改进的蒙特卡洛方法用于烟丝近红外光谱定量分析中奇异样本的识别

【目的】提高烟草及烟草制品的化学成分近红外光谱定量分析校正模型的准确性。【方法】通过改进蒙特卡洛奇异样本检测方法构建不同的定量模型，获得正常样本和可疑样本的预测误差分布，依据分布间的差异识别正常样本与奇异样本。【结果】改进后的烟丝中化学成分的近红外光谱定量分析模型的相关系数和校正均方根误差得到明显提高和改善；总植物碱、总糖、还原糖、总氮、钾和氯的含量模型的预测均方根误差（RMSEP）分别由0.061%、0.799%、0.926%、0.054%、0.115%、0.076%降低到0.059%、0.786%、0.817%、0.048%、0.107%、0.058%；模型稳健性的评价参数SEP/SEC的值均小于1.2。【结论】该方法剔除奇异样本后所得模型具有较好的稳健性。     

近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析

采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。     

基于颜色特征和BP神经网络的大米加工精度判别方法研究

提出了基于颜色特征和BP神经网络判别大米加工精度的方法。设计了基于机器视觉的大米加工精度检测装置采集大米图像,利用图像处理技术对获取的大米图像进行预处理,提取大米籽粒目标图像;在大米籽粒腹部确定半径为R的圆形区域作为颜色特征值提取区域,将颜色特征值提取区域按面积平均分成5个同心圆子区域,提取每个子区域的R、G、B颜色值,并将颜色值转成色调H值作为描述大米籽粒表面加工精度的颜色特征值,以5个颜色特征值作为输入值,采用BP神经网络对大米的加工精度进行检测。试验结果表明:该方法对4种不同加工精度大米样品籽粒检测的平均准确率为92.17%。     

基于颜色空间与聚类分析相结合的袜带辨色分级方法

针对丝卷检测中锦纶长丝染色均匀度测定的问题。采用CCD摄像头提取袜套样本图像,提出了应用商图像归一化的方法对袜套图像进行光源空间均匀性校正;应用多项式回归模型对摄像头提取的袜套样本图像进行色度特征化处理,得到的平均和最大色差分别为0.439和1.328 CIELAB色差单位;通过HSV颜色空间的色度百分率直方图,得到待检测袜套的颜色特征值,再由经验方程将其转化为聚类分析的输入矢量,最后应用聚类的方法对全体袜套的特征进行分析,得到袜带的染色分级区间及各段袜套的染色评级。结果表明,取得聚类过程中的参数最大迭代次数为100,终止误差限为1×10-5,模糊加权指数为2,得到聚类中心个数分别取2、3、4、5时的分类结果与人眼视觉比较,误差在0.125%以内,该误差远低于生产技术指标的允许误差,可用于对袜套颜色指标的检测和分级。     

基于类内K-means聚簇的KNN改进算法

传统的KNN算法的时间复杂度与训练样本集的数量成正比,大规模数据下其分类效率显著下降,因此它不适用于大规模数据的在线实时处理。为此,本文提出了一种基于类内K-means聚簇的KNN改进算法。该算法先对训练样本集内各个类别的样本分别进行K-means聚簇,得到各个样本所属的簇标签,与各个簇标签所对应的簇中心向量。在进行KNN分类时对于每个测试样本先计算它与各个簇中心向量的相似度,选出排名前的一定个数的簇标签,随后以这些簇所含的样本集作为该测试样本的训练样本集进行传统的KNN分类。改进算法通过这种选择训练样本集而缩小了比对范围,减少了大量计算量。实验表明,改进的KNN分类算法在分类的准确率没有明显变动下,运行效率得到了明显的提升。     

基于局域特征相似性度量的卷烟制品外观缺陷检测

为解决深度学习技术在卷烟制品外观缺陷检测中存在人工标注繁琐、目标形态随机性大等问题，提出了一种基于局域特征相似性度量（Local Characteristic Similarity Metric,LCSM）的图像算法。LCSM算法只需要对正常样本进行训练，使用特定的卷积神经网络提取正常样本的特征并构建图像每个区域的数据特征分布，再提取测试图像局域特征向量并采用Wasserstein距离度量其特征分布与对应正常样本特征分布之间的相似性，从而判断测试图像是否存在缺陷。采集并制作了卷烟小盒、烟用胶囊和烟支3个数据集用于验证LCSM算法性能。结果表明：LCSM算法在3个数据集的缺陷检测准确率分别达到98.75%、99.50%和98.50%，与近期报道的Skip-GANomaly、STPM以及IGD算法相比，分别提高14、2和2百分点。该方法可为提高卷烟制品外观缺陷检测准确率提供技术支持。     

