农产品无损检测中的模式识别问题研究

发布时间：2017-09-30 14:38

  本文关键词：农产品无损检测中的模式识别问题研究

  更多相关文章： 农产品 无损检测 机器视觉技术 近红外光谱分析技术 模式识别 数据分析方法 非线性降维 分类 预测 自编码网络(AN) 稀疏表示(SR) 相关向量机(RVM) 偏最小二乘法(PLS) 最小二乘支持向量机(LS-SVM) 线性判别分析(LDA) 主

【摘要】：模式识别是农产品无损检测技术应用及高精度农产品无损检测仪器设备研制的核心环节。本论文针对农产品无损检测中各类原始采集数据的非线性降维和高效建模等模式识别问题,研究建立了基于自编码网络的近红外光谱非线性降维方法、基于稀疏表示的图像和光谱分类识别方法和基于相关向量机的近红外光谱定量建模方法,并将相关方法应用于各类农产品无损检测实践,为农产品无损检测的中模式识别方法研究和应用提供一些新思路和新途径。论文主要研究内容和结果如下：1、基于自编码网络的近红外光谱非线性降维方法研究。针对农产品无损检测中近红外光谱的非线性降维问题,提出了一种基于自编码网络(AN)的近红外光谱非线性降维方法。研究结果表明：采用AN分别对毛竹笋近红外和中红外光谱数据进行流形学习非线性降维提取低维本征信息之后,结合偏最小二乘法(PLS)建立毛竹笋不溶性膳食纤维含量定量回归模型。与其它常用的光谱数据预处理方法(MSC、SNV、Savitzky-Golay)结合PLS回归模型、PCA降维方法结合LS-SVM回归模型,及用单独PLS回归模型预测的结果相比,该方法对毛竹笋不溶性膳食纤维含量预测精度最高,其中NIR光谱的AN-PLS模型预测均方根误差RMSEP为0.0138；MIR光谱的AN-PLS模型预测均方根误差RMSEP为0.0135。可见,AN能有效反映红外光谱中存在的非线性结构,提高了检测精度,为基于近红外光谱技术的农产品检测数据降维研究提供有效的新途径。2、基于稀疏表示的图像和光谱分类识别方法研究。为简化农产品无损检测定性建模方法在参数优化选择、学习训练方面的步骤,提出了一种基于稀疏表示(SR)的图像和近红外光谱分类方法。稀疏表示方法把分类识别问题,转化为一个求解待识别测试样本对于整体训练样本矩阵的稀疏表示问题,只需要在求解L-1最小化范数时简单设定最小误差和迭代次数,就可以完成分类识别任务,有效简化了操作步骤。利用该方法对葡萄干品质机器视觉分类和大西洋鲑鱼肉色近红外光谱分类的结果表明。(1)在对葡萄干品质图像分类识别上,稀疏表示方法比最小二乘支持向量机方法(LS-SVM)取得了接近、甚至更好的分类效果,从而验证了其在农产品无损检测图像分类建模应用中的有效性,为农产品无损检测图像分类建模提供了有效的新途径；(2)在大西洋鲑鱼肉色等级可见／近红外光谱分类建模中,稀疏表示方法对于两种鲜活大西洋鲑肉色等级分类平均准确率为73%,优于线性判别分析(LDA)和最小二乘支持向量机方法(LS-SVM)的分类结果(分别为72%和68%),验证了该方法在农产品无损检测光谱分类建模应用中的有效性,为大西洋鲑肉色活体检测提供了一种新途径,同时也为其它农产品无损检测近红外光谱定性建模提供了一种高效、简便、且具有实用性的建模方法参考。3、基于相关向量机的近红外光谱定量建模方法研究。针对农产品无损检测尤其是在线检测对定量建模方法的预测速度性能要求高的特点,提出了一种基于相关向量机方法的近红外光谱定量建模方法。相关向量机方法无需估计正规化参数,解的稀疏性高,能在保证精度的同时提高预测速度。利用该方法对发酵冬虫夏草菌粉腺苷含量检测,以9000-4000cm-’光谱的主成分分析降维所获得的10个主成分为特征变量输入,建立发酵冬虫夏草菌粉腺苷含量的RVM回归模型,并与PLS、LS-SVM回归模型性能进行比较分析,结果表明：RVM回归模型的预测能力最强。在RVM建模过程中,需要调节的参数只有一个,具有计算性能优势,适用于发酵冬虫夏草菌粉质量近红外光谱在线监测,为农产品无损检测定量建模提供了一种有效的新途径。
【关键词】：农产品 无损检测 机器视觉技术 近红外光谱分析技术 模式识别 数据分析方法 非线性降维 分类 预测 自编码网络(AN) 稀疏表示(SR) 相关向量机(RVM) 偏最小二乘法(PLS) 最小二乘支持向量机(LS-SVM) 线性判别分析(LDA) 主成分分析(PCA)
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.4
【目录】：

