鱼体新鲜度近红外光谱检测方法的比较研究

目的 建立针对淡水鱼整鱼鱼体新鲜度的快速无损检测方法. 方法 通过比较不同的光谱与相应挥发性盐基氮(TVB-N)值的建模结果, 以及对比分析竞争性自适应重加权算法(CARS)、遗传算法(GA)及连续投影算法(SPA)三种特征波长选择方法对模型的优化结果, 对鱼鳞及光谱采集部位等影响因素进行研究。结果 鱼体有鳞时的尾部为最佳新鲜度检测部位。CARS法较优且鱼体新鲜度检测的最优波段为800~1100 nm, 采用CARS特征波长选择方法选择出23个波长变量重新建立PLS模型, 模型预测集相关系数RP=0.957, 预测均方根误差RMSEP=0.589 mg/100 g。利用CARS方法选择的23个波长变量对淡水鱼进行新鲜度评价, 准确率达96.67%。结论 该方法为淡水鱼整鱼新鲜度快速无损检测提供了一种有效的方法。     

半透射高光谱多指标同时检测马铃薯内外部缺陷

目的应用半透射高光谱成像技术结合支持向量机(support vector machine,SVM)模型实现马铃薯内外部缺陷多指标同时检测。方法采集310个马铃薯样本半透射高光谱图像,并分别采用标准正态变量变换(standard normalized variate,SNV)、归一化(normalize)和平滑处理(smoothing)对光谱信息进行预处理。进一步采用竞争性自适应重加权算法结合无信息变量消除法(competitive adaptive reweighed sampling algorithm,uninformative variable elimination,CARS-UVE)进行特征波长选择,提高模型识别率。结果原始光谱信息经归一化预处理和竞争性自适应重加权算法结合无信息变量消除法(CARS-UVE)降维后所建的支持向量机(SVM)模型识别结果最优,该方法对合格、绿皮和黑心马铃薯样本预测结果分别为90.7%、88.9%、95.7%,混合识别率为91.3%。结论采用半透射高光谱成像技术结合CARS-UVE方法所建SVM模型能够实现马铃薯内外部缺陷多指标同时检测。     

SR—200型数字显示式谷物小容重器的研制

粮食籽粒的自然容重是粮食质量和等级的重要指标。本文介绍了一种新型的工作容积为0.2升的数字显示式小籽粒谷物容重器,以解决品种资源和育种研究工作中样品量少的需要。     

不同品种牛肉新鲜度光谱检测模型的维护方法

目的 研究不同品种牛肉新鲜度挥发性盐基氮 (TVB-N)定量光谱检测模型的修正方法, 对模型进行维护, 从而提高光谱校正模型的通用性。方法 采用基于SPXY算法的代表性样本添加及光谱吸光度值修正两种方法对黄陂黄牛的TVB-N含量预测模型进行修正。结果 两种方法修正之后的模型使恩施水牛样本的TVB-N预测相关系数R从0.021分别提高至0.919、0.851, 预测误差从8.347分别降至2.182、2.872。结论 修正之后的黄牛模型可实现对黄陂黄牛和恩施水牛两个品种新鲜度TVB-N含量的定量检测, 样本添加的方法优于吸光度值修正方法。     

用多波长和LS-SVM补偿土壤温度的方法研究

针对近红外光谱易受样品温度的影响,采用多尺度小波变换对光谱数据进行消噪,运用最小二乘支持向量机(LS-SVM)在全谱范围内建立了近红外光谱预测模型,研究土壤温度对土壤含水率预测结果的影响,提出了应用多波长和LS-SVM回归法补偿土壤温度对土壤含水率预测精度的影响.试验结果表明,土壤温度影响近红外光谱预测土壤含水率,模型...     

土壤抗剪强度的试验研究

当耕作部件加工土壤时，土壤所产生的变形、阻力以及压实等，都与土壤的强度有关。为了便于确定正确的土壤耕作方法，选择耕耘机械工作部件最合理的构造，对于土壤强度的研究是土壤力学中最基本的一环。土壤强度既受限于土壤本身的特性，如质地和构造等，又受限于环境条件...     

传感器数据融合处理的神经网络法

用电容传感器测量泥沙含量的过程中，电容传感器的输出值受环境温度的影响大，为消除温度对测量数据的影响，提出用人工神经网络法对传感器进行数据融合处理的方法，该方法以传感器的泥沙含量值与温度值为网络的输入，通过对网络的训练达到消除非目标参量一温度的影响。试验结果表明谊方法收敛速度快，输出稳定性高，能有效消除温度带来的影响。     

猪肉中挥发性盐基氮含量光谱检测模型的修正方法

目的 研究猪肉新鲜度指标挥发性盐基氮(TVB-N)含量检测模型修正方法, 以提高光谱校正模型对不同品种猪肉样品的适用性。方法 建立基于偏最小二乘回归(PLSR)的杜长大猪肉TVB-N模型, 采用光谱信号补正与模型更新两种方法对该模型进行修订, 比较修正后杜长大模型对恩施山猪样本的预测效果。结果 建立的杜长大猪肉样本模型预测决定系数R2p为0.884, 预测标准差RMSEP为1.792, 将此模型用于预测恩施山猪TVB-N值, R2p为0.552, RMSEP为4.733。修正后的杜长大猪肉样本模型预测恩施山猪TVB-N值时, R2p分别提高到0.964和0.943, RMSEP分别降低为1.329和1.885。结论 光谱信号补正和模型更新方法均能有效改善模型预测性能, 提高模型适应性。     

用碰撞式传感器测量水果的坚实度

用碰撞式传感器测量水果的坚实度李小昱，王为西北农业大学机电工程学院水果的坚实度是评价其品质特性的一个重要指标，此指标反映了水果挤压、剪切强度机械特性，并在适时收获，质量评估、加工工艺、市场销售、保鲜贮藏等各个环节中，都有广泛的应用。因此，水果坚实度的...