大米表面颜色与碾削程度的相关性分析

以两优6393、蓉优3号、益禾8号3种稻谷为试验材料,研究大米表面颜色与糙出白率的关系。垄谷后,对每种糙米进行15、30、45、60和90 s的碾削,得到不同碾削程度的大米样本,测定出每个样本的糙出白率、明度(L)、红绿色调(a)和黄蓝色调(b)值,分析大米颜色特征随碾削时间的变化关系,通过回归分析的方法,分别建立大米表面明度(L)值、红绿色调(a)值和黄蓝色调(b)值与糙出白率关系的模型。结果显示,随着碾削时间的延长,大米的糙出白率显著降低,大米的表面明度明显增大,而红绿色调和黄蓝色调则逐渐减小;随着糙出白率的减少,大米表面的明度线性增大,红绿色调值和黄蓝色调值则线性降低;大米表面的L、a和b值与糙出白率的关系可以描述为简单的线性函数式。     

基于机器视觉的细纱管分类检测

为实现自动络筒机中纱管输送装置的余纱量检测与纱管分类,文章提出一种基于机器视觉的纱管分类方法。将采集的纱管图像分割为若干区域,以各分区前景、背景和凸包面积为基础构建反映目标形态和对称性的几何特征;利用Gabor滤波器组增强目标纹理信息,随后通过主色提取和色差计算构建各分区的纹理特征。采用多分类支持向量机利用提取特征进行分类,将输入样本归为空管、残纱管和有纱管三类。分类算法交叉验证结果表明,在多种参数水平下,分类器对各种管壁颜色的棉纱纱管的分类准确率达到96%以上。多品种纱线试验表明,分类器对不同细度和颜色纱线的纱管分类真阳性率达到92%以上。     

基于图像处理的甘薯种类识别方法研究

为了便捷地对甘薯薯块进行种类识别,提出了一种基于图像颜色和纹理特征的薯种识别算法,能准确、鲁棒地根据薯块的横切面图像识别出薯块的薯种。首先,分别使用颜色直方图方法、灰度共生矩阵方法和Gabor滤波方法提取出5个薯块图像的颜色、纹理特征。然后,对该特征向量进行优化组合。最后,基于组合后的混合图像特征向量,应用BP人工神经网络对样本集进行训练、分类。试验表明,本研究提出的方法能准确地对甘薯块的种类进行识别,平均识别成功率达90%。     

基于眼动实验的不同地区畲族服饰特征识别

为区分不同地区的畲族服饰特征和设计重点,通过眼动仪获得不同地区典型畲族服饰兴趣区的首次注视时间和注视时间占总时间比率等指标,然后进行被试组别、服饰类别和兴趣区三因素混合实验多因素方差分析。研究结果表明,被试对不同兴趣区域的注视时间有显著差异,服饰类别与兴趣区的交互作用显著,不同地区服饰的关注区域排序不尽相同。文章对于研究和传承独特的畲族服饰文化,区分不同畲族地区的服饰特征具有参考价值。     

基于近红外光谱技术的大米品质分析与种类鉴别

应用近红外光谱(NIRS)技术建立了大米食味品质分析与种类快速鉴别的方法。提取了102份粉碎后大米样品的近红外光谱,采用偏最小二乘法(PLS)建立了大米水分、蛋白质和直链淀粉定量分析模型,对模型预测结果的准确性进行了评价。预测模型的内部交叉验证决定系数(R2)分别为:0.992、0.9792和0.9736;内部交叉验证标准差(RMSECV)分别为:0.141、0.201和0.209;模型外部验证决定系数(R2)分别为0.9861、0.912和0.9373;外部验证标准差(RMSEP)分别为0.179、0.206和0.243。通过计算样品的近红外光谱图之间的欧氏距离来反映不同样品间的差异,对不同属性和不同产地的大米进行了定性聚类分析,种类识别准确率达到100%。结果表明,NIRS分析技术可以用于对大米品质和种类的快速无损检测。     

