發(fā)布時間：2020-04-06 12:21

【摘要】：高光譜成像技術集光譜技術和成像技術于一體,因其具有快速無損的優(yōu)點,從而近年來逐漸被用于食品品質(zhì)的安全檢測。利用數(shù)據(jù)處理技術建立高光譜數(shù)據(jù)與肉類品質(zhì)的映射模型,可以實現(xiàn)對待測樣品的品質(zhì)檢測。然而,逐漸增加的光譜通道數(shù)加重了其數(shù)據(jù)分析的計算負擔,為了保障檢測效率而不增加設備成本,研究精度高且計算量小的算法成為高光譜領域主要的研究方向。因此,本文圍繞著定性、定量、可視化檢測研究了3種數(shù)據(jù)分析方法,取得的成果與創(chuàng)新點如下:(1)針對肉類摻假定性檢測中神經(jīng)網(wǎng)絡訓練速度慢的問題,本文引入了一種快速的學習算法-極限學習機,提高了肉類摻假定性檢測的算法效率。通過留一交叉驗證法得到最優(yōu)的光譜預處理技術為二階微分法;利用假設檢驗證明了極限學習機在識別肉類摻假上有更高的準確性和穩(wěn)定性。使用950條譜帶建立極限學習機模型,牛肉摻假識別的準確度和特異度分別為96.28%、99.60%,其方差系數(shù)分別為0.06、0.01;豬肉摻假識別的準確度和特異度分別為98.56%、99.48%,其方差系數(shù)分別為0.03、0.01。(2)針對肉類摻假定量檢測中存在譜帶冗余和多重共線性效應的問題,本文提出了一種新型的定量分析算法,實現(xiàn)了快速、準確的摻假程度定量。該方法利用極限學習機實現(xiàn)特征降維后基于偏最小二回歸分析實現(xiàn)回歸分析。在檢測牛肉中雞肉含量和豬肉肥瘦比時,使用950條譜帶建立偏最小二回歸模型,測試集最優(yōu)的均方根誤差分別為1.40%、2.37%;使用極限學習機將特征維數(shù)降至40和10后再建立偏最小二回歸模型,測試集最優(yōu)的均方根誤差分別為1.56%、2.57%。(3)在前述研究的基礎上,針對牛肉摻假中摻假物的分布可視化問題,本研究提出了一種新型的可視化定量模型,實現(xiàn)了牛肉樣本中摻假物分布可視化和摻假程度定量。該方法根據(jù)不同樣本高光譜圖像之間線性回歸系數(shù)的概率分布建立判別模型,進而對圖像上單一像素點定性識別。使用950維高光譜圖像建立上述可視化定量模型,對于摻假程度分別為0%、10%、20%、30%和40%的摻假牛肉進行可視化檢測,其最佳預測結(jié)果為4%、11%、25%、27%、41%,平均絕對誤差為2.8%。本論文所研究的基于光譜和圖像特征的數(shù)據(jù)處理方法能有效提高肉類摻假定性、定量和可視化的檢測精度,證明了數(shù)據(jù)處理方法是改善其檢測精度的有效手段,為高光譜檢測技術在肉類摻假檢測的發(fā)展提供新手段,進而推動其在食品安全領域的發(fā)展。
【圖文】：

論文的基本框架

研究所使用的實驗裝置以及其在肉類摻假檢測中的系統(tǒng)參數(shù)，并基于此系統(tǒng)，簡紹本論文所使用的預處理方法、數(shù)據(jù)分析方法與評價方法。高光譜圖像采集實驗裝置本研究所用的采集系統(tǒng)為線掃式可見光-近紅外高光譜成像系統(tǒng)（圖 2-1）。式為反射式，光譜范圍從 380 到 1000nm，共計采集連續(xù)的 950 條譜帶。采集裝要包括了載物臺、光源系統(tǒng)、光譜儀和計算機四個部分。載物臺由武漢紅星楊公作，由一個載物臺和控制儀組成；光源系統(tǒng)主要包括兩盞 150 W 鹵素燈，分別在光譜儀的兩側(cè)；光譜儀為美國 Headwall 公司生產(chǎn)的 Headwall-serial A 系列；機系統(tǒng)為相機系統(tǒng)和載物系統(tǒng)提供相應的軟件控制。高光譜圖像的采集過程為a）打開鹵素燈預熱半小時；（b）打開光譜儀和載物平臺的操作軟件，，調(diào)整樣以獲得清晰的樣本圖像；（c）將樣品放于指定采集位置，控制載物臺移動以采集的高光譜圖像。
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;O657.3;TS251.7

