基于多传感器融合无损检测鸡蛋品质的研究

《基于多传感器融合无损检测鸡蛋品质的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、南京农业大学博士学位论文基于多传感器融合无损检测鸡蛋品质的研究姓名：刘鹏申请学位级别：博士专业：食品科学指导教师：屠康201106摘要基于多传感器融合无损检测鸡蛋品质的研究要农产品无损检测的目的是在不破坏样品的情况下，对其进行无损指标的测定，并与实际品质参数建立对应关系，最终达到分级的目的。单传感器无损检测虽对农产品的常规品质指标有较好的激励响应特性，但存在检测精度差、稳定性不高和部分传感器运行成本过高的问题。此外还有一些品质属性是用单一传感器难以识别的，表明单传感器的检测范围存在一定“盲区”．

2、另一方面，出口标准的提高，导致农产品检测趋向全面性，即需要输出一组全面的品质数据，这也是单一传感器难以完成的．因此：无论从应用，需求还是控制风险的角度来看，多传感器融合应用于农产品无损检测中都是十分必要的．为了探索多传感器融合在食品检测领域的可行性，提升检测的准确性，扩大检测的适应面。本文以鸡蛋为研究对象，将传感器信息预处理、传感器融合(数据层和特征层)、专家系统和虚拟仪器等技术系统的应用于鸡蛋品质的无损检测中．这一研究，较单传感器无损检测，一方面：有效提高了检测精度，范围和稳定性．另一方面：通

3、过传感器的融合策略，解决了对一些无法用单一传感器检测，但具有应用价值的品质指标的识别问题。在此基础上本文设计了相应的应用层软、硬件系统．具体研究分述如下：1．传感器信息预处理及融合检测鸡蛋品质参数的确定分别用定点迭代的快速独立分量和提升小波变换，对机器视觉和敲击振动这两类传感器输出的针对鸡蛋品质的无损检测参数进行去噪，去噪效果较好。研究确定了电子鼻检测鸡蛋的最佳试验条件．首先系统分析了针对鸡蛋气味的电子鼻模式识别算法特点．其次，通过算法比对确定了概率神经网络具有最好的稳定性、识别准确率和较快的总

4、体运行速度，是最适合鸡蛋气味识别的模式识别算法．最后，通过传感器权重分析、传感器响应值与指标的相关性分析，分别确定了针对鸡蛋新鲜度和裂纹检测的最佳电子鼻传感器组合分别为2、5、8号传感器和2，7，8号传感器。2．基于传感器数据层融合的鸡蛋新鲜度无损检测在传感器数据融合的层面上运用机器视觉和电子鼻分别对鸡蛋哈夫单位和TvB．N(挥发性盐基氮)进行无损检测。提出一种按无损检测特征变量对目标量预测的贡献程度划分权重的传感器数据融合方法．将其运用到机器视觉特征参数和电子鼻响应值特征参数的构建和预测建模过

5、程中，解决了无损检测建模方法中存在的变量权基于多传感器融合无损检测鸡蛋品质的研究重信息缺失问题。验证性研究表明：传感器数据融合提升了鸡蛋哈夫单位及TvB-N预测模型预测的准确性(预测准确率分别为97．31％和94．54％)、稳定性(麟分别为0．004％和0．006％)及可移植性(模型从构建组到验证组的使用过程中，预测准确率的下降在2％以内)。在此基础上，分别研究确定了基于机器视觉的鸡蛋哈夫单位svR(支持向量回归机)预测模型扣基于电子鼻的鸡蛋挥发性盐基氮SVR预测模型．还提出一种基于PSO(粒子

6、群)+网格混合型搜索策略确定SVR结构参数的新方法，将其运用到电子鼻响应值预测鸡蛋TvB-N的研究中。验证研究表明：该方法充分发挥了PSO搜索速度快而网格法稳定性高的优点，较一般网格搜索，混合型搜索在保证准确幽的同时，搜索速度提高了3倍，可满足在线分析的需要。3．多传感器特征层融合检测鸡蛋裂纹及相关外部品质研究将鸡蛋裂纹划分为尺寸和深浅两个层次。在鸡蛋裂纹的特征层，融合机器视觉、敲击振动和电子鼻三种传感器对裂纹进行了系统研究。首次提出基于3传感器融合的鸡蛋裂纹sVM(支持向量机)识别模型。模型具

7、有可信的结构(收敛误差为O．o003％)和很好的判别能力(验证准确率达到95％以上)，可为鸡蛋加工处理前的分拣提供依据。运用机器视觉和敲击振动特征层融合的方法构建鸡蛋蛋壳强度的系统模型。通过对敲击振动特征频率矩阵变异系数的检验和有裂纹蛋强度的测定，获得了蛋壳强度可测性的判别阈值。进一步通过传感器数据关联方法确定特征变量集。最后采用后向消去型多元线性回归建立了鸡蛋壳蛋壳强度预测模型．验证性实验表明：该模型准确性高(误差均值小于5％)，稳定性较好(误差标准差等于0．003)．克服了传统无损检测方法无

8、法同时测定裂纹蛋和正常蛋壳强度的不足，为鸡蛋的储运提供了数据支持。4．多传感器特征层融合检测鸡蛋新鲜度研究通过D．S证据理论将电子鼻和机器视觉两种传感器在特征层进行融合，构建了鸡蛋新鲜度的融合模型．通过主因子分析筛选出对检测新鲜度贡献率最高的特征变量色调日和电子鼻响应阻值之比‰．在此基础上设计了一组D．S判据规则．提出一种基于多SVM分类的基本可信度分配(BPA，B硒icprobabilit)r鹊si朗ment)新方法．比较研究表明：sVM优化的D．S证据融合模型充分发挥了SVM的自适应能力和D