基于PCA-1DCNN的近红外光谱粮食作物主要成分检测方法

针对传统的近红外光谱定量技术难以选择合适的光谱预处理方法且模型预测精度低的问题,以3个谷物数据集的近红外光谱数据集为研究对象,构建了基于主成分分析光谱筛选算法的一维卷积神经网络模型。与传统的偏最小二乘回归和支持向量机模型的性能做了对比后,一维卷积神经网络构建的模型性能均为最优。其中在对玉米数据集的水分、油脂、蛋白质、淀粉的定量建模中,模型的决定系数分别为99.09%、98.15%、98.89%、99.60%;在对grain数据集的定量建模中,四种成分模型的决定系数分别为100%、100%、100%、99.99%;在对小麦数据集的定量建模中,小麦蛋白质模型的决定系数为99.80%。为了验证主成分分析光谱筛选算法对粮食作物主要成分定量回归模型的有效性,在3个光谱数据集上去除了主成分分析算法进行消融实验。研究结果表明：基于主成分分析算法与一维卷积神经网络的回归建模方法为粮食作物成分含量的检测提供一种快速无损精确的判定方式,研究结果对于粮食作物成分的含量检测具有促进作用。     

基于高光谱图像技术的油炸薯片中羧甲基赖氨酸含量检测

为探究羧甲基赖氨酸[N^ε-(1-carboxymethyl)-L-lysine,CML]含量的快速无损检测方法,该文采用高光谱图像技术对8种自制油炸薯片进行检测研究,提取每个高光谱图像的平均光谱值作为特征参量,同时结合液相色谱-质谱法测定CML含量,探寻预测其含量最适宜的光谱预处理和建模方法。首先将高光谱图像进行黑白校正,再选用标准正态变量变换光谱预处理方法,以消除固体颗粒、散射以及光程变化对光谱的影响。然后筛选出第200个到1 000个波段图像的平均光谱反射值,建立主成分回归、偏最小二乘回归和BP神经网络3种预测模型。对比结果表明：BP神经网络可以预测油炸薯片中CML含量,预测正确率为99.67%,决定系数为0.99,均方根误差为0.22。同时,为验证模型的稳健性,随机选取5组训练集和预测集代入相同参数的模型进行预测。结果显示：预测正确率平均值为96.23%,决定系数平均值为0.99,均方根误差平均值为0.22。这说明高光谱图像技术结合BP神经网络快速预测油炸薯片中CML含量具有可行性。     

应用近红外技术快速鉴别原料肉注水的研究

提出一种用近红外光谱技术快速鉴别原料肉和注水肉的新方法。首先以原料肉和注水肉为原料,利用近红外光谱仪测定其漫反射光谱曲线,然后选取二阶导数+25点平滑方法进行预处理,再应用主成分分析结合人工神经网络技术对其进行判别分析。结果表明,前5个主成分的累计贡献率已达99.626%,以前5个主成分作为人工神经网络的输入,对应的肉种类(原料肉与注水肉)作为输出,建立了一个三层BP神经网络模型,模型对建模集109个样本的鉴别率为91.74%,对预测集30个样本的鉴别率为90%。说明利用近红外光谱分析技术对原料肉注水进行快速鉴别是可行的。     

基于近红外光谱的芝麻油酸价含量的预测

采用近红外光谱分析技术对芝麻油的酸价含量进行检测,避免了传统的化学方法缺陷,同时在不破坏样品的前提下极大地提高了检测效率。对39个芝麻油样本的酸价光谱图进行光谱预处理优化,并选择适当的光谱范围,采用偏最小二乘法(PLS)和BP神经网络算法进行了定量分析研究。结果表明,在所选定的样本和光谱范围内,PLS和BP神经网络算法均可以用于芝麻油酸价含量的预测,采用PLS模型的预测均方根误差(RMSEP)为0.058;用BP神经网络预测的RMSEP为0.148 8,偏最小二乘法建模相对于一般的BP网络建模方法更具有较好的建模预测效果。     

近红外光谱技术检测液态奶中微量三聚氰胺的可行性研究

为了快速检测液态奶中违法添加的三聚氰胺量,利用近红外光谱技术进行可行性研究分析。对采集的54组添加不同三聚氰胺含量的液态奶样本的近红外漫反射光谱进行小波变换(wavelet transform,WT)结合主成分分析(principal component analysis,PCA)后,提取得到特征信号,利用广义回归神经网络(general regression neural network,GRNN)建模进行三聚氰胺的定量分析,结果显示当三聚氰胺浓度低于0.05%时,模型预测能力较差,预测集模型R2仅为0.654。进一步利用支持向量机(support vector machine,SVM)建模对液态奶中是否添加三聚氰胺进行定性判别,结果显示测试集准确率为94.44%。因此,通过近红外光谱结合适当的化学计量学方法,对液态奶中添加三聚氰胺虽无法精确定量,但可准确对其进行定性判别。     

