基于PSO-GA-BP神经网络的大米水分含量预测

为保障大米质量安全，提出一种基于BP神经网络的大米品质检测方法。方法以大米水分含量作为大米品质指标，通过结合粒子群优化算法(PSO)和遗传算法(GA)优化BP神经网络的阈值和权值，实现了BP神经网络的改进，提高BP神经网络的收敛速度，解决BP神经网络容易陷入局部最优的问题。然后，将改进的BP神经网络应用于大米水分含量预测中，实现了大米水分含量的准确预测。仿真结果表明，所提的改进BP神经网络模型相较于标准BP神经网络模型和LSTM-BP神经网络模型，在预测集和验证集上的均方根误差更小，分别为0.007和0.005,其大米水分含量预测值与真实值接近，可准确检测大米水分含量，为大米品质检测奠定了理论基础。     

基于GA-BP神经网络玉露香梨可溶性固形物高光谱技术检测

为了提高玉露香梨可溶性固形物的检测精度,本研究提出了一种优化反向传播(back propagation,BP)神经网络的玉露香梨SSC预测方法。使用高光谱成像仪采集玉露香梨表面的光谱信息,对剔除异常样本的光谱数据进行不同预处理,以确定最优的预处理方法。采用遗传算法(Genetic Algorithm,GA)优化BP神经网络的初始权重和阈值,建立玉露香梨SSC的GA-BP、BP、PLSR预测模型。结果表明,中值滤波(medianfilter,MF)预处理后的结果最好。在同一训练样本下,所建GA-BP模型性能最佳,建模集决定系数(Rc2)为0.98,均方根误差(RMSEC)为0.19;预测集决定系数(Rp2)为0.86,均方根误差(RMSEP)为0.43,剩余预测偏差(RPD)为2.45;在此基础上,采用不同数量的样本训练GA-BP网络,样本数为300时,建立的GA-BP模型的Rc2为0.99,RMSEC为0.22;Rp2为0.98,RMSEP为0.20。因此,采用GA-BP神经网络结合高光谱技术可快速、准确的检测玉露香梨可溶性固形物,当训练样本达到一定数量时,可进一步提升模型的预测精度,为基于BP神经网络检测玉露香梨SSC提供了理论基础。     

基于MEA-BP神经网络的封盒装置滑动轴承故障诊断方法

针对封盒装置滑动轴承在生产过程中故障率高、可靠性低的问题,课题组提出了一种基于思维进化算法(MEA)的BP神经网络滑动轴承故障诊断方法。该方法通过多次的趋同和异化操作,不断优化BP神经网络的初始权值和阀值,建立了基于MEA-BP神经网络的滑动轴承故障诊断模型。利用样本集训练、测试和验证MEA-BP故障诊断模型,结果表明MEA-BP故障诊断法较未经优化的BP神经网络故障诊断法优势明显,能够较好地用于封盒装置滑动轴承的故障诊断,延长滑动轴承无故障使用时间。课题组的研究可提高包装企业生产效率。     

基于AlexNet卷积神经网络的大米产地高光谱快速判别

采集我国东北和非东北10个产地、4个品种共计1000份单粒大米样本在波长950～1700 nm区间的高光谱图像,按照单粒大米轮廓提取感兴趣区域并计算平均光谱,采用主成分分析从样本集光谱矩阵提取累计贡献率大于99％的第一、二主成分,根据载荷矩阵系数最大值筛选与第一、二主成分相关性最强的特征波长1396.67 nm和146...     

高水分大米度夏储藏生产性试验报告

本试验在大批量高水份大米粮堆五面塑膜密封条件下,以常规剂量磷化铝一次投放,结合粮堆生物呼吸,自然形成的低氧高二氧化碳气体组分,储藏半年,安全度过夏季高温,正常转入冬季自然低温保管,取得较好的灭虫、制热、防霉,保鲜效果。由于简便易行,经济有效,实用性强,在基层库点具有较好的应用价值。     

基于近红外光谱技术快速检测稻谷水分含量

目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_CAL²)为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_CV²)为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。     

高水分大米应用环氧乙烷防霉试验报告

环氧乙烷对储粮害虫有较强的毒杀效果，而且具有良好的杀菌作用，可作防除各种毒菌使用，食品、卫生等部门广泛的作为消毒剂。本试验从防止大米发热生霉和确保人民身体健康出发，将包装的高水分大米，用聚氯乙烯薄膜六面封闭，施用环氧乙烷，取得满意的灭菌效果，见效快、操作简便，灭菌后环氧乙烷残余气体易于挥发。     