A Deep Convolutional Neural Network Architecture for Boosting Image Discrimination Accuracy of Rice Species

In this paper, we proposed a machine vision system based on deep convolutional neural network (DCNN) architecture for improving the accuracy of classifying three distinct groups of rice kernel images compared with the traditional approaches. The main advantage of the presented method was able to avoid many heuristics as well as manual labor to tune complex parameters according to the domain to reach a modest level of accuracy in the classical feature extraction algorithms. We trained our models using stochastic gradient descent with momentum of 0.9 and weight decay of 0.0005 to optimize the network parameters and minimize the back-propagation error on the training dataset. We used a batch size between 15 and 150 and epochs time configured between 10 and 25. The experiment results showed that the highest accuracy of 99.4% obtained in the training process with batch size of 15 and epoch time of 20. We also compared the DCNN method with the traditional hand-engineered approaches of PHOG-KNN, PHOG-SVM, GIST-KNN, and GIST-SVM for rice kernel classification. The results showed that DCNN routinely outperforms other methods in similar machine vision tasks. The prediction accuracy results for test datasets by PHOG-KNN, PHOG-SVM, GIST-KNN, and GIST-SVM models were 89.1, 76.9, 90.6, and 92.1%, respectively. The highest prediction accuracy of DCNN is 95.5%, which showed the effectiveness of our proposed method for rice kernel classification. The aim of this study is to set up an automatic and accurate intelligent detection system and offering much value to current rice processing industry. With the comparably high classification accuracy, developed neural network could be used as a tool to achieve better and more objective rice quality evaluation at trading points within the rice marketing system.     

Identification of Broken Rice Kernels Using Image Analysis Techniques Combined with Velocity Representation Method

The percentage of whole kernels remaining after milling is one of the most important physical characteristics of rice quality. A method based on flatbed scanning and image analysis was developed for the identification of broken rice kernels. Velocity representation method was developed for pattern recognition based on the contour characteristics of the rice kernels. The similarity of the boundary features of the image of rice kernel was measured by similarity coefficient, which was used to identify the broken rice kernel by comparing with threshold. High recognition rates for three rice varieties were reached by this method with 96.7% for Thailand rice, 98.73% for Pearl rice, and 97.14% for Changlixiang rice, respectively, and the recognition rate could be improved by the adjustment of the similarity coefficient threshold. Because the comprehensive boundary features were the basis for the classification, this method could be more accurate compared to other methods using the single dimension feature.     

近红外光谱的投影分析方法在工业分级与复烤模块配方中的应用

为提高工业分级的稳定性,使复烤配方更加科学合理,建立了基于近红外光谱信息目标主成分及Fisher准则的投影方法（PTF）,并通过软件程序来实现结果分析。研究表明:应用PTF方法得到的投影值能客观表达不同类间的远近关系,以及同一类内的离散度与相临类间的交叉度,使类间离散度与类内离散度之比极大化,为工业分级提供了客观科学的依据,对复烤模块配方设计有重要的指导作用。      

基于电子舌检测的橙汁贮藏品质研究

为实现对不同储存时间的鲜榨橙汁品质进行客观、快速的评价,采用基于虚拟仪器技术的电子舌系统对6种不同储存时间下的鲜榨橙汁样本进行定性和定量分析。针对电子舌输出信号特点,分别采用主成分分析(Principal Component Analysis,PCA)和离散小波变换(Discrete Wavelet Transform,DWT)方法对输出信号进行预处理,以分类效果为依据,确定离散小波变换作为较佳特征提取方法。在此基础上,采用线性判别分析(Linear Discriminant Analysis,LDA)方法对不同储存时间鲜榨橙汁样本进行定性分析,然后采用粒子群优化最小二乘支持向量机(Particle Swarm Optimization Least Squared-Support Vector Machines,PSOLSSVM)对鲜榨橙汁的不同储存时间进行定量预测。结果表明:LDA结果中第一判别式(LD1)和第二判别式(LD2)的综合贡献率为95.7%,6种储存时间下的鲜榨橙汁样本均得到有效定性辨别;而PSO-LSSVM预测模型对鲜榨橙汁的不同储存时间具有较高的定量预测精度,其相关系数(R~2)、均方根误差、平均绝对误差分别为0.999 1,0.287 7,0.232 8。     

