基于高光谱成像技术的大曲酸度值预测及其可视化

酸度值是大曲质量评价的重要指标,提出了一种基于高光谱成像技术快速检测大曲发酵过程中酸度值的方法。通过采集大曲高光谱图像并提取感兴趣区域(region of interest,ROI)的平均光谱,采用多元散射校正(multiplicative scatter correction,MSC)、标准正态变量校正(standard normal variable correction,SNV)和S-G卷积平滑后一阶导(savitzky-golay smoothing first derivative,SGFD)3种预处理方法,再通过连续投影算法(successive projection algorithm,SPA)选取最优的特征波长,分别建立偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least squares-support vector machine,LS-SVM)预测模型,结果显示,基于SPA从SNV预处理光谱中筛选的8个最优特征波长建立的LS-SVM模型预测大曲酸度值效果最好,其中预测集决定系数(determin...     

基于高光谱成像技术的大曲还原糖含量预测及其可视化

还原糖是大曲质量评价的重要指标,为进一步提高大曲还原糖含量的检测精度,提出了一种应用高光谱成像技术检测大曲还原糖含量的方法.采用高光谱成像系统,在900～1700nm采集大曲样本的光谱信息,并提取全部样本的平均光谱数据.首先,采用标准正态变量校正(standard normal variables,SNV)、卷积平滑、...     

基于深度学习的高光谱腊肉营养安全分级

本文设计的卷积神经网络-支持向量机(CNN-SVM)模型,从腊肉的高光谱成像出发,将深度学习提取特征与传统机器学习提取特征有机结合,设计出准确可靠的腊肉营养安全四分类器.利用三维卷积神经网络提取腊肉高光谱图像的深层特征,同时融合高光谱的光谱特征,联合输入支持向量机(SVM)实现对腊肉的分类和健康风险评价.结果:获得了与...     

基于高光谱技术检测小麦粉灰分含量

目的 基于高光谱技术实现对小麦粉灰分含量的准确检测。方法 利用高光谱成像技术采集小麦粉的光谱数据,建立基于偏最小二乘法(partial least squares regression,PLSR)和深度极限学习机(deep extreme learning machines,DELM)的小麦粉灰分含量预测模型;通过分析3种预处理算法和4种波长选择算法,分别选出最佳的预处理与波长选择方法,最后构建基于特征波段光谱信息的预测模型,并对结果进行比较。结果 标准正态变量校正(standard normal variable,SNV)为最佳预处理方法;连续投影算法(successive projections algorithm,SPA)相较于随机森林(random forest,RF)、无信息变量消除(uninformative variable elimination,UVE)和遗传算法(genetic algorithm,GA)选择特征波长的模型更优;DELM模型更适用于灰分含量的检测,最优模型的测试集决定系数为0.968,预测集均方根误差为0.024。结论 高光谱成像技术可以快速、精准的...     

基于近红外光谱融合与深度学习的玉米成分定量建模方法

为探索光谱融合结合深度学习对玉米成分定量检测的可行性,针对80个玉米样本的原始、一阶导数、二阶导数光谱和前3类的串行融合光谱分别构建一维卷积神经网络(one-dimensional convolution neural network,1D-CNN)模型,对样本中水分、油脂、蛋白质和淀粉4种成分含量进行定量建模。结果表明,基于串行融合光谱的1D-CNN的4种成分模型性能指标均优于单独基于一种光谱的模型。与传统偏最小二乘回归和支持向量机回归对比,所建立的定量模型性能均为最优。针对测试集,4种成分模型的决定系数和均方根误差分别为0.956和0.211、0.972和0.118、0.982和0.239、0.949和0.428。实验结果表明,串行光谱融合结合卷积神经网络的方法能够充分挖掘光谱所蕴含的信息,增强模型预测能力,为近红外光谱定量分析提供新思路。     

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。     

高酯化青酒大曲的制备及应用研究

确定了酯化大曲生产的最佳工艺,采用中温制曲工艺,原料配比为m(小麦)︰m(大麦)︰m(豌豆)=6︰3︰1,红曲霉(Monascus purpureus)FBKL3.0018接种量为10 g/kg,曲醅加水量控制为40%。最高温度控制在55℃较为适宜,培养时间为25~28 d。酯化大曲的贮存使用期为2~3个月。     

基于高光谱成像的香肠菌落总数回归预测及数据可视化

香肠的好坏有很多种评价指标,菌落总数（TVC）是其中的一种。高光谱成像技术已经成为一种快速、无损检测食品品质的有效方法。本文利用高光谱成像技术对香肠的菌落总数进行了定量分析,对数据进行了主成分分析（PCA）,研究发现数据集中前四个主成分累计贡献率已达97.65%,已经可以反映出香肠所包含的绝大部分信息。对前四个主成分对应的优化区间采用高斯核函数的SVM回归模型进行预测,并为了提高回归预测模型的精确度,对模型的c,g参数,进行了遗传算法（GA）、网格搜索算法和粒子群算法（PSO）寻优对比,其中PSO寻优可使回归预测值和真实值的相关系数为0.9777,交互验证均方根误差为0.0823,能够准确快速的实现香肠菌落总数的预测。除此之外,利用python对回归预测的数据进行可视化,更加直观的显示菌落总数变化,且可以达到实时观看的效果。     

