气体传感器鉴别花椒产地研究

目前花椒产地鉴别基本以感官评定为主,缺乏客观性,在实施应用时难以做到量化和标准化,难以做出判断。因此设计研发一种快速鉴别花椒的智能装置。该装置以气体传感器阵列为核心,能够独立对花椒气味信息进行检测和鉴别,区分不同产地的同类花椒。利用主成分分析和WilksΛ统计分析对检测数据进行处理。提取主成分5个,累积贡献率为94.41%,其对应Fisher判别模型训练集平均准确率达到88.6%,验证集90%,WilksΛ统计分析最终选取8个变量,其对应判别Fisher模型训练集平均准确率91.82%,验证集95%。对WilksΛ统计所选取变量建立细分类交叉验证的Fisher判别模型,平均正确率达到97.27%,将模型移植到采集装置,完成智能花椒品种鉴别装置。该方法是一种简便高效的花椒品种鉴别方法,可为今后进一步研究花椒产地、分级提供检测仪器和理论依据。     

基于多种变量分析方法鉴别食醋种类电子鼻信号特征筛选

为了提高6种食醋的电子鼻鉴别能力,该文提出了一种基于多变量分析的食醋电子鼻信号多特征表征策略。初选不同的特征表征电子鼻信号,构建电子鼻信号的初始特征矩阵。采取载荷分析进行电子鼻传感器阵列优化,优选了12个气敏传感器的响应数据进行后续分析。为消除各传感器响应信号之间的相关性,对优选阵列的特征矩阵进行主成分分析(principal component analysis,PCA),并利用WilksΛ统计量选择鉴别能力最优的主成分子阵。在选择最优主成分子阵的基础上,以生成主成分的每一个原始特征变量为对象,计算每一个原始特征变量在主成分子阵中的贡献系数绝对值之和,且根据系数绝对值之和从大到小排序;同时,根据不同和值的指定,形成了不同容量的原始特征变量集。最后,借助于Fisher判别分析(Fisher discriminant analysis,FDA)探索了不同容量原始特征变量集的鉴别结果,确定了最佳的原始特征变量集。结果表明,特征选择前后传感器信号的表征特征发生了明显变化,最终采用48个特征参量实现了对食醋电子鼻信号的有效表征。在48个特征参量表征条件下,同时运用FDA和BP神经网络(back propagation neural network,BPNN)对6种食醋进行了鉴别分析,训练集的鉴别正确率分别在93%和98%以上,测试集的鉴别正确率也分别达到了90%和93%以上。另外,利用巴氏距离进一步揭示了样品间的可分离程度及FDA与BPNN结果的可信性。研究结果可为电子鼻信号多特征表征提供了一种新思路。     

基于多特征融合的电子鼻鉴别玉米霉变程度

为了提高电子鼻检测玉米霉变程度的正确率,该文探究了电子鼻信号不同特征组合的表征对霉变玉米鉴别结果的影响。首先,运用电子鼻对霉变玉米的5组样本训练集与测试集进行测试,获得测试信号。其次,分别提取测试信号的积分值(integral value,INV)、平均微分值(average differential value,ADV)、相对稳态平均值(relative steady-state average value,RSAV)作为特征值,5组训练集与测试集均分别采用3种单一的特征值或其组合特征值来表征。然后,运用Fisher判别分析(fisher discriminant analysis,FDA)分别对5组训练集进行判别分析,并用对应的测试集进行检验。FDA分析结果指出,电子鼻测试信息分别在单一特征和2个特征组合表征下,不同霉变程度玉米是不能有效分开的,但在2个特征组合表征下的鉴别正确率比单一特征有所提高;当用3个特征组合来表征测试信息时,FDA鉴别能力得到提高,鉴别正确率在96%以上。另外,借助于WilksΛ统计量考察了电子鼻中每个传感器测试信号表征的差异性,对3个特征组合的表征情况进行了表征变量筛选。FDA分析结果显示,筛选前后的鉴别结果非常相近,最低鉴别正确率均在96%以上,这说明不同传感器需要不同的特征表征,以体现其差异性,由此也减少了计算的复杂性。研究结果表明,用多特征融合模式可更有效地表征电子鼻对霉变玉米的响应信息,有利于提高霉变玉米的鉴别正确率。同时,该研究成果也不失一般性,为电子鼻信号表征提供了一种新思路。     