基于高光谱成像的干燥胡萝卜片水分及类胡萝卜素含量无损检测和可视化分析

利用不同波长范围的高光谱成像系统,以热风干燥过程中胡萝卜片水分和类胡萝卜素含量为研究对象,结合多元数据统计分析和化学计量学,分别构建基于偏最小二乘和支持向量机(support?vector?machine,SVM)算法的无损预测模型,并进行可视化分析。结果表明,水分和类胡萝卜素含量预测模型中,基于400～1?000?nm波长范围下多元散射校正的高光谱信息构建的SVM预测模型效果相对最优,对应的预测集决定系数R2P分别为0.984和0.911,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)分别为0.380?g/g和34.836?mg/100?g。经连续投影算法提取特征波长后,最优模型R2P分别为0.962和0.898,RMSEP分别为0.612?g/g和37.544?mg/100?g,模型剩余预测残差均大于3,精确度和稳定性良好。在最优预测模型的基础上,通过伪彩色成像重现了干燥过程中样品水分及类胡萝卜素的空间分布。实验结果证实高光谱成像技术可以用于胡萝卜片干燥过程水分和类胡萝卜素含量的无损检测,为后续在线检测和胡萝卜片干燥加工提供...     

基于高光谱成像及神经网络技术检测玉米含水率

基于高光谱成像及人工神经网络技术对玉米含水率进行了检测。检测波长为450～900nm,由玉米粒反射光谱图像获取反映其含水率的光谱特征波长。利用人工神经网络建立了玉米粒含水率的预测模型,模型相关系数达到0.98。对含水率预测结果的误差最大绝对值为2.1182,最小绝对值为0.0024。相对误差绝对值的平均值为0.3090,结果表明利用高光谱图像技术对玉米含水率进行无损检测是可行的。     

采后猕猴桃可溶性固形物含量的高光谱无损检测

为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含量（soluble solids content,SSC）的可行性,基于猕猴桃900～1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向量机及误差反向传播 （error back propagation,BP）网络模型,并综合比较了分别以全光谱的226 个波长,利用连续投影算法提取的12 个有效波长和采用无信息变量消除法提取的128 个有效波长作为模型的输入变量对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能（预测相关系数为0.924,预测均方根误差为0.766）。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。     

基于BP神经网络的葡萄气体射流冲击干燥含水率预测

为实现葡萄气体射流冲击干燥过程中含水率的预测,本文探究了不同烫漂前处理时间(30、60、90和120 s)和干燥温度(55、60、65和70℃)对葡萄干燥时间和干燥速率的影响,建立了输入层为烫漂时间、干燥温度和干燥时间,隐藏层节点数为7,输出层为葡萄含水率,结构为"3-7-1"的BP神经网络模型。结果表明:烫漂预处理时间和干燥温度均对葡萄干燥速率有影响,增加烫漂时间和提高干燥温度能够有效的缩短葡萄干燥时间,提高干燥效率。采用Levenberg-Marquardt(LM)算法为训练函数,选择tansig-purelin为网络传递函数,经过有限次训练得到的BP神经网络模型,其预测值与实测值之间的决定系数R~2为0.9915,均方根误差RMSE为0.03376,预测快速且准确,为葡萄在干燥过程中的含水率在线预测提供理论依据和技术支持。     

基于K-means聚类算法和BP神经网络的稻米品种鉴别

BP神经网络是利用误差逆向传播训练的前馈网络,具有自适应、实时学习的特点,在分类中广泛应用。但当样本类别过多,BP神经网络的分类精度显著降低。基于此,本研究提出了一种K-means聚类算法和BP神经网络相结合的方法作稻米品种鉴别。利用图像处理方法提取出11种稻米样品的灰度平均值、长宽比和圆形度三项特征参数,利用K-means聚类算法对所得数据进行聚类,聚类的结果作为BP神经网络的输入,训练得到分类器。实验结果表明,这种算法的分类效果要优于单一使用BP神经网络和K-means算法,且分类准确率达到80%,可见本实验的方法用于稻米品种鉴别是可行的。     

