学位论文 > 优秀研究生学位论文题录展示

基于近红外光谱分析技术和计算机视觉技术的猪肉品质检测的研究

作　者: 万新民
导　师: 蔡健荣
学　校: 江苏大学
专　业: 食品科学
关键词: 猪肉近红外光谱计算机视觉高光谱图像特征谱区筛选多信息融合多变量校正模式识别
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 322次
引　用: 5次
阅　读: 论文下载

内容摘要

我国是世界猪肉生产和消费第一大国,随着人民生活水平的提高,对猪肉品质的要求也越来越高。目前,国内猪肉品质的检测基本上都采用感官评定法和标准的理化方法,这些方法存在着主观性强、检测时间长或检测费用高等缺点。本课题开展了利用近红外光谱技术和计算机视觉技术检测猪肉品质的研究。论文的主要研究内容如下：1.利用近红外光谱技术定量分析猪肉品质指标。首先将原始近红外光谱经预处理后,用全光谱偏最小二乘(PLS)建立了猪肉新鲜度和嫩度的近红外光谱模型,其模型交互验证均方根误差(RMSECV)和校正集相关系数R(c)分别为5.01和0.6758,1.97和0.7187；预测均方根误差(RMSEP)和预测集相关系数R(p)分别为5.76和0.6982,2.54和0.4876。全光谱区域内含有大量与猪肉品质指标含量无关的光谱变量,这些冗余信息的存在,一定程度上降低了模型的预测性能。因此又分别尝试区间偏最小二乘(iPLS)、向后区间偏最小二乘(BiPL)、遗传偏最小二乘(GA-PLS)和联合区间偏最小二乘(SiPLS)等几种特征谱区筛选方法在猪肉新鲜度模型优化中的应用,并分析比较了各模型的预测能力。试验结果表明：这几种特征谱区筛选方法建立的猪肉新鲜度模型精度都明显好于全光谱偏最小二乘模型,且SiPLS所建模型精度最高,其模型交互验证均方根误差(RMSECV)和校正集相关系数R(c)分别为3.75和0.8332；其模型预测均方根误差(RMSEP)和预测集相关系数R(p)分别为4.17和0.8238。2.基于计算机视觉技术的猪肉新鲜度分级识别。试验以在4℃冰箱存放不同天数的猪肉后腿肉为研究对象,利用CCD摄像头获取不同天数的猪肉图像,通过合适的图像预处理后分别提取RGB和HIS颜色空间颜色分量的均值与方差等12个颜色特征变量。对这12个特征变量进行主成分分析,提取相应的主成分得分向量构成模式识别的输入。在识别模型的建立过程中,运用了线性判别分析(LDA)的模式识别方法。在主成分因子数等于10时,所建立的LDA判别模型最佳,模型对训练集中样本的识别率达到86.54%,对预测集中样本的识别率达到84.62%。试验结果表明,利用计算机视觉技术,提取适合的特征参数,基本可以将不同新鲜度等级的猪肉识别出来。3.基于计算机视觉技术的猪肉嫩度的分级识别。首先利用CCD摄像头获取不同嫩度的猪肉图像,通过测定最大剪切力值并结合人工感官评定方法得到嫩度等级,分别是嫩,较嫩和老三个等级。研究中选用了能量、均匀性、惯性和熵等这四个基于灰度共生矩阵的特征参数来描述纹理特征,步长d默认为1,在δ分别为0°,45°,90°,135°四个方向,分别提取这四个特征参数,一共得到16个变量。对这16个特征变量进行主成分分析,提取相应的主成分得分向量构成模式识别的输入。在识别模型的建立过程中,运用了K最近邻法(K-nearest neighbors, KNN)模式识别方法。在主成分因子数等于9时,所建立的KNN判别模型最佳,模型对训练集中样本的识别率达到89.13%,对预测集中样本的识别率达到86.96%。试验结果表明,通过计算机视觉技术提取适合的特征参数可以将不同嫩度等级的猪肉识别出来。4.利用近红外光谱和计算机视觉两种传感信息融合的方法来评判猪肉新鲜度品质。BP神经网络方法用于建立基于近红外光谱和计算机视觉的融合识别模型,在光谱信息主成分数为8和图像信息主成分数为12时,建立的融合模型识别率最高：校正集达到100%,预测集达到97.22%。结果表明,基于近红外光谱和计算视觉技术两信息融合评判猪肉新鲜度品质的方法是可行的,评判的准确性和稳定性都较单个信息模型有所提高。5.高光谱图像技术在猪肉嫩度品质评判中的应用。首先用实验室高光谱检测设备采集了猪肉在408-1117 nm范围的高光谱图像数据；然后用沃-布剪切仪测得猪肉样本的最大剪切力值并进行主观嫩度等级评价。通过主成分分析优选出三个特征波长下的图像,并从每个特征图像中分别提取对比度、相关性、能量和一致性等4个基于灰度共生矩阵的纹理特征参量,每个样本共有12个特征变量,再通过主成分分析对这12个特征变量进行压缩,提取6个主成分因子建立基于反向传播神经网络的猪肉嫩度等级识别模型。模型校正集的识别率为96.15%,预测集的识别率为80.77%。结果表明,高光谱图像技术可以用于猪肉嫩度等级水平的评判。本研究对于猪肉品质快速无损检测提供思路,研究成果对提高我国肉类产品的国际竞争力具有重要的经济意义。