【相似文獻】

相關期刊論文 前10條

1 馬江麗;;基于高光譜成像技術的藝術品鑒定研究[J];文物保護與考古科學;2018年03期

2 桂江生;吳子嫻;顧敏;遲元峰;包曉安;;高光譜成像技術在農(nóng)業(yè)中的應用概述[J];浙江農(nóng)業(yè)科學;2017年07期

3 于宏威;王強;劉麗;石愛民;胡暉;劉紅芝;;糧油品質(zhì)安全高光譜成像檢測技術的研究進展[J];光譜學與光譜分析;2016年11期

4 劉燕德;鄧清;;高光譜成像技術在水果無損檢測中的應用[J];農(nóng)機化研究;2015年07期

5 王龍;邱園園;李小波;;基于高光譜成像技術的牛羊肉品質(zhì)無損檢測研究進展[J];新疆農(nóng)墾科技;2015年06期

6 張保華;李江波;樊書祥;黃文倩;張馳;王慶艷;肖廣東;;高光譜成像技術在果蔬品質(zhì)與安全無損檢測中的原理及應用[J];光譜學與光譜分析;2014年10期

7 孫佳馨;;農(nóng)產(chǎn)品外部品質(zhì)無損檢測中高光譜成像技術的應用研究進展[J];黑龍江科技信息;2014年27期

8 羅陽;何建國;賀曉光;王松磊;劉貴珊;;農(nóng)產(chǎn)品無損檢測中高光譜成像技術的應用研究[J];農(nóng)機化研究;2013年06期

9 曲佳歡;馬驥;孫大文;吳迪;曾新安;;高光譜成像在食品質(zhì)量評估方面的研究進展與應用(一)[J];肉類研究;2012年04期

10 馬驥;曲佳歡;孫大文;吳迪;曾新安;;高光譜成像在食品質(zhì)量評估方面的研究進展與應用(二)[J];肉類研究;2012年05期

相關會議論文 前10條

1 張馨月;張旭東;;基于分類的高光譜壓縮成像評價[A];第十三屆全國信號和智能信息處理與應用學術會議論文集[C];2019年

2 成誠;;高光譜成像技術在公安業(yè)務中的應用展望[A];2017年光學技術研討會暨交叉學科論壇論文集[C];2017年

3 柏財勛;李建欣;沈燕;;基于雙折射偏振干涉的高光譜成像方法[A];第十六屆全國光學測試學術交流會摘要集[C];2016年

4 劉德芳;孟鑫;李建欣;;基于色散剪切干涉的高光譜成像方法[A];第十五屆全國光學測試學術交流會論文摘要集[C];2014年

5 顏昌翔;;星載高光譜成像及數(shù)據(jù)應用[A];第十屆全國光電技術學術交流會論文集[C];2012年

6 楊暄;亓洪興;劉敏;王義坤;劉毓博;汪磊;;機載擺掃式寬幅高光譜成像技術研究[A];2016年紅外、遙感技術與應用研討會暨交叉學科論壇論文集[C];2016年

7 何寶琨;;使用曲面棱鏡的高光譜成像系統(tǒng)設計[A];中國空間科學學會空間探測專業(yè)委員會第二十六屆全國空間探測學術研討會會議論文集[C];2013年

