本文主要研究内容
作者李昆（2019）在《基于近红外光谱的果蔬新鲜度分析研究》一文中研究指出：近红外光谱分析技术作为一种新型的检测手段,具有实时检测、准确率高、易于操作的优良特性,在食品安全、果蔬品质检测领域具有极其广阔的应用前景。本文设计了一种基于近红外光谱的果蔬新鲜度检测系统,通过一系列预处理算法和建模手段,依次实现了种类识别和新鲜度预估功能。本文主要研究内容如下:1.介绍了近红外光谱的产生原理,从官能团振动和光与物体的反射吸收效应两个角度解释了作用机理。介绍了三种近红外光谱的采集模式,并使用预测标准偏差、交互验证的校正标准偏差作为模型评估的指标参数。2.研究了针对NIR的预处理方法、校正集筛选和建模方法。介绍了标准正态变量变换法和多元散射校正法。为了去除异常样本数据,研究了K-S方法对于代表性数据的筛选效果。介绍了用于分类识别的Bayes分类建模方法;针对果蔬新鲜度研究了PLS和ANN人工神经网络两种建模方法。3.从光路和电路两个方面设计并搭建了基于近红外光谱的新鲜度检测实验系统。光路系统选择了位于640-1150nm波段范围的光源及与之适配的光谱仪模块,采用漫反射采集模式,测量距离为6mm时效果最佳。基于光谱采集、AD转换、通信传输等功能设计了电路系统。通过该系统采集了不同新鲜层级的果蔬光谱数据。4.为提高新鲜度预测精度,首先开展了果蔬样本的分类识别实验。基于不同新鲜层级下的样本集数据构建了分类识别模型。结果显示,新鲜层级的模型准确率高于不佳、腐败层级,同新鲜层级下苹果的准确率优于白梨、香梨。对比不同新鲜层级的光谱相关系数,同种果蔬不同新鲜度之间的相关性变弱,识别准确率与新鲜程度呈正比,当新鲜层级的光谱差异大于种类间光谱差异时,识别准确率降低。完善训练集样本能够有效提升识别准确率。5.基于PLS和ANN两种建模方法,开展了果蔬的新鲜度预测实验。针对每种果蔬建立了新鲜度预测模型,比较了两种算法模型的准确率与稳定性。采用预测标准偏差评估模型准确率,RMSEPPLS=0.084,大于神经网络的RMSEP值0.079。残差分布说明神经网络的预估值更接近标准值;使用留一验证法验证模型的稳定性,RMSECVPLS>RMSECV人工神经网络,神经网络模型的稳定性要优于PLS模型。
Abstract
jin gong wai guang pu fen xi ji shu zuo wei yi chong xin xing de jian ce shou duan ,ju you shi shi jian ce 、zhun que lv gao 、yi yu cao zuo de you liang te xing ,zai shi pin an quan 、guo shu pin zhi jian ce ling yu ju you ji ji an kuo de ying yong qian jing 。ben wen she ji le yi chong ji yu jin gong wai guang pu de guo shu xin xian du jian ce ji tong ,tong guo yi ji lie yu chu li suan fa he jian mo shou duan ,yi ci shi xian le chong lei shi bie he xin xian du yu gu gong neng 。ben wen zhu yao yan jiu nei rong ru xia :1.jie shao le jin gong wai guang pu de chan sheng yuan li ,cong guan neng tuan zhen dong he guang yu wu ti de fan she xi shou xiao ying liang ge jiao du jie shi le zuo yong ji li 。jie shao le san chong jin gong wai guang pu de cai ji mo shi ,bing shi yong yu ce biao zhun pian cha 、jiao hu yan zheng de jiao zheng biao zhun pian cha zuo wei mo xing ping gu de zhi biao can shu 。2.yan jiu le zhen dui NIRde yu chu li fang fa 、jiao zheng ji shai shua he jian mo fang fa 。jie shao le biao zhun zheng tai bian liang bian huan fa he duo yuan san she jiao zheng fa 。wei le qu chu yi chang yang ben shu ju ,yan jiu le K-Sfang fa dui yu dai biao xing shu ju de shai shua xiao guo 。jie shao le yong yu fen lei shi bie de Bayesfen lei jian mo fang fa ;zhen dui guo shu xin xian du yan jiu le PLShe ANNren gong shen jing wang lao liang chong jian mo fang fa 。3.cong guang lu he dian lu liang ge fang mian she ji bing da jian le ji yu jin gong wai guang pu de xin xian du jian ce shi yan ji tong 。guang lu ji tong shua ze le wei yu 640-1150nmbo duan fan wei de guang yuan ji yu zhi kuo pei de guang pu yi mo kuai ,cai yong man fan she cai ji mo shi ,ce liang ju li wei 6mmshi xiao guo zui jia 。ji yu guang pu cai ji 、ADzhuai huan 、tong xin chuan shu deng gong neng she ji le dian lu ji tong 。tong guo gai ji tong cai ji le bu tong xin xian ceng ji de guo shu guang pu shu ju 。4.wei di gao xin xian du yu ce jing du ,shou xian kai zhan le guo shu yang ben de fen lei shi bie shi yan 。ji yu bu tong xin xian ceng ji xia de yang ben ji shu ju gou jian le fen lei shi bie mo xing 。jie guo xian shi ,xin xian ceng ji de mo xing zhun que lv gao yu bu jia 、fu bai ceng ji ,tong xin xian ceng ji xia ping guo de zhun que lv you yu bai li 、xiang li 。dui bi bu tong xin xian ceng ji de guang pu xiang guan ji shu ,tong chong guo shu bu tong xin xian du zhi jian de xiang guan xing bian ruo ,shi bie zhun que lv yu xin xian cheng du cheng zheng bi ,dang xin xian ceng ji de guang pu cha yi da yu chong lei jian guang pu cha yi shi ,shi bie zhun que lv jiang di 。wan shan xun lian ji yang ben neng gou you xiao di sheng shi bie zhun que lv 。5.ji yu PLShe ANNliang chong jian mo fang fa ,kai zhan le guo shu de xin xian du yu ce shi yan 。zhen dui mei chong guo shu jian li le xin xian du yu ce mo xing ,bi jiao le liang chong suan fa mo xing de zhun que lv yu wen ding xing 。cai yong yu ce biao zhun pian cha ping gu mo xing zhun que lv ,RMSEPPLS=0.084,da yu shen jing wang lao de RMSEPzhi 0.079。can cha fen bu shui ming shen jing wang lao de yu gu zhi geng jie jin biao zhun zhi ;shi yong liu yi yan zheng fa yan zheng mo xing de wen ding xing ,RMSECVPLS>RMSECVren gong shen jing wang lao ,shen jing wang lao mo xing de wen ding xing yao you yu PLSmo xing 。
论文参考文献
论文详细介绍
论文作者分别是来自电子科技大学的李昆，发表于刊物电子科技大学2019-07-17论文，是一篇关于近红外光谱论文,新鲜度论文,贝叶斯论文,人工神经网络论文,电子科技大学2019-07-17论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自电子科技大学2019-07-17论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：近红外光谱论文; 新鲜度论文; 贝叶斯论文; 人工神经网络论文; 电子科技大学2019-07-17论文;