基于“深度”神经网络的贮藏期柚果品质检测模型研究

针对柚果单个理化指标无法表征整果品质，和其内部品质无损检测精度不佳等问题，采用可见-近红外光谱、机器视觉和动态称重等无损检测技术，搭建动态无损检测试验样机，构建“深度”神经网络模型，探究柚果内部综合品质检测方法。研究发现，采集柚果的多特征信息(光谱特征、果形描述子和动态质量等)，经数据融合和分析，构建综合品质指标(HP和STP)，建立BP神经网络模型，可准确检测蜜柚和沙田柚内部品质，R_pre²分别达到0.930 1和0.936 1，均高于其他内部品质指标(SSC,TA,MC和E)检测结果，具备高效、快速且精度高等优势。研究为厚皮水果综合品质指标构建和模型检测提供参考。     

球磨-酯化复合改性槟榔芋淀粉对Pickering乳液形成的影响

为了提高淀粉颗粒的乳化能力,以球磨-酯化复合改性槟榔芋淀粉为颗粒乳化剂,大豆油为油相,制备水包油型Pickering乳液.采用激光粒度仪、研究级正置显微镜、流变仪等对Pickering乳液外观、液滴粒径、显微形态及动态流变特性进行表征,考察淀粉颗粒质量浓度(1、5、10、20、30 mg/mL)和油相体积分数(10％、20％、30％、40％、50％)对乳液稳定性和流变特性的影响.研究发现:增加颗粒质量浓度导致乳化相体积增加,液滴粒径减小;随着油相体积分数的增加,乳化相体积增加,液滴粒径增大.当颗粒质量浓度为20 mg/mL,油相体积分数为40％时,乳液的乳析现象明显改善.球磨-酯化复合改性槟榔芋淀粉颗粒吸附在油/水界面,有效抵抗了液滴聚结,使乳液在储存30 d后仍表现出良好的稳定性.流变特性表明:乳液内部存在弹性凝胶网络结构,随着颗粒质量浓度和油相体积分数的增加,液滴间堆积变得更紧密,从而增加了乳液黏度和凝胶强度,使其抵抗形变能力增强.球磨-酯化复合改性槟榔芋淀粉颗粒具有良好的作为Pickering乳液稳定剂的潜力.     

辛烯基琥珀酸淀粉酯研究现状

辛烯基琥珀酸淀粉酯是淀粉经辛烯基琥珀酸酯化改性后得到的一类酯化淀粉,具有亲水亲油的优良品质,常被用作乳化剂、增稠剂、微胶囊壁材等,应用前景广阔,近年来受到人们的广泛关注。因此,本文对辛烯基琥珀酸淀粉酯的反应机理、理化性质、研究现状等进行综述,以期为辛烯基琥珀酸淀粉酯的进一步研究提供参考。     

槟榔芋淀粉与其球磨酯化淀粉理化性质比较

以槟榔芋原淀粉为原料,采用球磨结合辛烯基琥珀酸(OSA)酯化方法制得复合改性淀粉,对其理化性质进行研究,并与原淀粉、酯化淀粉和球磨淀粉进行比较。结果表明:球磨淀粉的溶解度、膨润力和透明度均显著提高(P0.05),尤其是冷水溶解度,但其抗凝沉性、冻融稳定性和表观黏度却降低;酯化淀粉和复合改性淀粉的溶解度、膨润力、透明度、抗凝沉性、冻融稳定性和表观黏度均明显提高,由此可见槟榔芋原淀粉和球磨淀粉经OSA酯化改性后品质均得到明显改善,复合改性淀粉的表观黏度增加尤为明显,说明其具有更好的增稠性能。     

基于光谱技术与光学仿真的柚果在线检测托盘设计与试验

采用Trace pro软件对柚果及配套传送托盘模型进行光学仿真分析,设计一款适用于柚果在线检测的传送托盘。通过结构优化和材料替换等方法,对仿真结果中辉度/照度值较高的托盘模型,进行实物加工。柚果置于不同类托盘上,自主搭建光谱平台分别采集柚果漫透射光谱进行试验对比。以试验结果最优的托盘配合柚果进行光谱采集,光谱经预处理,连续投影算法提取光谱特征波段,建立柚果可溶性固形物含量的偏最小二乘回归法的预测模型,最佳预测决定系数为0.957;预测均方根误差为0.271°Brix。结果表明,模型的预测能力好、预测精度高,传送托盘设计合理。     