基于高光谱特征选择的霉变玉米黄曲霉毒素B_1的检测方法

为研究高光谱技术检测霉变玉米中黄曲霉毒素B_1含量的可行性,选择5种不同霉变程度的玉米为试验材料,利用高光谱图像采集系统获得了250个霉变玉米样本的高光谱数据,并进行多元散射校正(MSC)预处理;运用偏最小二乘回归(PLSR)系数来选择特征波长,筛选出7个特征波长,然后利用Fisher判别分析(FDA)分别对全波长和特征波长下霉变玉米进行鉴别分析。结果表明,5组样本在全光谱波段下的FDA鉴别正确率在85%～88%之间,而在特征光谱下的FDA鉴别正确率均在98%以上,说明特征波长能较好地表征不同霉变等级的玉米。神经网络模型优于PLSR模型,其预测集相关系数和均方根误差分别为0.999 9、0.180 9。因此,可认为利用高光谱技术来检测不同霉变程度玉米中的黄曲霉毒素B_1含量是可行的。本研究结果为高光谱鉴别其他农产品提供了重要参考。     

连续投影算法融合信息熵选择霉变玉米高光谱特征波长

运用高光谱技术鉴别玉米霉变等级时,因光谱波段数多、数据量大、信息冗余度高,使鉴别工作难度加大。为了减少数据量,获得最有利于鉴别的高光谱信息特征波长,本研究提出了一种连续投影算法(SPA)融合信息熵的特征波长选择方法。首先,对霉变玉米样本高光谱数据运用多元散射校正(MSC)进行光谱预处理以消除噪声,然后利用SPA对处理过的光谱进行波长初选,得到8个初选特征波长,再通过信息熵原理处理初选特征波长下的图像信息,获得最佳特征波长。结果表明,运用SPA融合信息熵法得到有利于霉变玉米鉴别的最佳波长为819 nm,提取该波长下霉变玉米图像的纹理特征后,采用Fisher判别分析(FDA)进行鉴别,6个等级霉变玉米的鉴别正确率高达98.6%,充分证明所给出的特征波长选择方法是有效的。本研究特征波长选择方法可为更好地运用高光谱技术鉴别玉米霉变等级提供指导。     

基于电学特征的苹果水心病无损检测

为了探寻快速而准确的苹果水心病无损检测新方法,该文以‘秦冠’水心病疑似病果和好果作为试材,逐果采集11个电学指标在100 Hz~3.98 MHz间13个频率点的特征值,然后切开并统计真实发病情况。利用主成分分析结合不同分类模型进行好果与病果判别分析,结果选取方差累积贡献率大于90%的主成分15个,Fisher判别、多层感知器人工神经网络(multi-layer perceptron,MLP)对好果和病果的判断正确率均随着主成分数的增加而增大,并分别在主成分数量达到前13、10时趋于稳定水平93.3%、95.4%。径向基人工神经网络(radical basis function,RBF)结合15个主成分判别的正确率75.1%。水心病引起介电损耗系数D、复阻抗相角deg、串联等效电容Cs和并联等效电容Cp及相对介电常数(ε')、损耗因子(ε")共6个参数在低频区(100~10 000 Hz)的观测值高于好果,是电学法能够对水心病果和好果进行‘识别’的原因。同时发现,利用低频率下(100~25 100 Hz)损耗因子(ε")值结合MLP或RBF人工神经网络模型对水心病果和好果识别正确率均能达到100%,是一种简便而高效的苹果水心病无损检测方法,可为今后进一步研发苹果果实水心病在线无损检测仪器提供理论与技术依据。     