基于近红外光谱技术的老陈醋品质分析

为得到稳定、精确的老陈醋品质光谱模型,采用近红外光谱分析技术结合反向传播神经网络(BP-ANN),分别对不同醋龄的两种山西老陈醋中可溶性固形物含量(SSC)及pH值进行定量分析。对经过标准归一化(SNV)与25点平滑相结合处理后的光谱进行主成分分析,根据主成分的累计贡献率选取主成分数作为BP神经网络的输入变量建立模型,并与偏最小二乘法(PLS)模型进行比较。结果表明:BP-ANN建立的老陈醋SSC和pH值定量分析模型最优,其SSC和pH值的模型相关系数(R)分别为0.9999和0.9997,校正集均方根误差(RMSEC)分别为0.0128和0.0045,预测集均方根误差(RMSEP)分别为0.0118和0.0088。采用近红外光谱技术结合反向传播神经网络(BP-ANN)对不同醋龄、不同品牌的老陈醋品质分析建模是可行的。     

小麦质量指标可见/近红外光谱动态检测方法研究

本文通过动态采集小麦的可见/近红外漫反射光谱(600～1 600 nm),结合偏最小二乘法(PLS)和BP神经网络(BP-ANN)建模方法建立小麦的蛋白质、水分、湿面筋、硬度指数的定量预测模型,利用决定系数(R2)、均方根误差(RMSE)和验证集标准偏差与预测标准偏差的比值(RPD)作为评价指标进行验证,比较分析了 3...     

基于近红外光谱技术的老陈醋可溶性固形物定量分析

可溶性固形物含量(SSC)是食品行业的重要技术参数之一。利用近红外光谱技术对不同醋龄的老陈醋SSC进行分析。在不同光谱预处理下,分别采用主成分回归(PCR)和偏最小二乘法(PLS)建立SSC的定量分析模型。结果表明,采用5点平滑预处理后,利用PLS建立的老陈醋SSC的定量分析模型最优,其校正集的相关系数R为0.999 9,校正标准偏差(RMSEC)为0.038 3,预测标准偏差(RMSEP)和交叉验证标准偏差(RMSECV)分别为0.082 1,0.096 4。表明采用近红外光谱技术对不同醋龄的老陈醋SSC进行定量分析建模是可行的。     

基于多源感知信息融合的牛肉新鲜度分级检测

利用机器视觉和近红外光谱的多源感知信息融合技术评判牛肉新鲜度,并开发了相关的识别系统。以牛后腿肉为研究对象,对获取的图像特征信息和光谱特征信息,采用BP神经网络建立牛肉新鲜度分级模型。其中,通过主成分分析提取相应的主成分因子作为建模输入,根据挥发性盐基氮含量划分新鲜度等级作为模型输出。结果发现,在图像特征信息因子数为6、光谱信息主成分因子数为6时,建立的模型预测识别率可达98.31%。结果表明,基于机器视觉和近红外光谱技术的多源感知信息融合技术评判牛肉新鲜度的方法可行。     

基于深度学习的西瓜可见/近红外光谱可溶性固形物预测模型研究

通过可见/近红外光谱技术结合K最近邻法回归、随机森林回归、深度卷积神经网络及带有残差块的深度卷积神经网络4种化学计量学方法对不同糖度的西瓜进行定量判别,并借鉴适用于图像处理的深度网络模块对可见/近红外光谱进行建模。结果表明,深度学习网络模块一维化在可见/近红外光谱数据处理中体现了巨大潜力,卷积神经网络CNN模型在预测集中Rp为0.855 9,RMSEP为0.778 1 °Brix,加入Res-block后的改进卷积神经网络Res-CNN在预测集中Rp为0.893 2,RMSEP为0.710 4 °Brix。     

基于BP神经网络的阀控铅酸盐蓄电池劣化程度预测

为了提高对阀控铅酸盐蓄电池劣化程度的预测准确度,构建了一个具有自学习功能的BP神经网络预报模型,使用不同放电深度下的192组数据对BP神经网络进行训练和学习,然后使用训练好的BP神经网络对实时采集到的数据进行预报和分析,预报准确率达93%以上,证明预报模型具有较高的可靠性.     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据光谱-理化值共生距离分类法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用卷积(Savitzy-Golay,S-G)平滑+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有...     