8 向明順;楊武年;楊盡;任金銅;溫玉雯;周思琪;;基于高光譜成像技術的災毀土地作物生長狀況研究[A];資源環(huán)境與地學空間信息技術新進展學術會議論文集[C];2016年

9 鞏夢婷;馮萍莉;;高光譜成像技術用于書畫顏料的無損分析——以張大千臨摹敦煌壁畫《隋藻井》為例[A];中國文物保護技術協(xié)會第九次學術年會論文集[C];2016年

10 王靜禹;楊良;孟留偉;李紹佳;傅霞萍;杜小強;吳迪;黃凌霞;;可見-近紅外高光譜成像技術檢測桑螟幼蟲及其對桑葉損害的潛力研究[A];中國蠶學會2018年學術年會論文集[C];2018年

相關重要報紙文章 前3條

1 本報記者 袁一雪;高光譜成像 一雙慧眼“看”透千年壁畫[N];中國科學報;2018年

2 本報記者 于德福;擦亮找礦“天眼”[N];中國國土資源報;2012年

3 記者 聶可 秦華江;環(huán)保產(chǎn)業(yè)“藍�！比孕杓夹g“落地”[N];經(jīng)濟參考報;2015年

相關博士學位論文 前10條

1 司夢婷;火焰中碳黑形貌特征及其輻射特性檢測研究[D];華中科技大學;2019年

2 謝正超;基于高光譜成像的火焰三維溫度場、煙黑濃度場和氣體濃度場重建研究[D];浙江大學;2018年

3 杜劍;基于醫(yī)學高光譜影像分析的腫瘤組織分類方法研究[D];中國科學院大學(中國科學院西安光學精密機械研究所);2018年

4 吳威;基于高光譜成像的家禽胴體表面污染檢測方法研究[D];南京農(nóng)業(yè)大學;2017年

5 王彩玲;干涉高光譜成像中的信息提取技術[D];中國科學院研究生院(西安光學精密機械研究所);2011年

6 郭輝;牛肉主要品質(zhì)參數(shù)無損光學檢測裝置的研究[D];中國農(nóng)業(yè)大學;2014年

7 王鵬沖;聲光調(diào)制型可見光高光譜成像技術研究[D];哈爾濱工業(yè)大學;2017年

8 葛明鋒;基于輕小型無人機的高光譜成像系統(tǒng)研究[D];中國科學院研究生院(上海技術物理研究所);2015年

9 朱逢樂;基于光譜和高光譜成像技術的海水魚品質(zhì)快速無損檢測[D];浙江大學;2014年

10 陳凱;長波紅外高光譜成像信息獲取與處理關鍵技術研究[D];中國科學院研究生院(上海技術物理研究所);2016年

相關碩士學位論文 前10條

1 萬國玲;貯藏期內(nèi)亞硝酸鹽腌羊肉色澤變化的高光譜預測[D];寧夏大學;2019年

2 李玉婷;壓縮高光譜成像編碼矩陣優(yōu)化設計[D];國防科技大學;2017年

3 李文博;復雜背景下地面目標可見光高光譜成像仿真[D];西安電子科技大學;2019年

4 趙軍波;基于高光譜成像技術的環(huán)境微塑料檢測的研究[D];大連理工大學;2019年

5 俞晗月;肉類摻假高光譜檢測的數(shù)據(jù)處理方法研究[D];華中科技大學;2019年

6 曹崴;基于高光譜成像技術的大米產(chǎn)地鑒別研究[D];吉林農(nóng)業(yè)大學;2019年

7 余云新;基于高光譜技術的摻假大米快速檢測研究[D];華中科技大學;2019年

8 楊思成;基于高光譜成像技術的稻谷品種鑒別研究[D];武漢輕工大學;2019年

9 解娜;高光譜成像技術研究[D];長春理工大學;2019年

10 李東澤;基于高光譜成像技術的牛肉品質(zhì)檢測研究[D];內(nèi)蒙古農(nóng)業(yè)大學;2019年

本文編號：2616503