基于Gabor小波和颜色矩的棉花盲椿象分类方法

为了提高棉花盲椿象测报精度,提出了一种在自然环境下基于Gabor小波和颜色矩的棉花盲椿象自动分类方法。该方法以5种棉花盲椿象为研究对象,利用Gabor小波和颜色矩分别提取盲椿象图像的纹理和颜色特征,并结合主成分分析和支持向量机,实现了棉花盲椿象的分类。通过特征提取与优化试验发现,利用主成分变换得到的第1主成分、第2主成分和第3主成分分量累计贡献率为87.3%,且聚类效果较好;通过棉花盲椿象分类试验得出,经过主成分分析与径向基核函数支持向量机相结合的棉花盲椿象分类效果最好,其训练时间为89 ms,分类正确率达91%。该方法能准确对棉花盲椿象进行分类与识别。     

独立分量分析融合小波能量阈值的电子鼻信号去漂移方法

电子鼻在长期使用过程中,由于受到传感器老化和温湿度波动等因素的影响,使得电子鼻信号存在着漂移现象,制约了电子鼻的准确检测。为了提高电子鼻鉴别多组分复杂食品时的长期稳健性,提出了一种独立分量分析（independent component analysis,ICA）融合小波能量阈值的去漂移信号方法。首先,运用ICA分解电子鼻信号以获得各个独立成分;其次,根据各个独立成分的小波能量值选择独立成分,以剔除漂移信号;最后,运用所选择的独立成分重构电子鼻信号。选用6种白酒样品和6种食醋样品进行电子鼻鉴别验证：在分别提取2类样品去漂移前后的电子鼻信号积分值（integral value,INV）特征后,分别对6种白酒样品和6种食醋样品进行了Fisher判别分析（fisher discriminant analysis,FDA）,FDA的鉴别正确率分别由去漂移前的34.3%（白酒样品）、75.7%（食醋样品）提升到去漂移后的100%（白酒样品）、99.7%（食醋样品）。Fisher判别分析结果表明,所提出的电子鼻信号去漂移方法是有效的。与其他独立分量分析方法相比,该方法不受先验信息的影响,更便于实际应用,研究结果不仅适用于白酒、食醋样品的鉴别,也为其他类型的样品鉴别提供参考。     

电喷雾萃取及电离质谱法分析大豆水提液快速鉴别种子活力

为快速评价大豆种子活力,该文以人工加速老化后的大豆种子为原料,采用电喷雾萃取电离质谱（extractive electrospray ionization-mass spectrometry,EESI-MS）直接检测不同活力大豆种子水提液,获得其正离子模式下指纹图谱,结合主成分分析（principal component analysis,PCA）、聚类分析（cluster analysis,CA）和判别分析（discriminant analysis, DA）,建立鉴别大豆种子活力的方法。结果表明,在正离子模式下,电喷雾萃取电离质谱结合多变量分析方法可以有效鉴别不同活力大豆种子。主成分分析提取了前3个主成分因子,累计贡献率达到94.80%,聚类分析和判别分析的正确率都为100%,对外部验证样本进行判别分析,正确率为95%。电喷雾萃取电离质谱能快速鉴别不同活力大豆种子,为种子活力检测提供了一种快速、准确、高效的新方法。     

基于压力和图像的鲜玉米果穗成熟度分级方法

为实现鲜玉米果穗成熟度等级的客观评定,提出了基于压力传感器和计算机视觉技术的综合分析方法。研制了玉米果穗成熟度检测装置,提取纹理信息所得惯性矩和压力检测装置所得最大压力值作为鲜玉米果穗成熟度等级评定的特征参数,通过系统聚类分级研究,确定成熟度等级为3级。采用主成分分析法对11个颜色特征进行优化筛选,用第一、二主成分可综合反映11个颜色特征的分级信息,实现了参数的降维。试验结果表明：以最大压力值、惯性矩、颜色特征主成分分析第一、二主成分值作为构建概率神经网络的输入,进行鲜玉米果穗成熟度等级评定,正确率为96.67%。结合压力传感器和计算机视觉技术可实现对鲜玉米果穗成熟度的准确分级。     

