基于深度学习的牛肉大理石花纹等级手机评价系统

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。     

夹持压力可控的香梨采摘末端执行器设计与试验

库尔勒香梨是新疆特色水果,其酥脆特点为香梨机械化采摘带来较大挑战。为了降低香梨机械损伤及实现自动采摘,在分析物理特性、力学模型的基础上研制了夹持压力可控的夹持-扭转协同工作的香梨采摘末端执行器,主要包括夹持部件、旋转部件、压力反馈单元及控制单元等。以夹持-扭断时间、放果时间和采摘成功率为指标,进行采摘试验,结果表明:夹持压力阈值和扭转角度分别为7N和60°时,夹持-扭转时间在1.01～1.75s之间,放果时间在0.43～0.91s之间,采摘成功率约为94.6%。该末端执行器采摘速度快、成功率高,可为香梨采摘机器人的研发提供参考。     

便携式豆类品质监控系统研究

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R_p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     

苹果外部缺陷全表面在线检测分选装置研发

中国是水果消费大国,但在水果产后检测装备方面相对滞后。针对目前在线装置无法采集苹果全表面图像信息且无法精确计算缺陷面积的问题,该研究以表面缺陷面积的快速检测为主要目标,提出苹果全表面图像合成算法,设计了一套苹果外部品质在线检测及分级装置。该研究以苹果为例,基于球模型提出苹果全表面图像合成算法、缺陷面积校正算法精确计算苹果的表面缺陷面积。通过试验验证,对苹果表面图像进行分割合成后,整体的图像的漏检率为0。提出缺陷面积校正算法,可以计算图像中位于任意位置的苹果缺陷真实面积,选取了120个样本进行验证,其中擦伤样本、碰伤样本、痘斑病样本、表面腐败样本各30个。擦伤样本缺陷面积预测值与真实值的决定系数R2为0.9787,标准误差RMSE（Root Mean Squared Error）为3.577 4 mm2,偏角试验中R2为0.975 8,RMSE为3.466 3 mm2。碰伤样本缺陷面积预测值与真实值的R2为0.973 0,RMSE为3.981 9 mm2,偏角试验中R2为0.974 2,RMSE为4.062 4 mm2。痘斑病样本缺陷面积预测值与真实值的R2为0.970 8,RMSE为3.836 6 mm2,偏角试验中R2为0.977 9,RMSE为3.895 3 mm2;表面腐败样本缺陷面积预测值与真实值的R2为0.9812,RMSE为3.178 1 mm2,偏角试验中R2为0.974 8,RMSE为6.304 4 mm2。在整个试验过程中,R2总体上高于0.97,RMSE小于6.304 4 mm2。装置检测苹果的速度为2个/s,评级准确率为95%,检测与苹果评级精度较高,工作较为稳定,实现了苹果外部缺陷的检测与分级评价,为苹果的外部品质检测提供了技术支撑。     

精准施肥决策模型与数据库系统

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.     

基于可控气流-激光检测技术的鸡肉嫩度评估方法

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0.736N和1.013N。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。     

基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测

定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义.本研究验证高光谱成像技术结合偏最小二乘-最小二乘支持向量机(PLS-LS-SVM)建模方法预测大田冬小麦叶绿素含量的可行性.首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱,进而得到其立方体图像数据,并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值.为保证PLS-LS-SVM模型的鲁棒性和预测稳定性,首先通过PLS方法解决多重共线性问题并将输入变量维数减至4维,然后利用LS-SVM进行训练建模.所建叶绿素含量预测模型的决定系数达R2=0.8459,预测均方根误差RMSEV=0.4370.研究结果表明,基于高光谱成像系统,采用PLS-LS-SVM建立模型用来预测大田冬小麦叶绿素含量是完全可行的.     

冬小麦叶绿素含量高光谱检测技术

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520nm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。     

玉米主要品质便携式检测装置设计与试验

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%。     

基于近红外光谱的猪肉水分在线检测与分级

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。