農(nóng)產(chǎn)品無損檢測中的模式識別問題研究.pdf

1、模式識別是農(nóng)產(chǎn)品無損檢測技術(shù)應(yīng)用及高精度農(nóng)產(chǎn)品無損檢測儀器設(shè)備研制的核心環(huán)節(jié)。本論文針對農(nóng)產(chǎn)品無損檢測中各類原始采集數(shù)據(jù)的非線性降維和高效建模等模式識別問題，研究建立了基于自編碼網(wǎng)絡(luò)的近紅外光譜非線性降維方法、基于稀疏表示的圖像和光譜分類識別方法和基于相關(guān)向量機(jī)的近紅外光譜定量建模方法，并將相關(guān)方法應(yīng)用于各類農(nóng)產(chǎn)品無損檢測實(shí)踐，為農(nóng)產(chǎn)品無損檢測的中模式識別方法研究和應(yīng)用提供一些新思路和新途徑。論文主要研究內(nèi)容和結(jié)果如下:
　　1、

2、基于自編碼網(wǎng)絡(luò)的近紅外光譜非線性降維方法研究。針對農(nóng)產(chǎn)品無損檢測中近紅外光譜的非線性降維問題，提出了一種基于自編碼網(wǎng)絡(luò)(AN)的近紅外光譜非線性降維方法。研究結(jié)果表明:采用AN分別對毛竹筍近紅外和中紅外光譜數(shù)據(jù)進(jìn)行流形學(xué)習(xí)非線性降維提取低維本征信息之后，結(jié)合偏最小二乘法(PLS)建立毛竹筍不溶性膳食纖維含量定量回歸模型。與其它常用的光譜數(shù)據(jù)預(yù)處理方法(MSC、SNV、Savitzky-Golay)結(jié)合PLS回歸模型、PCA降維方法結(jié)合L

3、S-SVM回歸模型，及用單獨(dú)PLS回歸模型預(yù)測的結(jié)果相比，該方法對毛竹筍不溶性膳食纖維含量預(yù)測精度最高，其中NIR光譜的AN-PLS模型預(yù)測均方根誤差RMSEP為0.0138; MIR光譜的AN-PLS模型預(yù)測均方根誤差RMSEP為0.0135。可見，AN能有效反映紅外光譜中存在的非線性結(jié)構(gòu)，提高了檢測精度，為基于近紅外光譜技術(shù)的農(nóng)產(chǎn)品檢測數(shù)據(jù)降維研究提供有效的新途徑。
　　2、基于稀疏表示的圖像和光譜分類識別方法研究。為簡化農(nóng)產(chǎn)

4、品無損檢測定性建模方法在參數(shù)優(yōu)化選擇、學(xué)習(xí)訓(xùn)練方面的步驟，提出了一種基于稀疏表示(SR)的圖像和近紅外光譜分類方法。稀疏表示方法把分類識別問題，轉(zhuǎn)化為一個求解待識別測試樣本對于整體訓(xùn)練樣本矩陣的稀疏表示問題，只需要在求解L-1最小化范數(shù)時簡單設(shè)定最小誤差和迭代次數(shù)，就可以完成分類識別任務(wù)，有效簡化了操作步驟。利用該方法對葡萄干品質(zhì)機(jī)器視覺分類和大西洋鮭魚肉色近紅外光譜分類的結(jié)果表明。(1)在對葡萄干品質(zhì)圖像分類識別上，稀疏表示方法比最小

5、二乘支持向量機(jī)方法(LS-SVM)取得了接近、甚至更好的分類效果，從而驗證了其在農(nóng)產(chǎn)品無損檢測圖像分類建模應(yīng)用中的有效性，為農(nóng)產(chǎn)品無損檢測圖像分類建模提供了有效的新途徑;(2)在大西洋鮭魚肉色等級可見/近紅外光譜分類建模中，稀疏表示方法對于兩種鮮活大西洋鮭肉色等級分類平均準(zhǔn)確率為73％，優(yōu)于線性判別分析(LDA)和最小二乘支持向量機(jī)方法(LS-SVM)的分類結(jié)果（分別為72％和68％），驗證了該方法在農(nóng)產(chǎn)品無損檢測光譜分類建模應(yīng)用中的有

6、效性，為大西洋鮭肉色活體檢測提供了一種新途徑，同時也為其它農(nóng)產(chǎn)品無損檢測近紅外光譜定性建模提供了一種高效、簡便、且具有實(shí)用性的建模方法參考。
　　3、基于相關(guān)向量機(jī)的近紅外光譜定量建模方法研究。針對農(nóng)產(chǎn)品無損檢測尤其是在線檢測對定量建模方法的預(yù)測速度性能要求高的特點(diǎn)，提出了一種基于相關(guān)向量機(jī)方法的近紅外光譜定量建模方法。相關(guān)向量機(jī)方法無需估計正規(guī)化參數(shù)，解的稀疏性高，能在保證精度的同時提高預(yù)測速度。利用該方法對發(fā)酵冬蟲夏草菌粉腺苷