基于可見光譜技術(shù)的血斑蛋在線判別模型研究.pdf

1、雞蛋內(nèi)部含有豐富的營養(yǎng)，是全世界最為廣泛的食品，也是很多食品的加工原料，因此，雞蛋內(nèi)部品質(zhì)關(guān)系著國家民生和人民的健康。血斑是雞蛋內(nèi)部品質(zhì)的主要檢測指標，血斑的檢測是保證雞蛋內(nèi)部品質(zhì)的基礎(chǔ)。因此，為了保證雞蛋進入流通領(lǐng)域的品質(zhì)和質(zhì)量，對于血斑蛋檢測的研究具有直接的現(xiàn)實意義和研究價值。本課題以雞蛋為研究對象，通過光學技術(shù)和模式識別方法對血斑蛋的在線判別模型進行研究，從而對雞蛋內(nèi)部的血斑進行判別。本文主要的研究內(nèi)容和結(jié)論如下:
　　(1

2、)在血斑蛋文獻的研究基礎(chǔ)上，對500nm-599nm范圍的血斑蛋和正常蛋的透過率進行分析，發(fā)現(xiàn)在這一范圍內(nèi)兩種蛋具有諸多差異性，將兩種蛋的平均透過率進行分析，本文最終選擇500nm-599nm為本課題的全波段，為后續(xù)波段特征提取與建模提供理論基礎(chǔ)。
　　(2)采用三種算法進行異常樣本的剔除，分別是聚類、相似系數(shù)和以及箱形圖異常值檢測，若三種方法中兩種及兩種以上共同判別為異常樣本，則該樣本為異常樣本，通過打破驗證分析異常樣本特征。<

3、br>　　(3)利用多種算法進行數(shù)據(jù)的預處理，包括數(shù)據(jù)增強變換、平滑、求導、多元散射校正、標準正態(tài)變換，通過建模效果確定最佳的預處理方法為標準正態(tài)變換。經(jīng)過后期對于三種速度模式的光譜差異分析，采用一階導數(shù)和標準正態(tài)變換相結(jié)合的預處理方法，有效減小由于光譜縱向偏移產(chǎn)生的誤差。
　　(4)為了簡化全波段光譜特征，利用三種方法篩選特征波長，基于特征波段的篩選是利用iPLS算法，基于特征波長變量的篩選是采用CARS和SPA算法，將三種方法

4、篩選出的特征波長建立校正模型后得到CARS篩選的特征變量建模效果最佳，可代替全波段進行分析。
　　(5)考慮在線檢測的特殊要求，選擇5種方法建立線性模型，分別是偏最小二乘判別分析(PLSDA)，支持向量機(SVM)，逐步貝葉斯判別分析(SBDA)，二項Logistic回歸(BLR)，線性判別分析(LDA)，通過模型的判別準確率和模型的運行時間，綜合考慮適合在線檢測的諸多因素，SBDA效果最佳，植入在線檢測程序中可以快速實現(xiàn)判別，更

5、加適用流水線的檢測模式。因此，本文最終選擇SBDA作為的血斑蛋在線判別模型。
　　(6)通過統(tǒng)一條件下模型的更新，尋找最佳的參數(shù)匹配設(shè)置，通過將速度條件下的樣本驗證更新后的模型，得出該參數(shù)組合更加適合2500枚/小時的檢測模式。通過更換新樣本代入模型，驗證模型的適用性，分析2500枚/小時的血斑蛋和正常蛋的判錯的樣本圖譜和打破后的雞蛋內(nèi)部情況，并將判錯的樣本加入模型的訓練過程，對模型進行有針對性，指導性的優(yōu)化，得到判別模型:其中Y

6、1代表血斑蛋，Y2代表正常蛋。Y1=0.242*X512+0.659*X531+3.482*X558+1.187*X566-2.030*X568-0.402*X580+2.359*X586+4.972*X598-6.327Y2=-1.212*X512-0.961*X531+4.888*X558+3.949*X566+1.298*X568-3.335*X580-0.239*X586+2.598*X598-9.964
　　判別結(jié)果為: