排序方式: 共有78条查询结果,搜索用时 15 毫秒
1.
牛肉嫩度的高光谱法检测技术 总被引:6,自引:0,他引:6
为实现对牛肉嫩度的预测和分级,构建了试验用高光谱检测系统,在400~1000nm波长范围内获取牛肉表面的高光谱散射图像.从高光谱图像中提取牛肉的反射光谱曲线,用step-wise逐步回归法选择 430、496、510、725、760和828nm 6个波长建立了多元线性回归模型,用全交叉验证法验证模型的预测效果,模型的预测相关系数为0.96,预测标准差为0.64kg.以嫩度6.0kg为界将样本分为嫩牛肉和粗糙牛肉2类,特征波长处反射值为变量,建立了正则判别函数对牛肉嫩度分级,用全交叉验证法验证训练的效果.嫩牛肉分级准确率为83.3%,较粗糙牛肉分级准确率为90.9%,总的分级准确率为87.0%.研究表明该预测和分级技术具有一定的可行性. 相似文献
2.
农畜产品品质安全高光谱无损检测技术进展和趋势 总被引:8,自引:0,他引:8
高光谱成像技术作为光学无损检测的一种新技术在农畜产品品质安全检测中被广泛关注和应用.综述了高光谱无损检测技术的研发现状.在果蔬品质安全检测上,高光谱成像技术可用于组成分分析、食用指标测定、质量分级评定等内部品质检测和外部形态特征识别、表面缺陷及污染物检测、冻伤检验等外部品质判定,以及农药残留、致病菌污染等安全评定.在生鲜肉检测应用方面,包括营养品质的组成成分分析、食用品质如嫩度、大理石花纹、新鲜度等指标评价以及生鲜肉在微生物污染等安全品质的评定.分析了高光谱无损检测技术的现状及问题,并针对目前农畜产品无损检测的发展趋势进行前景展望. 相似文献
3.
大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。 相似文献
4.
精准施肥决策模型与数据库系统 总被引:2,自引:0,他引:2
以华北地区小麦及玉米为研究对象,以北京市昌平区崔村镇大辛峰村种植区为例,研究了精准施肥决策系统中施肥参数,并建立了相应的数学模型.将算法模型与数据库相结合,采用线性回归的方法,计算施肥时土壤对氮、磷、钾的需求量,利用二维插值的方法,建立了实验区中已知肥力样点与区域内未知肥力样点的相关关系,从而建立了土壤肥力查询数据库.通过以上方式,结合土壤的养分含量、作物种类及目标产量等相关参数来确定实验区域的施肥量.结果表明,该系统可实现施肥量的精确控制. 相似文献
5.
以大田冬小麦叶绿素含量为研究对象,首先利用高光谱成像系统以线扫描方式获取其反射光谱图像,选择感兴趣区域(ROI)并计算出光谱平均反射率值;然后分别针对其原始光谱和一阶差分光谱,通过相关分析和逐步回归分析,得到能反映叶绿素含量变化的7个最佳优化波长;进而基于该优化波长采用多元线性回归(MLR)方法组建模型,通过假设检验剔除对模型贡献不显著的3个波长变量。选用剩余的4个波长即710.85、767.42、650和520nm作为自变量重新建立模型,基于校正集和预测集模型的决定系数R2分别为0.8434和0.7093。研究结果表明,利用高光谱技术检测大田冬小麦叶绿素含量的方法是可行的。 相似文献
6.
传统的破坏性检测方法已难以满足豆类品质快速检测的需求。现有的无损检测设备存在稳定性及准确性不高等问题,为提高豆类品质含量检测装置的性能,基于近红外光谱技术研发了豆类品质无损检测装置,体积小、便于携带,能够适用于现场检测。基于所研发的装置,各取30个黄豆、绿豆、红豆、黑豆样本,通过旋转静态采集多次光谱求平均值与采集1次光谱的方式,对同一样品重复测量20次,得出随着采集次数的增加,光谱反射率变异系数平均值逐渐减小直至平缓,选取最佳豆类采集次数分别为16、8、14、16,对应的光谱变异系数平均值为2.9%、2.435%、2.763%、3.019%。以黄豆为例,选取80个样品,使用不同的预处理方法,分别建立黄豆蛋白质、粗脂肪和淀粉含量的偏最小二乘预测模型,结果表明,蛋白质、粗脂肪、淀粉质量分数预测的最优模型预处理方式分别为SG-MSC、SNV、SNV,其预测集相关系数Rp分别为0.974 6、0.950 5、0.960 7,均方根误差分别为0.249%、0.572%、0.623%。取40个黄豆样本对装置模型进行试验验证,蛋白质、粗脂肪、淀粉质量分数的独立验证相关系数R 相似文献
7.
