基于傅里叶变换近红外和支持向量机的霉变玉米检测

利用傅里叶变换近红外光谱对霉变玉米进行检测。运用波数范围在12 000~4 000 cm-1的FTNIR系统进行不同霉变程度样品光谱信息的采集,并利用支持向量机(Support Vector Machine,SVM)进行数据分析。结果显示,利用原光谱数据,以主成分分析(PCA)提取的前5个主成分作为输入,选用径向基函数(RBF)作为SVM核函数,并运用网格划分寻优法寻得的最优参数C、γ,所建立的分类模型最佳。SVM分类模型对训练集和测试集的预测准确率分别达到93.3%和91.7%,对独立样品集的预测准确率达到87.8%,表明基于FT-NIR和SVM进行霉变玉米的检测是可行的。     

基于配方功能的烟叶原料动态化平衡预测及分配方法探索

【目的】为缓解新品类卷烟规模快速增长带来的烟叶原料供给结构性矛盾,实现烟叶原料及时调配、及时优化、及时满足的动态平衡。【方法】以江苏中烟调拨初烤烟叶为材料,采用支持向量机（Support Vector Machine, SVM）、高斯核函数（Radial Basis Function, RBF）等方法构建配方功能预测模型,运用层次分析法（Analytic Hierarchy Process, AHP）建立烟叶适用性评价方法,确定不同配方功能类别的基础保障原料和动态平衡原料。【结果】确定了苏产卷烟的10个配方功能类别,并以香气质、香气量、烟气浓度以及浓劲比等12个烟叶样本特征指标计算烟叶原料的适用性分值和适用性指数;按照配方功能类别,完成对2020年度调拨烟叶的分配,设计形成100个打叶复烤配方模块。【结论】本研究建立了一种基于配方功能的烟叶原料动态化平衡预测及分配方法,可有效指导某一功能类别或相同品牌不同功能类别烟叶原料的配方模块设计。     

基于计算机视觉和机器学习的真伪卷烟包装鉴别

为解决人工鉴别真伪卷烟效率低、主观性强等问题,基于计算机视觉和机器学习建立了一种真伪卷烟包装鉴别模型。利用计算机视觉对卷烟包装进行图像处理和特征向量提取,分别以相似性度量模型、机器学习模型对特征向量进行分类并判定卷烟真伪。相似性度量模型采用曼哈顿距离模型进行分类,并对高斯双边滤波函数进行了参数优化;机器学习模型则以图像分块为基础,确定最优分块数量和面积。以"中华(软)""玉溪(软)""钻石(荷花)"3个卷烟品牌共603个真伪样品为对象,分别采用两种模型进行判定,结果表明:相似性度量模型在"玉溪(软)"样品测试集的准确率为96.17%;机器学习模型在"中华(软)""玉溪(软)""钻石(荷花)"3个样品测试集的准确率分别为98.99%、96.61%和100%。机器学习模型与相似性度量模型相比较,具有较好的迁移能力和鲁棒性,适用于卷烟真伪鉴别样品量大、品类多、图像复杂等情况。该方法可为提高真伪卷烟鉴别效率和准确率提供技术支持。     

支持向量机方法在烟叶可用性预测中的应用

为了对烟叶可用性分类进行评价,采用不同的核函数建立烟叶可用性支持向量机(Support Vector Machine,SVM)预测模型,对预测集样本进行预测,并与Fisher法的预测结果进行了比较。结果表明,SVM算法所建立的数学模型的预测准确率均比Fisher法高,且以径向基函数(RBF)建立的SVM分类模型的预测效果最好,对预测集样本的准确率达90%,说明SVM分类模型能较好地预测烟叶可用性。     

萤火虫优化支持向量机参数的近红外光谱技术鉴别卷烟牌号

目的：准确快速鉴别卷烟牌号。方法：采集不同牌号卷烟的近红外光谱,通过光谱预处理方法降低干扰因素后,利用萤火虫算法(FA)优化支持向量机(SVM)参数,考察光谱预处理方法、萤火虫算法的种群数目和迭代次数对卷烟分类正确率的影响。结果：采用标准正态变量变换(SNV)结合一阶导数(1D)方法进行近红外光谱预处理,当萤火虫种群数目为20,迭代次数为20时,优化支持向量参数可达到较好的识别效果,训练集的分类正确率为100%,测试集的分类正确率为96.67%~100.00%。结论：利用近红外光谱技术结合FA算法优化SVM可实现对卷烟牌号的准确鉴别     