基于高光谱的茄子外部缺陷检测

利用高光谱(900～1700nm)对完好、木栓化和烂果茄子进行识别研究。共采摘了252个茄子样本,包含完好茄子170个,木栓化茄子60个和烂果茄子22个,利用高光谱成像系统采集完好、木栓化和烂果3种区域一共252个样本的高光谱图像,然后提取合理的感兴趣区域(ROI)获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法(SPA)、回归系数法(RC)和竞争性自适应重加权算法(CARS)提取特征波长,并分别建立偏最小二乘(PLS)和多元线性回归(MLR)判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc2为0.94,预测集决定系数Rp2为0.90,RMSEC和RMSEP分别为0.19和0.21,预测集判别准确率达到96.82%。本研究采用高光谱可以对完好、木栓化和烂果茄子进行有效鉴别,为茄子的缺陷无损检测提供了理论参考。     

基于高光谱的棉花叶片氮素检测

采用高光谱技术检测棉花叶片氮素是本次研究的主要手段。选用新疆南疆最具代表性的棉花作物作为研究对象,采用连续投影算法(successive projections algorithm,简称SPA)和标准正态变量变换方法(standard normal variate transformation,简称SNV)等算法进行光谱预处理,并利用偏最小二乘回归模型(PLS)预测棉花叶片氮素情况,探究棉花叶片氮素和高光谱之间的关系。结果显示:SPA-PLS算法的逐渐回归结果的R值最小能达到0.8032,预测精度能达到0.9647以上,RMSEP最大为0.2604,RMSECV最大为0.1414,预测参数都达到较好效果,说明利用高光谱成像技术能够快速、准确的检测棉花叶片氮素含量,为精准施肥和生态环境保护提供帮助。     

基于自编码器的制冷压缩机异常振动检测方法

制冷压缩机是冷藏设备的核心部件,针对制冷压缩机生产过程中的质量管控难题,提出了一种基于自编码器技术的制冷压缩机异常振动检测方法,同时给出了自编码器异常振动检测的原理和流程以及压缩机振动信号样本的获取方法。研究了自编码器输入与输出间的均方差值与信号样本的分布关系,基于自编码器模型,给出了压缩机异常振动的判断依据。从自编码器参数和训练样本数量两个方面,讨论了自编码器计算迭代次数、隐藏层数以及训练样本数量3个参数对其判定准确性的影响关系,研究发现,迭代次数和隐藏层数对判定准确性有影响,但规律性不强;样本数量对判定准确率影响显著,会随训练样本数量增加而提高,提高训练样本数量是提高自编码器判定准确率的有效方法,自编码器可以很好应用于制冷压缩机异常振动的检测。     

特香型大曲表面毛霉对大曲与基酒质量的影响

为控制特香型大曲表面毛霉的过度生长,在不改变传统特香型大曲制作工艺的前提下,从缩短低温培菌期和减少毛霉初始接种量两个方面对毛霉生长进行控制,从而探究毛霉生长对大曲质量和基酒质量的影响。结果表明,与对照组相比,试验组（处理一、处理二）大曲表面的毛霉生长量（19.8%、24.4%）明显减少;大曲的糖化力（822 mg/（g·h）、858 mg/（g·h））和液化力（4.00 g/（g·h）、4.80 g/（g·h））提高;基酒产量（571.7 kg、632.6 kg）无显著性差异（P＞0.05）;处理一的总酯、乙酸乙酯及丙酸乙酯含量显著升高（P＜0.05）,总酸含量及其他7个主体指标差异均不显著（P＞0.05）,基酒的综合感官评价更优。综上,控制冬春季大曲表面毛霉的生长,有助于改善大曲的外观,提高大曲和基酒的质量。     

洋河大曲主要菌系的研究

对洋河大由3种大曲浸提液主体微生物区系进行研究。结果表明,洋河大曲中的细菌种类最为丰富,共分离到15株,其中芽孢杆菌属6株;霉菌12株,其中,曲霉属6株,该种类较丰富,但其在数量上并不具优势;分离到酵母菌8株,其中,毕赤酵母属3株,其数量占酵母菌总数的80％左右;洋河大曲与传统浓香型大曲中的主体微生物菌系之间存在一定的...     