我国玉米产量高,高效、便携、低成本的玉米成分检测技术及其装置对于玉米品质的检测至关重要,基于可见/近红外光谱技术,设计了一款玉米主要品质便携式检测装置。为探究所设计方案的可行性,自行搭建了可见/近红外光谱采集系统,对不同品种共72份玉米样本进行光谱采集,分别建立了玉米籽粒蛋白质、脂肪和淀粉含量的偏最小二乘(PLS)预测模型以及结合竞争性自适应重加权算法(CARS)的CARS-PLS预测模型。结果表明,CARS方法可以有效筛选出各组分的相关变量,提升模型效果,各组分质量分数的预测集均方根误差(RMSEP)均有所下降, 蛋白质质量分数的RMSEP由0.4866%降至0.4068%;脂肪质量分数的RMSEP由0.1549%降至0.0989%;淀粉质量分数的RMSEP由0.4714%降至0.4675%。预测集相关系数Rp均有所提高,蛋白质质量分数的Rp由0.9309提升至0.9603;脂肪质量分数的Rp由0.9497提升至0.9770;淀粉质量分数的Rp由0.9520提升至0.9605。基于CARS方法所筛选的各组分特征变量,选择了合适的近红外光谱传感器,在此基础上设计了检测装置的光谱采集单元、控制单元、显示单元、电源单元以及散热单元,并基于NodeMCU开发板和Arduino IDE开发工具,采用Arduino语言对装置控制程序进行开发,实现“一键式”快速检测。试验验证了该装置的检测精度和稳定性,结果表明,预测玉米籽粒蛋白质、脂肪和淀粉质量分数的相关系数分别为0.8431、0.8243、0.8154,预测均方根误差分别为0.3576%、0.2318%、0.2333%,相对分析误差分别为1.8577、1.7761、1.5735。对同一样本多次重复预测,各组分预测值的变异系数分别为0.235%、0.241%和0.028%。 相似文献
8.
基于可控气流-激光检测技术的鸡肉嫩度评估方法 总被引:1,自引:0,他引:1
以鸡肉嫩度为研究对象,采用可控气流-激光检测技术的瞬态、蠕变回复和应力松弛等动静态检测模态,并使用支持向量机分类器和全局变量偏最小二乘算法,结合不同预处理方法,对鸡肉嫩度进行定性判别和定量预测。结果表明3个激励模态结合不同预处理算法均可实现鸡肉嫩度的定性定量评估。在定性方面,瞬态模态对嫩度具有最佳的分类效果;S-G卷积平滑算法表现出最佳的预处理性能,校正集嫩/老分类精度分别为1和0.98,马修斯相关系数为0.97;而验证集分类精度也达到了0.95和0.84。在定量预测方面,S-G卷积平滑算法在提升原始数据的信噪比上同样具有最佳效果;瞬态模态校正集和验证集模型相关系数分别为0.948和0.913,均方根误差分别为0.736N和1.013N。因此,在组织结构引起的品质预测动态模态较静态模态更适用。本研究开展的可控气流-激光技术在鸡肉嫩度评估的应用,为肉品检测领域提供了新的解决方案。 相似文献
9.
为解决现存分级过程中损伤种子问题,替代仅根据种子表面特征评价的粗筛查方法,本研究基于高光谱的图谱融合技术,提出了一种番茄种子图像采集并辨识种子特征进而将种子分级的算法。试验随机选取170粒番茄种子作为样品,校正集与验证集比例约为3∶1。通过标准发芽试验得到种子活力结果,基于连续投影算法(Successive projections algorithm,SPA)求得反映番茄种子活力的特征波长为:535、577、595、654、684、713、744、768、809、840 nm。对特征波长下的光谱图像进行解析,通过双边滤波法、大津法、形态学变换算法提取了种子边缘轮廓,计算求出每粒种子的面积、圆形度以及图像灰度平均值。基于统计学分析,利用校正集128粒种子的特征值及其标准发芽试验结果求出分级阈值,其中有活力为合格,无活力为不合格。然后,利用验证集42粒种子的特征值对阈值进行验证,结果显示,在713 nm波长下的图像特征对活力结果判断分级的正确率最高,校正集和验证集的正确率分别为93.75%和90.48%。 相似文献
10.
基于近红外光谱的猪肉水分在线检测与分级 总被引:2,自引:0,他引:2
基于近红外光谱法,优化光纤探头检测距离并通过检测距离调节系统和多点同时检测,设计了猪肉水分在线检测分级系统。首先,为确定光纤探头与生鲜猪肉样品表面间的最佳检测距离,在13个不同检测距离下(5~29 mm)采集了54个样品的光谱,采用多元散射校正方法对原始光谱进行预处理,分别建立了第1波段(349~1 435 nm)、第2波段(1 037~1 761 nm)和双波段结合3种情况的含水率偏最小二乘回归模型,分析了不同检测距离和不同波段的模型,确认19 mm为在线检测分级装备的最佳检测距离。然后,通过检测距离实时调节系统动态固定最佳检测距离,设计了双波段多点同时检测系统,采集45个猪肉样品在静态条件和在线条件下的光谱,通过比较分析,两种情况下预测结果相近,从而证实了所设计的在线系统能够预测猪肉水分,并且双波段融合建模效果优于单波段,预测结果为:校正集相关系数和校正均方根误差分别为0.906和0.598,验证集相关系数和预测均方根误差分别为0.836和0.402。最后,利用独立的21个猪肉样品验证猪肉预测分级模型精度及稳定性,结果判断正确率为90.48%,表明可见近红外光谱法结合多点检测能有效地在线检测猪肉水分并分级。 相似文献