高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。     

基于近地成像光谱的小麦全蚀病等级监测

小麦全蚀病是检疫性的土传病害,对小麦生产危害极大,对其发生的监测是治理的根本。遥感技术可实时、宏观监测病害发生发展,尤其是成像光谱技术的图谱合一,可精准对病害识别和分类。该文首先通过主成分分析提取不同小麦白穗率的冠层光谱特征;再通过灰色聚类分析方法,研究白穗率等级的可分性;最后利用基于径向基(RBF,radial basis function)核函数的支持向量机对全蚀病害的近地成像高光谱图像进行分类,从而验证近地成像光谱在全蚀病监测上的可行性。研究结果显示:该方法对5种程度的小麦全蚀病白穗率的分类精度均达94%以上,Kappa值大于0.8。研究表明利用该方法,通过近地成像光谱图像可以准确监测小麦全蚀病的病情,对小麦全蚀病的治理有指导意义。     

基于Zernike矩的马铃薯薯形检测

目前基于机器视觉的马铃薯薯形检测的形状特征单一,相关研究较少,为了进一步探索合适的形状特征参数及检测方法,该文将Zernike矩作为特征参数并利用支持向量机实现了马铃薯薯形的检测分类,准确度较高。首先用截取最佳图像的方法对马铃薯图像进行归一化,使得归一化后的图像具有平移和尺度不变性,然后从归一化的图像中计算具有旋转不变性的Zernike矩参数,通过特征筛选确定分类的19个Zernike特征参数,最后将这些特征输入到支持向量机中,用高斯径向基核函数（RBF）和Sigmoid核函数构建混合核函数,完成马铃薯薯形检测分类,对薯形良好和畸形的检测准确率达93%和100%,能够准确剔除畸形马铃薯并满足实际检测的要求。     

基于近红外光谱的烤烟烟叶自动分组方法

为了探索烤烟烟叶收购质量的无损检测技术,提出了一种基于近红外光谱技术快速鉴别烟叶分组（部位、颜色）的方法。分析了近红外光谱技术应用于完整烤烟烟叶质量评价的可行性,用不同波段范围、不同光谱预处理方法（多元散射校正MSC、标准正态变量变换SNV、微分光谱）和不同主成分因子数分别对烟叶部位和颜色分类结果的影响进行了对比分析,分别建立了烟叶部位和颜色的定性判别模型。结果表明：用判别分析（discrimant analysis,DA）方法在1?101～2?395?nm范围结合原始光谱建立的DA判别模型最优,该方法对烟叶部位、烟叶颜色的校正集分类正确率均达100%,预测集分类正确率分别达到98.57%和97.14%。说明所提出的方法具有很好的分组作用,近红外光谱技术为烤烟烟叶收购质量等级评价提供了一种新方法。     

基于介电特征选择的苹果内部品质无损分级

为了快速而准确地利用介电特性对苹果内部品质进行无损分级,该文对500个富士苹果的108种特征值（12种介电参数在9个频率点下）进行了分析筛选,以获取用于5个品质等级富士苹果无损分级的最少介电特征。在整个内部品质的分级过程中,贪心选择法、基于快速聚类的特征子集选择法、稀疏主成分分析法和以信息增益为评价函数的属性排序法共4种方法被用来从108种介电特征中选择出对等级划分最有帮助的关键介电特征。试验结果显示,基于快速聚类的特征子集选择法仅选择了4种特征时分级正确率就达到了80%左右,而贪心选择法的性能明显更优,在分级正确率超过90%时,其选择的特征一般不超过10种,其最优情况为当选择了4种介电特征时,分级正确率为91.22%,而当选择了10种介电特征时,其分级正确率为95.95%。该研究为水果等农产品的品质与病虫害快速无损检测等提供参考。     

牛肉大理石花纹图像特征信息提取及自动分级方法

为了解决牛肉大理石花纹在人工分级中准确率和效率低的问题,该文基于计算机视觉和图像处理技术提出一种实用的牛肉大理石花纹自动评估和分级方法。通过图像解析,利用所提出的分级算法实现牛肉大理石花纹的快速提取,并计算反映大理石花纹丰富程度的10个特征参数。使用特征参数建立主成分回归模型,对牛肉大理石花纹等级进行预测,预测相关系数Rv=0.88,预测标准差SEP=0.56。校正时模型总体的回判正确率为97.0%,验证时总体的判别正确率为91.2%。在此基础上,开发了大理石花纹自动分级软件系统和硬件装置,并且在该试验室前期研制的样机上进行了试验,验证了算法的运算速度和准确率。结果表明,所提出的分级方法的检测速度和精度均能够满足企业中对牛肉大理石花纹分级的要求。     