融合高光谱和图像深度特征的腊肉分类与检索算法研究

本文以腊肉为实验对象,建立一种融合光谱曲线特征和图像特征的肉类食品分类与检索方法,利用10个3×3的卷积层、3个5×5的卷积层、5个5×5的池化层和2个全连层的CNN模型对高光谱图像进行特征提取,并以交叉熵作为优化目标,同时利用多元散射校正和主成分分析方法(Principal Component Analysis,PCA)对光谱特征进行预处理和特征提取,然后将两种特征进行融合,并将融合特征利用支持向量机(Support Vector Machine,SVM)进行分类。结果表明,直接使用CNN训练好的模型对高光谱图像进行特征提取,利用SVM作为分类器,分类的准确率只有75.6%,融合光谱曲线特征后用SVM进行分类,准确率可达99.2%。此外,本文还计算了被检索样本和标准等级样本特征向量的欧氏距离,完成了腊肉新鲜度等级的检索任务,显示了该方法的可行性和有效性。     

婴幼儿米粉及乳粉中克罗诺杆菌的快速定量

以大分子合成操纵子序列MMS为靶标基因,研究建立了基于TaqMan探针的实时荧光定量PCR(TaqMan qRT-PCR)法以快速定量粉状婴幼儿食品(米粉及乳粉)中的克罗诺杆菌(Cronobacter spp.).结果表明,所建立的扩增体系特异性强(在供试的14种食源性细菌中,典型扩增曲线仅见于目标菌)、灵敏度高(对标...     

基于分类特征提取和深度学习的牛肉品质识别

目的：降低数据差异性和光谱特征冗余度对牛肉品质识别的影响。方法：提出一种基于分类特征提取和深度学习的牛肉品质识别方法,采用改进的DPeak算法对光谱数据进行自适应聚类分析,实现对数据的差异性分析。定义牛肉光谱特征提取目标函数,采用离散狮群算法进行求解,提取每个分类的最佳光谱特征子集,最大限度降低特征冗余度。运用改进狮群算法(ILSO)对每个分类对应的支持向量机(SVM)模型参数进行优化,提出融合分类特征提取和ILSO优化SVM的牛肉品质识别模型,完成对牛肉品质的分类识别。结果：相比于SSA-SVM、PCA-SVM识别模型,该模型识别精度提高了约12.3%~14.5%。结论：基于分类特征提取和深度学习的牛肉品质识别模型能够提高牛肉品质识别精度。     

自制电子鼻检测霉变大米

为对不同霉变程度的大米实现快速鉴别,研制了一套以LabVIEW为平台用于检测大米霉变的电子鼻系统。通过霉菌孢子液侵染正常大米,使用该电子鼻系统对不同天数掺入不同比例霉米的大米样品挥发物进行检测,对采集数据进行主成分分析（PCA）、线性判别分析（LDA）,最后使用反向传播（back propagation,BP）神经网络建立预测模型。结果表明,得分图显示正常大米和霉变大米挥发物差异性显著,LDA分类效果优于PCA;所建立的模型预测值和实际值相关性达0.953以上,训练集和测试集平均相对误差分别为3.56%、4.18%,训练集和测试集对于正常大米样本识别率为100%。综上,电子鼻系统可以作为霉变大米无损检测的有效手段,在大米品质鉴别方面具有实际应用意义。     

Quality Evaluation of Milled Aromatic Rice from India, Thailand, and the United States

Five aromatic and two nonaromatic milled rice samples were used to compare the quality of U.S. produced aromatic rice with that of India and Thailand. Jasmine (Thailand) was whiter than all other rice samples tested. Della rice samples (U.S.) were not as white as Basmati (India). Della AR (Arkansas) was less red and less yellow than Della LA (Louisiana). While the uncooked kernels of Della were as long as Basmati or Jasmine, the greater length: width ratio caused Basmati to appear longer than Della. Della and Jasmine were greater than Basmati in 1000 kernel weight. Della samples were classified as having intermediate to high intermediate gelatinization temperature, medium gel consistency, intermediate amylose content and cooking quality, which are characteristic of typical U.S. long grain nonaromatic rice. A sensory panel could not detect a flavor difference between Della AR and either Basmati or Jasmine.