农产品无损检测中的模式识别问题研究

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-1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。

目录

声明

论文说明

致谢

摘要

表格

插图

术语表

1 绪论

1．1 引言

1．2 研究背景和现状

1．2．1 农产品无损检测概述

1．2．2 农产品无损检测中模式识别方法研究现状

1．2．3 面临的主要问题

1．3 论文研究内容与结构安排

1．3．1 论文的研究内容

1．3．2 论文的结构安排

1．4 本章小结

2 农产品无损检测中模式识别基本方法与原理

2．1 数据预处理方法

2．1．1 数据归一化、标准化和变换

2．1．2 异常数据检测和空缺值处理

2．1．3 噪声数据处理

2．2 数据降维方法

2．2．1 线性降维方法

2．2．2 非线性降维方法

2．3 建模方法

2．3．1 定性分类识别建模方法

2．3．2 定量分析建模方法

2．4 本章小结

3 基于自编码网络的近红外光谱非线性降维方法研究

3．1 引言

3．2 自编码网络结构和工作原理

3．2．1 自编码网络结构

3．2．2 自编码网络工作原理

3．3 实验材料与方法

3．3．1 仪器设备

3．3．2 样品及光谱获取

3．3．3 光谱数据处理与建模

3．4 实验结果与讨论

3．4．1 光谱降维

3．4．2 建模及预测结果比较

3．5 本章小结

4 基于稀疏表示的图像和光谱分类识别方法研究

4．1 引言

4．2 稀疏表示分类原理

4．3 稀疏表示在葡萄干品质图像识别中的应用研究

4．3．1 背景介绍

4．3．2 实验材料与方法

4．3．3 实验结果与讨论

4．3．4 结论

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

4．4．1 背景介绍

4．4．2 实验材料与方法

4．4．3 实验结果与讨论

4．4．4 结论

4．5 本章小结

5 基于相关向量机的近红外光谱定量建模方法研究

5．1 引言

5．2 相关向量机原理

5．2．1 模型描述

5．2．2 贝叶斯推理

5．2．3 优化超参数及预测

5．3 实验材料与方法

5．3．1 仪器设备及试剂

5．3．2 样品光谱采集与腺苷含量值测定

5．3．3 建模与优化

5．4 实验结果与讨论

5．5 本章小结

6 结论与展望

6．1 主要研究结论

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

6．1．2 基于稀疏表示的图像和光谱分类识别方法研究

6．1．3 基于相关向量机的近红外光谱定量建模方法研究

6．2 论文的创新点

6．3 下一步研究展望

参考文献

作者简历

发表文章目录