• 致谢7-8
• 摘要8-10
• ABSTRACT10-19
• 术语表19-21
• 1 绪论21-38
• 1.1 引言21
• 1.2 研究背景和现状21-35
• 1.2.1 农产品无损检测概述21-22
• 1.2.2 农产品无损检测中模式识别方法研究现状22-32
• 1.2.3 面临的主要问题32-35
• 1.3 论文研究内容与结构安排35-37
• 1.3.1 论文的研究内容35-36
• 1.3.2 论文的结构安排36-37
• 1.4 本章小结37-38
• 2 农产品无损检测中模式识别基本方法与原理38-58
• 2.1 数据预处理方法38-43
• 2.1.1 数据归一化,标准和变换38-40
• 2.1.2 异常数据检测和空缺值处理40
• 2.1.3 噪声数据处理40-43
• 2.2 数据降维方法43-46
• 2.2.1 线性降维方法43-45
• 2.2.2 非线性降维方法45-46
• 2.3 建模方法46-57
• 2.3.1 定性分类识别建模方法46-51
• 2.3.2 定量分析建模方法51-57
• 2.4 本章小结57-58
• 3 基于自编码网络的近红外光谱非线性降维方法研究58-69
• 3.1 引言58-59
• 3.2 自编码网络结构和工作原理59-62
• 3.2.1 自编码网络结构59
• 3.2.2 自编码网络工作原理59-62
• 3.3 实验材料与方法62-65
• 3.3.1 仪器设备62
• 3.3.2 样品及光谱获取62-64
• 3.3.3 光谱数据处理与建模64-65
• 3.4 实验结果与讨论65-68
• 3.4.1 光谱降维65-66
• 3.4.2 建模及预测结果比较66-68
• 3.5 本章小结68-69
• 4 基于稀疏表示的图像和光谱分类识别方法研究69-96
• 4.1 引言69
• 4.2 稀疏表示分类原理69-71
• 4.3 稀疏表示在葡萄干品质图像识别中的应用研究71-87
• 4.3.1 背景介绍71-72
• 4.3.2 实验材料与方法72-76
• 4.3.3 实验结果与讨论76-87
• 4.3.4 结论87
• 4.4 稀疏表示在大西洋鲑肉色可见/近红外光谱识别中应用研究87-94
• 4.4.1 背景介绍87-88
• 4.4.2 实验材料与方法88-92
• 4.4.3 实验结果与讨论92-94
• 4.4.4 结论94
• 4.5 本章小结94-96
• 5 基于相关向量机的近红外光谱定量建模方法研究96-106
• 5.1 引言96-97
• 5.2 相关向量机原理97-100
• 5.2.1 模型描述97-98
• 5.2.2 贝叶斯推理98-99
• 5.2.3 优化超参数及预测99-100
• 5.3 实验材料与方法100-103
• 5.3.1 仪器设备及试剂100-101
• 5.3.2 样品光谱采集与腺苷含量值测定101-102
• 5.3.3 建模与优化102-103
• 5.4 实验结果与讨论103-104
• 5.5 本章小结104-106
• 6 结论与展望106-110
• 6.1 主要研究结论106-108
• 6.1.1 基于自编码网络的近红外光谱非线性降维方法研究106-107
• 6.1.2 基于稀疏表示的图像和光谱分类识别方法研究107-108
• 6.1.3 基于相关向量机的近红外光谱定量建模方法研究108
• 6.2 论文的创新点108-109
• 6.3 下一步研究展望109-110
• 参考文献110-120
• 作者简历120-121
• 发表文章目录121-122

【参考文献】

中国期刊全文数据库 前10条

1 王帅伟,麦永浩,杨辉华,王勇;关联向量机及其在入侵检测中的应用探讨[J];成都信息工程学院学报;2005年03期

2 胡昭华;宋耀良;;基于Autoencoder网络的数据降维和重构[J];电子与信息学报;2009年05期

3 罗刚;夏先林;;饵料中添加V_E对三文鱼肉品质的影响[J];贵州农业科学;2009年09期

4 吴今培;基于核函数的主成分分析及应用[J];系统工程;2005年02期

5 史永刚,冯新泸,李子存,孙萍;近红外光谱分析中应考虑的几个问题[J];光谱实验室;2001年04期

6 高华娜;郝雪娟;关颖;;傅里叶变换红外光谱法快速测定5个品种大豆的主要组分[J];光谱实验室;2011年01期

7 张博;杨黎彬;李金娟;;高效液相色谱法测定虫草菌粉中腺苷的含量[J];光谱实验室;2011年02期

8 陈达,王芳,邵学广,苏庆德;近红外光谱与烟草样品总糖含量的非线性模型研究[J];光谱学与光谱分析;2004年06期

9 傅霞萍;应义斌;刘燕德;陆辉山;;水果坚实度的近红外光谱检测分析试验研究[J];光谱学与光谱分析;2006年06期

10 杨辉华;覃锋;王义明;罗国安;;NIR光谱的Isomap-PLS非线性建模方法[J];光谱学与光谱分析;2009年02期

中国博士学位论文全文数据库 前4条

1 成芳;稻种质量的机器视觉无损检测研究[D];浙江大学;2004年

2 田英杰;支持向量回归机及其应用研究[D];中国农业大学;2005年

3 马本学;基于图像处理和光谱分析技术的水果品质快速无损检测方法研究[D];浙江大学;2009年

4 王松静;基于光谱分析与图像处理的模式识别研究[D];浙江大学;2012年

中国硕士学位论文全文数据库 前4条

1 王国才;朴素贝叶斯分类器的研究与应用[D];重庆交通大学;2010年

2 孙腾;CT技术及图像变换对苹果内部品质的无损检测模型研究[D];浙江大学;2013年

3 刘子毅;基于计算机视觉的大西洋鲑鱼肉色自动分级及摄食活性测量研究[D];中国科学院研究生院（海洋研究所）;2013年

4 赵巍;机器视觉在西瓜无损检测与分级中的应用[D];华中农业大学;2013年

，

本文编号：948794