基于高光谱成像技术的肉品品质无损检测方法研究

摘要

本研究以牛肉为主要研究对象，采用可见-近红外高光谱成像系统（400-1100nm）对103个牛肉样本进行数据分析。通过对多种预处理算法处理及特征波长优选后的数据建立牛肉新鲜度和水分含量的校正集预测模型和预测集预测模型，并对模型评价指标进行对比，为了找出最适合牛肉品质的快速无损检测方法，为牛肉内部品质的在线检测提供理论基础。论文的主要研究结果如下：
　　首先，对已获得的牛肉原始光谱数据进行多种算法的预处理，再进行多元线性回归建模，比较模型评价指标，最终得出适合牛肉新鲜度和水分含量的预处理算法为一阶差分宽度二次多项式9点 S.Golay卷积求导法。其次对经过预处理后的光谱数据进行降维，选取牛肉新鲜度和水分含量分别所对应的特征波长，便于后续模型建立。最后，分别采用MLR、BP-ANN和RBF-ANN对经过上述处理后的光谱数据分别进行牛肉新鲜度的校正集和预测集建模，结果表明，校正集建模时，RBF-ANN建模的相关系数（R）为0.9983，校正均方根误差（RMSEC）为0.0426。预测集建模时，RBF-ANN建模的相关系数（R）为0.9989，预测均方根误差（RMSEP）为0.0256，牛肉新鲜度建模采取RBF-ANN时效果最佳。采用MLR、BP-ANN和 RBF-ANN对经过上述处理后的光谱数据分别进行牛肉水分含量的校正集和预测集建模，结果表明，校正集建模时，RBF-ANN建模的相关系数（R）为0.9989，校正均方根误差（RMSEC）为0.0338。预测集建模时，RBF-ANN建模的相关系数（R）为0.9986，预测均方根误差（RMSEP）为0.0306，牛肉水分含量建模采取RBF-ANN效果最佳。
　　综上所述，采取RBF-ANN对牛肉品质建模时效果最佳，也为牛肉的在线快速无损检测奠定了基础。

目录

声明

第1章 绪论

1.1 引言

1.2 研究目的及意义

1.3 高光谱技术分析

1.4 高光谱技术的研究现状分析

1.5课题研究内容及技术路线

1.6 本章小结

第2章 高光谱数据处理

2.1 Matlab简介

2.2高光谱数据预处理

2.3特征波长优选

2.4模型评价指标

2.5 本章小结

第3章 牛肉新鲜度模型建立

3.1多元线性回归(MLR）

3.2 误差反向传输人工神经网络（BP-ANN）

3.3径向基函数神经网络（RBF-ANN）

3.4模型性能比较

3.5本章小结

第4章 牛肉水分含量模型建立

4.1多元线性回归(MLR）

4.2 误差反向传输人工神经网络（BP-ANN）

4.3径向基函数神经网络（RBF-ANN）

4.4模型性能比较

4.5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和获得的科研成果

致谢