基于空载数据的鉴别食醋电子鼻信号漂移校正方法

由于传感器老化,环境温度等因素,电子鼻信号的漂移是不可避免的,且严重降低电子鼻的长期稳健检测能力。为了实现电子鼻对6种食醋样品的长期稳健检测,该文提出了一种基于空载数据的小波包分解系数的漂移递归校正方法。通过小波包对电子鼻空载数据的分解,给出空载阈值函数(no-load threshold function,NLTF),然后将NLTF转换为适合样本数据的样本阈值函数(samplethresholdfunction,STF)。在获得的STF基础上,构建样本检测数据小波包分解系数的校正函数。借助于所构建的样本测试数据的校正函数,对6种食醋样品的电子鼻数据进行漂移校正。同时,运用"样本测量时间窗口(sample measurement time window,SMTW)"的概念,实现电子鼻数据的递归校正,进而建立了可实现长期稳健检测的递归鉴别模型。针对6种食醋样品,进行了为期16个月的间歇式测试。当SMTW选为4个月的测试样本及每次递推前移1个月样本数据时,建立的基于递归校正的Fisher判别分析(Fisher discriminant analysis,FDA)模型可完全实现6种食醋样品的长期稳健鉴别,正确鉴别率达到100%,使紧随SMTW后1个月内的测试样本能得到准确鉴别。该校正方法能够有效的去除漂移并且实现了电子鼻的长期稳健检测。     

基于主成分分析和判别分析的白酒品牌鉴别方法

白酒的香气物质决定了白酒产品的差异。为了实现不同白酒产品的区分鉴别,提出了基于气相色谱分析技术结合模式识别实现白酒区分的方法。采集了7种产品共70个白酒样本的气相色谱数据,定性定量分析了己酸乙酯、乳酸乙酯等10种基本香气物质的含量,并对测定的物质进行主成分分析,验证区分效果,最后利用线性判别法建立判别函数,对不同白酒进行区分。结果表明,2种分析方法均可用于区分不同白酒,主成分分析结果显示,前3个主成分累计贡献率为86.527%,能有效描述香气物质和产品之间的复杂关系;线性判别分析对所有样本均得到准确的判别,正确率为100%,对预测样本的正确判别率达93.9%,建立的判别函数能准确区分不同白酒。研究表明,利用气相色谱技术结合模式识别的方法可用于不同白酒的区分鉴别。     

基于机器视觉的板栗分级检测方法

为实现合格和缺陷板栗的分级,研究了1种基于BP神经网络与板栗图像特征的板栗分级方法。试验以罗田板栗为研究对象,提取的颜色及纹理等8个特征值,通过主成分分析提取相应的主成分得分向量构成模式识别的输入。利用BP神经网络方法建立了板栗分级模型。试验结果表明,在图像信息主成分因子数为3,中间层节点数为12时,建立的模型最佳,模型训练时的回判率为100%,预测时识别率达到了91.67%。研究结果表明基于机器视觉技术的针对缺陷板栗分级检测方法是可行的。     

基于机器视觉的马铃薯自动分级方法

为了实现马铃薯的自动分级,设计了基于V型平面镜同时获取三面图像的马铃薯机器视觉分级系统,并提出了相应的分级算法。根据大小特性,提出基于最小外接柱体体积法的马铃薯大小分级检测方法;根据外形特性,采用最长径外接矩形的宽高比法,实现了类圆形、椭圆型以及长型马铃薯的分类;根据马铃薯缺陷特点,分别提出以缺陷面积大小作为判别准则的孔洞、干腐马铃薯判别方法,以外接矩形对角线长度作为判别准则的机械损伤马铃薯判别方法和基于交叉法的发芽、畸形马铃薯检测方法。最终马铃薯的分级正确率为91.0%。试验结果表明:基于机器视觉的马铃薯自动分级检测方法可行,可用于马铃薯外部品质的在线检测。