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)品無損檢測技術應用及高精度農(nóng)產(chǎn)品無損檢測儀器設備研制的核心環(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向量機的近紅外光譜定量建模方法，并將相關方法應用于各類農(nóng)產(chǎn)品無損檢測實踐，為農(nóng)產(chǎn)品無損檢測的中模式識別方法研究和應用提供一些新思路和新途徑。論文主要研究內容和結果如下:
　　1、

2、基于自編碼網(wǎng)絡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(AN)的近紅外光譜非線性降維方法。研究結果表明:采用AN分別對毛竹筍近紅外和中紅外光譜數(shù)據(jù)進行流形學習非線性降維提取低維本征信息之后，結合偏最小二乘法(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)預處理方法(MSC、SNV、Savitzky-Golay)結合PLS回歸模型、PCA降維方法結合L

3、S-SVM回歸模型，及用單獨PLS回歸模型預測的結果相比，該方法對毛竹筍不溶性膳食纖維含量預測精度最高，其中NIR光譜的AN-PLS模型預測均方根誤差RMSEP為0.0138; MIR光譜的AN-PLS模型預測均方根誤差RMSEP為0.0135。可見，AN能有效反映紅外光譜中存在的非線性結構，提高了檢測精度，為基于近紅外光譜技術的農(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、學習訓練方面的步驟，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，轉化為一個求解待識別測試樣本對于整體訓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)時簡單設定最小誤差和迭代次數(shù)，就可以完成分類識別任務，有效簡化了操作步驟。利用該方法對葡萄干品質機器視覺分類和大西洋鮭魚肉色近紅外光譜分類的結果表明。(1)在對葡萄干品質圖像分類識別上，稀疏表示方法比最小

5、二乘支持向量機方法(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確率為73％，優(yōu)于線性判別分析(LDA)和最小二乘支持向量機方法(LS-SVM)的分類結果（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、且具有實用性的建模方法參考。
　　3、基于相關向量機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測速度性能要求高的特點，提出了一種基于相關向量機方法的近紅外光譜定量建模方法。相關向量機方法無需估計正規(guī)化參數(shù)，解的稀疏性高，能在保證精度的同時提高預測速度。利用該方法對發(fā)酵冬蟲夏草菌粉腺苷