基于激光诱导击穿光谱技术结合机器学习算法的3种干腌火腿产地识别

火腿种类多,产地不同。本文采用激光诱导击穿光谱技术(LIBS)结合机器学习算法鉴别火腿原产地。采集16个火腿切片样品(4个如皋火腿样品、5个金华火腿样品、7个宣威火腿样品)的LIBS光谱数据,应用K近邻(KNN)、支持向量机(SVM)以及全连接神经网络(DNN)对火腿样品产地进行分类。采用主成分分析(PCA)对火腿样品的光谱数据降维处理,然后,分别结合KNN和SVM算法对样品进行分类,并研究对建模速度和预测准确率的影响。结果表明:KNN和SVM在结合PCA后,建模分析时间大幅减少;KNN、PCA+KNN、SVM、PCA+SVM 4种分类方法的平均正确率分别为70.53%,73.50%,79.53%,80.42%,使用PCA结合KNN和SVM时分类准确率有小幅度的提高;使用DNN对火腿样品进行分类,正确率最高达85.56%,相比于KNN和SVM,DNN对火腿LIBS光谱数据具有更高的分类正确率。结论:用LIBS结合机器学习算法区分不同产地的火腿样品是可行的.     

基于近红外光谱和BYOL对比学习的烟叶部位识别方法

【背景和目的】烟叶部位识别对卷烟制品的配方设计与质量监控具有重要意义。利用近红外光谱（NIR）分析可以实现烟叶部位的快速、无损在线识别。针对烟叶光谱特征提取困难问题，利用具有强特征提取的BYOL模型，提出NIR-BYOL烟叶部位识别方法。【方法】通过微分光谱融合实现数据增强，利用卷积自编码器和多层感知器实现BYOL的在线网络和目标网络，以在线网络和目标网络输出的均方误差为损失函数，通过损失最小优化的编码值，提取的特征经SVM分类识别烟叶部位信息。实验比较分析了不同数据增强方式、卷积核大小和激活函数对模型的影响。【结果】一阶微分融合和二阶微分融合的组合是最佳数据增强方法，对比学习模型最佳参数为卷积核11*1，激活函数为ELU。模型对部位的平均识别率达到91.79%。相比SVM、PCA+SVM和PLS-DA方法，NIR-BYOL模型的准确率有显著提升，分别提升了13.12%、15.79%、16.79%。【结论】近红外光谱分析技术结合对比学习模型可以有效分类识别烟叶的部位信息。     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

基于SVM的棉麻织物近红外光谱快速无损鉴别

将近红外光谱技术与支持向量机(SVM)相结合建立分类模型,用于棉、麻织物的快速无损鉴别。选用径向基函数(RBF)作为核函数,分别采用网格搜索法、遗传算法和粒子群算法对惩罚参数c和核函数参数g进行参数寻优。结果显示,用网格搜索法得到的最佳参数c和g建立的模型分类结果最好,模型对棉、麻训练集的分类准确率分别为100%和99.12%,对预测集的分类准确率均为96.67%。近红外光谱技术鉴别单个样品的时长小于3 min,实现了快速鉴别。结果表明,近红外光谱技术与支持向量机相结合,可用于棉、麻织物的快速无损鉴别。     

中红外光谱结合线性判别分析快速鉴别蜂蜜品种

研究以椴树、槐花、葵花、苕子、油菜、枣花6种蜜源蜂蜜样品为研究对象,利用中红外光谱检测器对样品进行光谱扫描,结合线性判别分析方法(Linear discrimination analysis,LDA)建立蜂蜜品种鉴别模型。结果表明,在经过光谱预处理及主成分分析后,用LDA方法建立的蜂蜜品种鉴别模型,对训练集和测试集样品的预测识别准确率分别为97.59%和96.30%。上述参与训练与测试的全部样品作为训练集建立的模型对完全未参与建模的槐花蜜、油菜蜜样品预测其正确判别率分别为80.00%和94.87%。表明该方法在快速、准确鉴别蜂蜜品种具有可行性、实用性。     