采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测

为提供苹果病害在线、快速、无损检测的理论依据,采用高光谱成像技术进行了北方大面积种植的寒富苹果病害无损检测研究。寒富苹果的主要病害有炭疽病、苦痘病、黑腐病和褐斑病害。为选择较少的有效波长而利于在线快速检测,首先采集高光谱苹果图像,分割出感兴趣区域并提取光谱信息,然后采用连续投影算法(successive projections algorithm,SPA)从全波长(500~970 nm)中提取了10个特征波长SPA1(502、573、589、655、681、727、867、904、942 nm和967 nm),再对这10个特征波长采用连续投影算法提取3个特征波长SPA2(681、867 nm和942 nm)。最后利用全波长光谱信息、SPA1提取的10个特征波长的光谱信息和SPA2提取的3个特征波长的光谱信息作为输入矢量采用线性判别分析、支持向量机和BP人工神经网络(BP artificial neural network,BPANN)模型进行苹果病害的检测。通过对检测结果分析,最终选择SPA2-BPANN为最佳检测方法,训练集检测率达100%,验证集检测率达100%。结果表明,高光谱成像技术可以有效对苹果病害进行检测,所获得的特征波长可为开发多光谱成像的苹果品质检测和分级系统提供参考。     

基于虚拟仪器的粮食水分检测系统神经网络温度补偿

在进行粮食水分检测过程中发现,温度变化对系统的输出值影响很大,从而影响系统性能和测量准确度。为消除温度对水分测量值的影响,在虚拟仪器软件平台上采用人工神经网络法对水分检测系统进行温度补偿,即通过对神经网络建模达到消除温度的影响。     

冷鲜羊肉冷藏时间和水分含量的高光谱无损检测

利用可见-近红外高光谱成像技术对冷鲜羊肉的冷藏时间和水分含量进行无损检测。通过波长400～1 000 nm可见-近红外高光谱系统采集160 个羊肉样本光谱信息,优选主成分-14-线性判别法对原始光谱建立羊肉冷藏时间的判别模型,校正集对羊肉冷藏时间的判别率为99.17%,预测集为100%,模型可较好地判别羊肉的冷藏时间。其次,针对羊肉冷藏过程中水分含量的变化,优选最佳预处理方法并运用偏最小二乘回归（partial leastsquares regression,PLSR）法建立水分含量预测模型;结果表明,经过Savitzky-Golay卷积平滑预处理的PLSR模型对水分含量的建模效果最优,校正集和预测集相关系数分别为0.888和0.784,交互验证均方根误差为0.696。研究表明,采用可见-近红外高光谱成像技术对冷鲜羊肉冷藏时间的判别和冷藏过程中羊肉水分含量的快速预测是可行的。     

基于人工神经网络的大西洋鲭鱼烘烤过程中水分和色度值预测模型

以大西洋鲭鱼为原料,研究不同烘烤条件下,大西洋鲭鱼水分含量和色度值(L*、a*、b*和ΔE)的变化情况,并利用试验所得的数据以大西洋鲭鱼烘烤温度和烘烤时间作为模型输入值,水分含量和色度值(L*、a*、b*和ΔE)同时作为输出值,建立人工神经网络(artificial neural network,ANN)模型,并对模型...     

基于高光谱图像特征融合的榛子水分含量测定

采用高光谱图像技术对榛子水分含量进行快速无损检测。采集200个榛子在400~1 000 nm波段的高光谱图像,提取榛子图像区域的平均光谱信息。利用K-S算法划分样品验证集和预测集,使用四种预处理方法对光谱进行预处理。通过竞争自适应加权算法（Competitive Adaptive Reweighted Sampling,CARS）和逐次投影法（Successive Projection Algorithm,SPA）进行光谱特征的提取;灰度共生矩阵法（Gray Level Co-occurrence Matrix,GLCM）提取图像的纹理特征;分别建立基于光谱特征,图像纹理特征以及两者串联融合的偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）模型对榛子水分进行预测。结果表明,CARS和SPA算法能够有效选择特征波长并提升预测性能;图像特征能够对榛子水分进行预测,基于主成分图像提取的图像特征信息建立的模型预测效果更好。光谱图像特征融合能明显提高对榛子水分含量预测的准确率,CARS提取的特征波段结合主成分图像的纹理特征显示出了更好的效果,SVR模型的RMSECV为0.03,RC 为0.97,RMSEP为0.04,RP为0.96。利用高光谱图像和纹理特征能够对榛子水分进行有效预测,为榛子水分含量检测提供了新的方法。