基于智能驱动模式的柚果品质无损检测装置

目前农产品无损检测方法单一，导致分拣分级精度不高，亟须提升批量动态检测精度。针对梅州蜜柚检测，采用光谱检测、机器视觉、动态称重和人机交互等技术，设计了一款智能驱动无损动态检测装置。阐述了装置关键结构参数与选型、搭建方法与工作原理，并开展了性能测试。测试分析结果表明，该装置可采集和融合柚果特征波长、图像特征、和动态质量等多特征信息，并自主完成多源异质信息融合，通过柚果内部品质深层解析模型——广义神经网络模型，再经样本训练、规则判别、算法寻优和深度学习，快速完成内部品质指标的精确预测和验证。说明所设计的智能驱动无损动态装置可以快速、高效和准确地完成柚果品质检测，满足性能需求。     

基于神经网络深度学习算法的驾驶员疲劳驾驶检测研究

搭建了驾驶员疲劳检测的信息采集系统，采用ARM嵌入式开发，可采集驾驶员的人脸图像、温度、心率、GPS定位等信息，并将相关信息通过Web上传模块上传到后台软件系统，通过后台处理驾驶员疲劳状态图像，得到处理结果并通过LCD屏显示。后台软件系统使用基于深度学习的疲劳驾驶检测算法，利用百度人脸识别模块实现人脸识别确定身份。利用深度学习神经网络模型YOLOv3算法检测出常规摄像头实时采集的驾驶人员人脸图像，利用特征点模型实现眼睛和嘴巴区域的分割，采用金字塔分离特征，采用了Mosaic数据图像增强，使用YawDD作为疲劳驾驶检测模型的数据集，通过循环神经网络（RNN）中的长短记忆网络算法训练模型，最终实现驾驶员疲劳度检测。     

淀粉在Pickering乳液中的应用研究

Pickering乳液是由固体颗粒代替表面活性剂稳定的乳液,具有无毒、乳化剂用量少、强界面稳定性、抵抗奥氏熟化等特性,在食品、药品、化妆品等领域具有巨大的应用前景。淀粉因其具有来源广泛、可生物降解、安全可食等优势,已成为用于稳定Pickering乳液的研究热点。因此通过对Pickering乳液的稳定机理、稳定性的影响因素及淀粉制备Pickering乳液的研究进展进行综述,以期为Pickering乳液在食品领域的研究与开发提供参考。     

纳米食品的研究进展

纳米食品是指食品成分在纳米尺度下处理得到的纳米级食品,可利用物理法、化学法、生物降解法制备。与传统食品相比,纳米食品可提高其吸收率和生物利用率,还具有更高附加值和功能效用,应用前景广阔。然而,由于纳米尺度的特殊性,不健全的安全评价体系让纳米食品的安全性受到质疑。综述了纳米食品的加工方法、应用现状及安全性问题,并对其未来发展提出建议,以期为纳米食品的开发与应用提供参考。     

基于近红外透射光谱与机器视觉的蜜柚汁胞粒化分级检测

汁胞粒化是一种柑橘类水果中汁液囊的生理失调现象,表现为汁液囊变硬、干燥等,对水果内部品质产生消极影响。蜜柚是一种厚皮的柑橘类水果,很难通过外部果皮及果形,鉴定果实内部的汁胞粒化程度。采用近红外透射光谱结合机器视觉技术的快速无损检测方法,对蜜柚汁胞粒化程度进行分级检测。采集600个不同生长期的蜜柚样本在900~1700 nm的光谱数据,按果实的汁胞粒化程度将其分为5级。结合化学计量学研究由汁胞粒化引起的内部品质的化学变化,而机器视觉技术可用于研究由汁胞粒化引起的外部特征的物理变化。因此,该方法相较于传统检测方法,分级模型的预测能力更好。尤其是,连续投影-K近邻算法预测模型的准确性、敏感性和特异性分别达到0.9700、0.9231和0.9874以上。结果表明:该方法可用于汁胞粒化的鉴定与评估分级,且具有巨大潜力,以期为厚皮类水果在线分选及内部品质研究提供参考和理论依据。