Hotelling T~2结合多组分NIR校正模型在卷烟生产过程质量监测中的应用

为有效利用近红外技术结合化学计量学方法监测卷烟生产配方模块质量,通过建立卷烟配方模块主成分类模型,提取Hotelling T2统计量对配方调整前后的样品进行验证,其中配方调整前150个样品的Hotelling T2统计量分布于95%(Hotelling T2=22.70)置信范围内,配方调整后50个样品的Hotelling T2统计量均超过99%(Hotelling T2=28.16)置信范围;同时采用所建立的校正模型预测配方调整前后样品的烟碱、总氮和总糖含量,预测结果显示,150个配方调整前样品的烟碱、总氮和总糖含量处于M±3S质量控制范围内,50个配方调整后样品的烟碱、总氮和总糖含量均超出M±3S质量控制范围。该方法既可监测配方模块整体质量的稳定性和均匀性,也可预测配方模块化学成分含量的变化。     

基于深度学习的白酒分类识别方法

以深度学习为基础,结合Tensorflow与Keras框架,建立了基于深度学习的白酒品牌分类预测模型。通过电子舌(阵列式传感器)对待测白酒的特征信息进行采集,并与已知的待测白酒样品类别结合建立测试样本数据集,通过训练集与测试集对基于深度学习的白酒品牌分类预测模型进行训练与性能检验。结果表明,该预测模型的白酒品牌识别率达99.987%,准确率较高。     

激光近红外结合SVM的花生油掺伪定性定量分析

利用激光近红外技术结合支持向量机(support vectormachines,SVM)对花生油掺伪进行定性和定量分析。使用激光近红外光谱仪采集188个掺入餐饮废弃油、大豆油、玉米油以及菜籽油的花生油样品光谱图。结果表明,建立的SVC分类模型均能实现100%的预测准确率,但经提取波长后的模型的变量变少,由全波段的451个波长数减少为136个。建立的SVR回归模型也能准确预测花生油中掺伪油的含量,其中非全波段模型参与建模变量变少,由451个降低到66个,预测精度也更高,校正集和测试集相关系数分别达到99.88%、99.90%,均方根误差都低于6.99E-4。由此可知,特征波长提取方法不仅可以减少建模变量,提高建模效率,也能够提高模型的预测能力。结果表明,运用激光近红外结合SVM可以实现花生油掺伪油脂的定性和定量分析。     

本期导读

正1.Hotelling T2结合多组分NIR校正模型在卷烟生产过程质量监测中的应用为有效利用近红外技术结合化学计量学方法监测卷烟生产配方模块质量,通过建立卷烟配方模块主成分类模型,提取Hotelling T2统计量对配方调整前后的样品进行验证,其中配方调整前150个样品的Hotelling T2统计量分布于95%(Hotelling T2=22.70)置信范围内,配方调整后50个样品的     

基于FT-NIR光谱技术结合KPCA-MD-SVM对白酒基酒的快速判别

为保证在摘酒过程中基酒分段的准确,研究通过利用傅里叶变换近红外设备对整个摘酒过程中的基酒样品进行光谱采集,使用支持向量机（SVM）对最优预处理的基酒光谱建立基酒分段模型,其模型训练集的正确率为93.02%,测试集判别率为90.08%。为减少建模时间和提高模型的可靠性,使用核主成分分析（KPCA）对基酒光谱数据降维,并对此建立基酒分段模型。其训练集正确率为94.81%,测试集判别率为90.75%,相比无KPCA分析时的分段模型训练集高1.79%,测试集高0.67%。为进一步提高模型的判别能力,使用马氏距离（MD）剔除了降维后的异常数据样品,创建的基酒分段模型训练集对基酒段数的正确率为98.72%,测试集正确率为98.75%。剔除异常样品后的分段模型的训练集正确率提高了3.91%,测试集判别率提高了8%。以上研究表明了KPCA+MD+ SVM基酒分段模型能对基酒进行快速判别,为近红外光谱在自动化摘酒方面提供了一种理论可能。     

基于卷积神经网络的卷烟小盒外观检测研究

文章基于卷积神经网络(CNN),模拟人脑对图像的识别过程,实现了对卷烟小包外观检测.卷积神经网络所使用数据集采集自某卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集.将数据集随机生成90％的训练集与10％的验证集,将训练集送入卷积神经网络进行特征提取与分类.经过网络学习与测试,使用新的数据集,小包外观识别准确率可达99.15％,效果较好.     