电子鼻融合BP神经网络预测玉米赤霉烯酮和黄曲霉毒素B1含量模型研究

为探究玉米赤霉烯酮和黄曲霉毒素B_1的无损快速定量测定方法,用电子鼻对7级不同霉变程度玉米样品进行检测,并用理化分析方法分别测定霉变玉米中的玉米赤霉烯酮与黄曲霉毒素B_1含量;在提取电子鼻响应信号的积分值作为特征参量的前提下,采用BP神经网络建立不同霉变程度下玉米样品中的玉米赤霉烯酮与黄曲霉毒素B_1含量的预测模型。同时,为了获得较为可靠的BP神经网络预测模型,在神经网络结构不变的条件下,对比分析了不同训练集、测试集构建的预测模型。结果发现在各预测模型的70组测试样本中,相对误差控制在5%以内的样本数量都在60个以上,最大相对误差控制在15%以内,从而证明了BP神经网络预测模型的有效性、可靠性。该研究为实施玉米霉变毒素的快速无损检测提供了一种途径。     

紫外光谱结合化学计量学检测初榨橄榄油掺伪研究

以紫外光谱为技术手段,结合偏最小二乘法和BP人工神经网络2种化学计量学方法建立了初榨橄榄油/混合橄榄油二元掺伪体系的定量预测模型.试验结果表明,2种统计模型定量预测性能良好,偏最小二乘模型的训练集交叉验证均方根误差RMSEcv和预测集均方根误差RMSEP均达到0.011,预测值与真实值相关性达到0.996 2;BP人工神经网络迭代次数为61步,训练集拟合残差为9.684×10-5,网络预测值和真实值相关系数为0.998 3,对于5％以上掺伪比例的油样BP神经网络能够精确地预测.     

基于BP神经网络的面包工业化生产发酵程度视觉判定

目的:建立BP神经网络模型来实现对面团发酵成熟度的精准判定.方法:利用机器视觉技术采集并处理面包发酵过程的图片,获取图片的量化信息,建立了一种基于BP(back propagation)神经网络的面包发酵程度预测模型.将时间、面积、瞬时速度、膨胀率、灰度值能量、灰度值相互关系、灰度值均匀性、灰度值对比度,作为输入神经元...     

分子光谱技术结合深度学习模型识别食用植物油种类

为实现对食用植物油的快速无损识别，采用衰减全反射-傅里叶变换红外光谱获取10种食用植物油样本的340份谱图数据，经过预处理消除光谱数据中的噪声与背景干扰，通过主成分分析降维特征提取3个主成分，在此基础上构建KNN模型与基于SSA算法优化的BP神经网络模型，对植物油种类进行识别并对识别效果进行比较。结果表明：KNN模型的识别准确率可达97.7%;基于SSA算法优化的BP神经网络分类效果最佳，识别准确率达100%,而传统BP神经网络模型识别准确率仅为87.6%。综上，建立的分子光谱技术结合深度学习模型识别食用植物油种类的新方法，实现了对食用植物油种类的准确识别。     

Machine learning workflow for the oil uptake prediction of rice flour in a batter-coated fried system

Machine learning algorithms were applied to predict the oil uptake of rice flour in batter-coated fried foods, depending on its physicochemical features before frying (amylose content, pasting parameters, and batter viscosity). Low coefficients of Pearson correlation (0.29–0.61) were observed between the oil uptake of rice frying batters and other physicochemical parameters. Based on an exhaustive search method by the regsubsets function, the four experimental features (amylose content, peak time, peak temperature, and final viscosity) were selected as the best subset to affect the oil uptake of rice batters after frying, and then subjected to two machine learning algorithms – multivariable linear regression and multilayer perceptron neural network. Based on K-fold cross-validation, the experimental results were divided into 5 datasets consisting of each 80% training and 20% testing dataset. Compared to the multivariable linear regression (R² = 0.6204–0.7219), the iterative application of the multilayer perceptron model made a relatively higher prediction (R² = 0.7388–0.7781) of the oil uptake of rice flour frying batter. Thus, the multilayer perception model with a hidden layer outperformed the multivariable linear regression by showing higher R² and lower relative error.     

香油精电子鼻快速检测系统的设计

为实现香油精的快速检测,研制了一套能够实时、准确地进行香油精检测的系统。该系统主要由数据采集部分和数据处理部分组成。数据采集部分采用了气体传感器阵列和上位机结合的方式,数据处理部分用Matlab训练了一个3层BP神经网络。在实验过程中,配制了8个不同比例的香油精样本,用标准样本进行了神经网络的训练,测试样本进行了验证。该系统为香油精的快速检测方法的研究提供了依据,据有一定的实用价值。     

基于BP神经网络及其改进算法的织机效率预测

为准确预测纺织厂织布车间的织机效率,提出利用BP神经网络、主成分分析结合BP神经网络(PCA-BP)、遗传算法改进BP神经网络(GA-BP)3种模型预测织机效率,并将GA-BP预测模型与传统BP神经网络和PCA-BP预测模型的预测结果进行对比分析。结果表明:GA-BP对原始数据的拟合度最好,相关系数为0.946 87, 比BP增加了6.42%,比PCA-BP增加了2.61%;GA-BP、PCA-BP、BP这3种网络十万入纬的经停仿真值与期望值间的平均误差分别为0.341 2、0.303 1、0.234 1,误差百分率分别为8.63%、7.67%、5.92%,不同网络结构下织机效率仿真预测值与期望值间的平均误差分别为3.010 9、2.688 4、2.118 9,误差百分率分别为3.51%、3.13%、2.47%;3种模型的预测准确度顺序由大到小为GA-BP、PCA-BP、BP。