全文目录

摘要  5-8
ABSTRACT  8-14
第一章绪论  14-23
  1.1 中国猪肉行业的现状  14-15
  1.2 猪肉品质的检测方法  15
    1.2.1 猪肉的常规检测方法及缺点  15
    1.2.2 新的检测方法及本论文研究思路  15
  1.3 猪肉品质的近红外光谱技术检测  15-19
    1.3.1 近红外光谱分析的理论基础  15-18
    1.3.2 近红外光谱分析技术检测猪肉品质的基本原理  18
    1.3.3 国内外研究现状  18-19
  1.4 猪肉品质的计算机视觉技术检测  19-20
    1.4.1 计算机视觉技术简介  19
    1.4.2 计算机视觉检测品质的基本原理  19
    1.4.3 国内外研究现状  19-20
  1.5 猪肉品质的高光谱图像技术检测  20
  1.6 本研究的目的和主要内容  20-22
    1.6.1 本研究的主要目的  20-22
    1.6.2 本研究的主要内容  22
  1.7 本章小结  22-23
第二章猪肉品质指标的理化测定及人工感官评定方法  23-28
  2.1 猪肉新鲜度的理化测定及等级评定  23-25
    2.1.1 猪肉新鲜度的简述  23
    2.1.2 猪肉新鲜度的测定  23-25
    2.1.3 猪肉新鲜度的等级评定  25
  2.2 猪肉嫩度的的理化测定及等级评定  25-27
    2.2.1 猪肉嫩度的简述  25
    2.2.2 猪肉嫩度的测定  25-26
    2.2.3 猪肉嫩度的等级评定  26-27
  2.3 本章小结  27-28
第三章基于近红外光谱技术的猪肉品质的检测  28-49
  3.1 引言  28
  3.2 材料与方法  28-33
    3.2.1 试验材料  28
    3.2.2 主要仪器与检测方法  28-31
    3.2.3 近红外模型建立的基本步骤及评价指标  31-33
  3.3 猪肉新鲜度和嫩度的近红外PLS模型的建立  33-36
    3.3.1 近红外原始光谱的预处理  33
    3.3.2 PLS模型的建立  33-36
  3.4 特征谱曲筛选方法在新鲜度模型优化中的应用  36-46
    3.4.1 常规区间偏最小二乘模型的建立  36-38
    3.4.2 向后阈值区间偏最小二乘模型的建立  38-40
    3.4.3 遗传偏最小二乘模型的建立  40-44
    3.4.4 联合区间偏最小二乘模型的建立  44-46
  3.5 结果与讨论  46-47
  3.6 小结  47-49
第四章基于计算机视觉技术的猪肉品质检测研究  49-61
  4.1 计算机视觉技术在猪肉新鲜度检测中的应用  49-54
    4.1.1 材料与方法  49
    4.1.2 猪肉图像的采集  49-50
    4.1.3 猪肉图像的颜色特征变量的提取  50-52
    4.1.4 识别模型的建立  52-54
  4.2 计算机视觉技术在猪肉嫩度检测中的应用  54-59
    4.2.1 材料与方法  54
    4.2.2 猪肉图像的采集  54-55
    4.2.3 纹理特征概述  55
    4.2.4 猪肉图像的纹理特征变量的提取  55-57
    4.2.5 识别模型的建立  57-59
  4.3 本章小结  59-61
第五章多信息的融合技术评判猪肉新鲜度  61-66
  5.1 多传感信息融合信息技术的原理和方法  61
  5.2 试验材料与方法  61-62
  5.3 识别模型的建立  62-65
    5.3.1 基于近红外光谱的猪肉新鲜度识别模型的建立  62-63
    5.3.2 基于计算机视觉的猪肉新鲜度识别模型的建立  63-64
    5.3.3 基于近红外光谱和图像信息融合模型的建立  64-65
  5.4 本章小结  65-66
第六章基于高光谱成像技术的猪肉嫩度检测研究  66-74
  6.1 引言  66
  6.2 高光谱图像技术的基本原理  66-67
  6.3 试验材料与方法  67-69
    6.3.1 试验材料  67
    6.3.2 高光谱图像的采集方法  67-68
    6.3.3 猪肉剪切力的测定及其嫩度划分标准  68
    6.3.4 高光谱图像的标定  68-69
  6.4 结果与讨论  69-73
    6.4.1 高光谱图像区域的选择  69
    6.4.2 特征波长图像的选取  69-70
    6.4.3 猪肉图像的纹理特征提取  70-72
    6.4.4 识别模型的建立与分析结果  72-73
  6.5 小结  73-74
第七章结论与展望  74-78
  7.1 论文的主要结论  74-76
  7.2 本研究的展望  76-78
致谢  78-79
参考文献  79-84
在研期间发表的论文  84-85
附录  85-91

基于近红外光谱分析技术和计算机视觉技术的猪肉品质检测的研究

内容摘要

全文目录

相似论文