基于深度学习的水果糖度可见/近红外光谱无损检测方法研究

摘要

随着互联网大数据时代的到来，由于深度学习技术具有较强的计算能力和泛化能力，使其在图像处理、文本处理、语音识别等领域表现优异。因此，本文将深度学习技术应用在可见/近红外光谱的水果糖度检测方向，设计了一种基于深度学习的水果糖度回归模型，提出了一种新的检测算法。该模型前部以多层感知机为基础，后部以卷积神经网络为基础，融合主成分分析以及二维相关光谱矩阵算法，并使用Adam优化器对网络进行随机优化。在实验验证部分，本文以赣南脐橙、新疆库尔勒香梨为研究对象，以其糖度作为主要检测指标。在取得实验样本的光谱数据与糖度数值后，运行深度学习回归模型，在相同的条件下，将其与偏最小二乘回归模型、主成分回归模型、多层感知机回归模型、卷积神经网络回归模型进行对比分析，验证基于深度学习的水果糖度无损检测方法的可行性。
　　本文的主要研究内容如下:
　　(1)设计了一种全新的基于深度学习的水果糖度回归模型:实验证明，该模型(以下简称MLP-CNN)比经过预处理和特征波段筛选后的传统偏最小二乘回归模型、主成分回归模型的预测能力更佳优异。在脐橙的糖度预测过程中，该模型与偏最小二乘回归模型相比，验证集均方根误差从0.61°Brix减小到0.46°Brix，决定系数从0.79提高到0.85。在香梨的糖度预测过程中，该模型与偏最小二乘回归模型相比，验证集均方根误差从0.34°Brix减小到0.29°Brix，决定系数从0.88提高到0.93。
　　(2)搭建了静态水果光谱、糖度采集实验装置，包括光源和光谱仪的选择、电路的连接以及水果的标定工作，完成了水果光谱和糖度的实时测量。
　　(3)开发了基于深度学习的水果糖度测量软件:实现了水果光谱的输入、输出、显示、存储、预处理、深度学习回归模型运行等基础功能。
　　综上所述，本文通过对水果光谱和糖度的采集，建立了一种全新的基于深度学习的水果糖度检测方法。MLP-CNN回归模型相较于传统的回归算法，操作过程简单，模型预测能力较好。同时，与卷积神经网络和多层感知机回归模型相比，其收敛速度更快，自我学习水平更高，模型的预测能力更强。基于深度学习的水果糖度检测方法既可保证水果样本的完整性，又可以提高实际工作效率，可实现水果糖度的无损、精准、快速测量，同时促进可见/近红外光谱无损检测技术不断向前发展。

目录

声明

摘要

1．1课题研究的背景和意义

1．2国内外研究现状分析

1．2．1国外研究现状

1．2．2国内研究现状

1．3 目前研究中存在的问题

1．4深度学习的应用现状

1．5本文研究的主要内容

1．5．1研究的主要内容

1．5．2研究的技术路线

2可见／近红外光谱分析技术

2．1 可见／近红外光谱分析技术的基本原理

2．2 常用的光谱预处理方法介绍

2．2．1导数算法

2．2．2多元散射矫正

2．2．3标准归一化

2．2．4 Savitzky-Golay卷积平滑

2．3常用的光谱回归建模方法

2．3．2主成分回归

2．4可见／近红外光谱分析模型的评价标准

2．4．1决定系数

2．4．2均方根误差

3基于深度学习的回归建模方法

3．1深度学习基本思想

3．1．1深度学习概述

3．1．2深度学习技术的优点

3．2常见的深度学习算法简介

3．2．1反向传播算法

3．2．2多层感知机

3．2．3卷积神经网络

3．3数据的预处理

3．3．1主成分分析法

3．3．2二维光谱信息矩阵

3．4基于深度学习的糖度回归模型

3．4．1基本网络结构

3．4．2神经网络的优化

4．1研究对象

4．2实验仪器及对比软件的选择

4．2．1光路系统设计

4．2．2光源选型

4．2．3标准漫反射白板

4．2．4光谱仪

4．2．5 LB32T手持糖度计折光仪

4．2．6 SpectraSuite光谱采集软件

4．2．7数据处理软件Unscrambler

4．2．8数据处理软件Matlab

4．2．9人工智能学习系统

4．3实验过程介绍

5基于深度学习的水果糖度检测模型

5．1 不同的样本数量对深度学习回归模型的影响

5．2不同训练集与验证集样本比例对深度学习回归模型的影响

5．3 不同预处理方法对深度学习回归模型的影响

5．4不同的波段选择对深度学习回归模型的影响

5．4不同水果的模型结果分析

5．5深度学习回归模型评价

5．6数据展示系统

6．1主要研究结论

6．2主要创新点

6．3进一步研究展望

参考文献

附录

作者简历及攻读硕士／博士学位期间取得的研究成果