浓香型(泸型)大曲的研究及其应用

大曲的质量对曲酒的质量和出酒率都有极大的影响。大曲作为大曲酒生产的糖化剂、发酵剂，含有多种微生物及其产生的多种酶类。传统制曲采用自然接种，不同发酵阶段其微生物类群亦不同。整个发酵过程中，曲皮微生物的数量均高于曲心，因此，曲皮的糖化酶、液化酶活力始终高于曲心。总观发酵全过程，微生物的活动规律与酶类的变化规律是一致的。大曲生产工艺的发展过程：(1)传统发酵工艺——地面堆积发酵，制曲坯的过程也是自然接种的过程，发酵期间通过人工翻动、堆烧、开启门窗等过程来控制发酵过程中对温度和湿度的要求。(2)大曲强化发酵技术，制曲时，只需在拌料时加入0．5％～1．0％的优质种曲，按常规制曲，成曲即为强化大曲。(3)大曲架式发酵微机控制系统及制曲工艺，采用了自动控制系统。大曲质量的好坏，取决于生产过程各步工序的质量。传统浓香型(泸型)白酒采用中温曲生产，现也有厂家把高温曲、中温曲混合使用，把酯化曲与中温曲混合使用的，目的是使白酒产品更贴近市场。     

制约大曲质量品质的条件剖析及前景展望

通过对传统大曲生产原理分析和大曲在浓香型大曲酒发酵体系中生化演化原理分析，推论得出制曲环境自然条件是影响大曲质量品质的不可控制条件，制曲工艺技术及曲坯发酵过程管理是影响大曲质量品质的可控制条件，生产质量稳定、品质卓越的大曲，两者缺一不可。同时也提出充分利用有利条件形成专业大曲生产基地，推动浓香型大曲酒业的整体发展。     

大曲裂缝之管见

裂缝是大曲的常见病症，有横向、纵向和环形裂缝几种。裂缝中滋生的青霉会对酿酒生产产生危害，给白酒带来霉苦味。大曲裂缝的形成有原生裂缝、气生裂缝和在贮存过程中形成的裂缝之分。预防大曲裂缝的措施有：①原料、制坯、入房应严格按工艺标准操作；②严格曲坯发酵期的工艺控制。     

基于高通量测序技术分析牛栏山大曲微生物多样性

为了探究牛栏山大曲的微生物菌群结构,为制曲工艺及成品曲质量评估提供理论依据,该研究采用高通量测序方法对牛栏山低温大曲原核16S rDNA V3/V4区和真核ITS1区进行微生物多样性分析。研究结果表明,从牛栏山大曲中共获得358种原核操作分类单元（OTU）,乳酸菌类群是大曲中主体原核生物,维斯氏菌（Weissella confuse）、耐酸乳杆菌（Lactobacillus acetotolerans）和戊糖片球菌（Pediococcus pentosaceus）分别占大曲总OTU的22.68%、16.54%和9.84%,同时大曲中高温放线菌（Kroppenstedtia eburnea）可占14.78%;而真核多样性较低,仅获得69种OTU,扣囊覆膜酵母（Saccharomycopsis fibuligera）和库氏毕赤酵母（Pichia kudriavzevii）是主体真核微生物,其余真核微生物含量较低;综上得出,牛栏山大曲中原核微生物多样性要远高于真核微生物,且大曲主体微生物较为明显。     

大曲生产工艺对糖化力的影响

大曲生产是一项繁杂的生物技术工程,涉及到的微生物种类多,数量庞大,生产过程应细致控制,以充分利用有益微生物,剔除杂菌,提高大曲质量.大曲糖化力的高低受原料结构、上霉情况及大火期温度等诸多因素的影响.在制曲过程一定要控制好原料的配比;上霉适度,掌握好揭房晾霉的时间和方法方式;大火期保持曲心温度60℃以上,并维持3d以上,有利于制酒延长发酵期生产和提高大曲糖化力.     

襄阳地区高温大曲和中高温大曲真菌多样性解析

采用Illumina MiSeq高通量测序技术对采集自湖北省襄阳市某酒厂的高温大曲和中高温大曲的真菌群落结构进行解析。结果表明,高温大曲真菌类群以嗜热真菌属（Thermomyces）（57.43%）和嗜热子囊菌属（Thermoascus）（30.73%）为主,而中高温大曲真菌类群以嗜热真菌属（Thermomyces）（48.05%）、嗜热子囊菌属（Thermoascus）（17.72%）和曲霉菌属（Aspergillus）（14.56%）为主。虽然两类大曲共有核心操作分类单元（OUT）包含的序列数占总序列数的64.21%,但经主坐标分析（PCoA）和聚类分析（CA）发现两类大曲在空间排布上呈现明显分离趋势。经线性判别分析效应量（LEfSe）分析发现,导致两类大曲真菌群落结构存在差异的菌属为嗜热真菌属（Thermomyces）。一些真菌类群在高温大曲和中高温大曲中均存在,但两类大曲亦具有各自较为独特的真菌类群。