的識別模型。比較了不同光譜預(yù)處理方法和模式識別方法對黑心馬鈴薯和合格馬鈴薯定性分析結(jié)果的影響。分別采用高斯平滑、移動平滑、SG平滑、 MSC、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、變量標準化、正交信號校正、去趨勢變換及其組合等光譜預(yù)處理方法對其原始光譜進行預(yù)處理,建立反射光譜信息的馬鈴薯黑心病的不同識別模型。結(jié)果表明:采用SG導(dǎo)數(shù)法與正交信號校正組合
8、式預(yù)處理的光譜所建BP神經(jīng)網(wǎng)絡(luò)和PLSLDA模型對馬鈴薯黑心病的鑒別效果較好,模型對樣本的總體識別正確率達到96.84%。
(4)研究了馬鈴薯內(nèi)部黑心病識別模型的特征波長選擇方法。采用了隨機蛙跳(Randomfrog)、子窗口重排分析(SPA)及間隔影響分析(MIA)方法進行波長篩選,分別建立BPNN和PLSLDA識別模型。試驗結(jié)果表明:MIA變量選擇方法結(jié)合BPNN建模的識別效果最佳,模型對校正集、驗證集及總體樣本的識別正確
9、率分別為99.29%、92%和97.37%。該模型采用的波長變量為45個,約占全波長變量的1/5,隱含層節(jié)點個數(shù)為6個。
(5)研究了馬鈴薯品種識別模型。以克山馬鈴薯的尤金885、早大白和中薯5號三個品種為樣本,比較不同光譜預(yù)處理方法和模式識別方法對馬鈴薯品種識別結(jié)果的影響。試驗結(jié)果表明:光譜經(jīng)過去趨勢變換預(yù)處理后所建立的DA模型和BPNN模型效果較優(yōu),模型的總體識別率均為98.15%。
(6)研究了馬鈴薯品種識別模
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 馬鈴薯外部缺陷的高光譜技術(shù)無損檢測研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯內(nèi)部品質(zhì)無損檢測研究.pdf
- 近紅外光譜技術(shù)在玉米品質(zhì)及品種檢測中的應(yīng)用研究.pdf
- 基于高光譜成像技術(shù)的馬鈴薯外部品質(zhì)無損檢測建模及優(yōu)化研究.pdf
- 基于光譜和高光譜圖像技術(shù)的蠶繭品質(zhì)無損檢測研究.pdf
- 基于高光譜圖像技術(shù)的紅棗品質(zhì)無損檢測研究.pdf
- 稻谷品種和品質(zhì)的光譜快速無損檢測研究.pdf
- 近紅外光譜技術(shù)在魚糜品質(zhì)鑒別中的應(yīng)用研究.pdf
- 近紅外光譜技術(shù)在魚肉品種快速鑒別中的應(yīng)用研究.pdf
- 太赫茲光譜技術(shù)在復(fù)合材料無損檢測中的應(yīng)用研究.pdf
- 基于高光譜圖像技術(shù)對牛肉品質(zhì)無損檢測的研究.pdf
- 基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究.pdf
- PCR技術(shù)在肉類品種鑒別中的應(yīng)用研究.pdf
- 基于高光譜圖像技術(shù)的冷凍食品品質(zhì)的無損檢測研究.pdf
- 基于高光譜成像技術(shù)的蘋果品質(zhì)無損檢測研究.pdf
- 基于高光譜成像技術(shù)的肉品品質(zhì)無損檢測方法研究.pdf
- 基于高光譜成像技術(shù)的靈武長棗品質(zhì)無損檢測研究.pdf
- 高光譜技術(shù)在蘋果檢測中的應(yīng)用.pdf
- 基于高光譜成像技術(shù)的冷鮮羊肉品質(zhì)無損檢測研究.pdf
- 近紅外光譜技術(shù)在魚丸品質(zhì)檢測中的應(yīng)用研究.pdf
評論
0/150
提交評論