近红外技术对不同动物来源肉掺假的检测

采用近红外光谱结合主成分分析法(PCA)、判别分析法,分别建立了牛肉和羊肉中掺杂其它动物肉的定性鉴别模型,根据鉴别准确率评价模型的预测性能。采用近红外光谱结合PCA、偏最小二乘法(PLS),建立了掺假物的定量检测模型,根据模型对预测集样品的预测均方差(RMSEP)以及预测值与实测值间的相关系数(r)验证模型的预测能力。结果,牛肉掺猪肉模型对训练集和预测集的鉴别准确率分别为97.86%和91.23%,羊肉掺猪肉模型对训练集和预测集的鉴别准确率分别为98.28%和92.98%,羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为99.59%和93.97%,羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.57%和90.76%。牛肉掺假定量模型对训练集的交互验证均方差(RMSECV)和预测集的RMSEP分别为3.87%和4.13%,r分别为0.9505和0.9134;羊肉掺假定量模型对训练集的RMSECV和预测集的RMSEP分别为4.48%和4.86%,r分别为0.9306和0.9082。表明近红外技术结合一定的化学计量学方法可实现不同动物来源肉掺假的鉴别,且能够对掺假物进行定量检测。     

基于机器学习算法的缺损米粉块在线快速检测

目的:实现缺损米粉块的快速在线检测。方法:提出运用机器学习算法对缺损米粉块检测数据进行分析。通过相机对米粉块进行非接触式数据采集,图像上传及处理后,获取米粉块的轮廓周长和面积、近似轮廓的周长和面积、近似轮廓点数、轮廓外接圆半径6个特征数据,依据米粉块样本数据特点,运用支持向量机(SVM)分类算法对米粉块的多特征数据组成的样本集进行分析。结果:通过与5种算法测试对比,GBDT分类算法平均准确率89%,用时1.10 s;KNN分类算法平均准确率88%,用时0.23 s;Logistic Regression分类算法平均准确率88%,用时0.68 s;Random Forest分类算法平均准确率87%,用时0.47 s;tree分类算法平均准确率87%,用时0.084 s;SVM分类算法检测平均准确率最高,达95%,平均用时最短,为0.000 97 s。结论:利用SVM分类算法进行米粉块缺损检测准确率高、用时短,适用于生产线的在线检测。     

高精度轻量级烟叶烘烤阶段识别模型研究

【背景】实时的烟叶状态识别和烘烤阶段判别是实现烘烤工艺精准调节和建立烟叶智能烘烤系统的关键技术。目前烟叶烘烤状态识别方面的研究受到模型规模的制约,难以应用于实际生产,因此有必要研究高精度轻型识别模型。【过程】采用工业摄像头和补光灯组成的图像采集系统采集烘烤过程的烟叶图像,通过伽马变换和HSI颜色空间转化并对烟叶数据集进行处理,使用改进的轻量级EfficientNetB0模型进行训练,并在Jetson Nano嵌入式开发板上进行模型可行性测试。【结果】改进模型在测试集上的准确率达到了96.13%,参数量仅为2.74 M,相比于原始EfficientNetB0,改进模型的识别准确率提高了1.59%,参数量减少了48.50%。在Jetson Nano开发板上,相比于MobileNetv2、MobieleNetv3等轻型模型,改进模型的识别速度和准确率均有明显提升。【结论】改进的EfficientNetB0模型可以实现烟叶烘烤阶段的快速、精准识别。同时本研究可为烟叶智能烘烤系统的建立提供了理论依据和现实参考。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。