基于近红外光谱结合机器学习的云南野生牛肝菌产地鉴别研究

这是一篇关于玫黄黄肉牛肝菌,兰茂牛肝菌,近红外光谱,二维相关光谱,深度学习的论文, 主要内容为野生食用菌营养丰富、食药用价值极高,是一种珍贵的自然资源,已引起世界各国的普遍重视。中国是全球食用菌生产和出口大国,合理和高效地开发利用野生食用菌资源成为了广泛共识。近年来,随着人们生活水平的提高及饮食结构的变化,野生食用菌已成为人们日常膳食中不可缺少的部分。云南省野生食用菌种类多、品质优、产量高,资源极其丰富。其中野生食用牛肝菌风味独特、营养价值高,具有抗癌、抗氧化和提高免疫力的功能,深受消费者青睐。野生牛肝菌子实体的营养物质和化学成分的含量受海拔和温度等气候因子的影响,这导致了不同产地牛肝菌的品质差异。野生牛肝菌的产地来源多种多样,这对其有效开发利用造成一定的困难。目前,红外光谱技术作为一种无损、高效、快速、可靠的分析技术,已经被广泛应用于野生菌的鉴别和资源评价中。本研究利用傅里叶变换近红外光谱(FT-NIR)技术采集了云南省两种具有代表性的野生食用牛肝菌——兰茂牛肝菌(Lanmaoa asiatica)和玫黄黄肉牛肝菌(Butyriboletus roseoflavus)的光谱,利用光谱数据结合多种模式识别方法鉴别不同产地的牛肝菌。此外,采用二维相关光谱技术生成了1383张同步、异步和综合二维相关光谱(2DCOS),基于2DCOS图像建立了深度学习模型。通过比较不同鉴别模型的准确率和性能,寻找最佳野生食用牛肝菌鉴别方法。可为建立合理规范、快捷有效的牛肝菌资源评价体系提供理论基础,为其他食用菌的质量评价提供参考。研究获得以下主要结果:(1)探索性分析结果表明,通过主成分分析(PCA)无法有效分离不同产地的牛肝菌样本。而层次聚类分析(HCA)中的牛肝菌样本在很低的距离下表现出聚类,这表明不同产地间样本存在化学信息较为相似的情况。(2)偏最小二乘判别分析(PLS-DA)模型结果显示,由一阶导数(FD)和二阶导数(SD)预处理的玫黄黄肉牛肝菌产地鉴别模型训练集和测试集的准确率都达到了99.5%和99.02%。较高的决定系数(R2)(0.877和0.87)说明模型具有良好的拟合度。兰茂牛肝菌的最佳预处理方法为SD,训练集和测试集的准确率均达到了100%,模型预测能力(Q2)为0.815,R2为0.935。200次置换检验结果验证了已建立的PLS-DA模型不存在过拟合风险。(3)极限学习机(ELM)模型结果表明,以玫黄黄肉牛肝菌样本建立的模型在神经元个数为50时,经过SD预处理后的模型训练集的准确率为100%,测试集准确率达99.21%。基于兰茂牛肝菌样本建立的ELM模型中,隐含层神经元数设置为30得到最优模型。经过SD预处理过的模型准确率最高,训练集准确率为100%,测试集准确率达98.51%。(4)随机森林(RF)模型结果显示,玫黄黄肉牛肝菌的原始数据和FD、SD、SNV、MSC预处理的数据建模预测集准确率分别为73.53%、91.18%、96.08%、83.33%和83.33%。兰茂牛肝菌的模型准确率则分别为71.70%、96.23%、98.11%、86.79%和92.45%。相比较原始数据,经SD预处理后的模型准确率和拟合效果明显提升。但与其他模型相比,RF模型表现出的性能较差。(5)支持向量机(SVM)结果表明,无论是玫黄黄肉牛肝菌还是兰茂牛肝菌基于原始数据建立的SVM模型准确率与基于预处理后数据建立的SVM模型准确率差异都比较大,最佳预处理方法均为SD,模型准确率分别达到了97.5%、100%和99.04%、100%,但是核函数(g)值偏低,模型的运算速度过慢,与其他产地鉴别模型相比,SVM模型并不具有优势。(6)残差卷积神经网络(Res Net)模型结果显示,在迭代18次时,基于同步二维相关光谱结合深度学习的玫黄黄肉牛肝菌产地鉴别模型训练集和测试集准确率都达到了100%且模型趋于稳定,此时损失值为0.13。同步二维相关光谱结合深度学习鉴别兰茂牛肝菌产地模型的训练集和测试集的准确率均为100%,损失值为0.09。此外,两个模型外部验证正确率均为100%,具有很好的泛化能力。而异步、综合二维相关光谱模型鉴别效果不佳。(7)产地气候因子简要分析表明,14个采样地年平均温度在15.1℃和17.6℃之间。不同月份之间降水量和平均气温差异明显。降水主要集中在6-9月,范围在89.94-230.52 mm。从本研究的14个产地的温度和降水量来看,所有产地均具有牛肝菌生长的优势条件。不同模型比较结果表明,同步二维光谱结合Res Net模型的整体性能优于传统化学计量学模型,这为牛肝菌在市场上产地的快速鉴别提供了新思路。

智慧蚕室信息采集及控制系统的构建与应用

这是一篇关于家蚕,智慧蚕室,环境因子,近红外光谱,控制系统的论文, 主要内容为传统的养蚕生产方式存在着过度依赖人力劳动、机械化程度低、自动化饲养管理系统缺乏等弊端。目前,智慧养蚕理念逐渐被人们接受,使用自动化养蚕装备,结合智慧化饲养管理平台,实现饲料筛选、环境控制、生长监测等一系列自动化、标准化饲养,可以有效提升养蚕生产效率和质量。因此,本文开展了饲料桑叶质量的快速分析方法,蚕室环境控制的策略,蚕室信息的监测和展示系统的搭建研究,设计开发了一套基于智慧蚕室架构下的信息采集及控制系统。利用近红外光谱技术制定一种了桑叶嫩度的检测方法。采集桑叶的光谱数据,剪切力数据。采用一阶导数(1st Der)、标准正态变换(SNV)等方法对光谱数据进行预处理;建立偏最小二乘回归(PLS)校正模型;通过自适应重加权算法(CARS),UVE(无信息变量消除),RF(蛙跳算法)方法进行波长优选。结果表明,经过UVE波长优选后建立的模型预测集决定系数(RP2)值为0.7105,校正集均方根误差(RMSEC)和预测集均方根误差(RMSECV)分别为2.39和2.61。模型误差较小,预测精度良好,能够用于桑叶嫩度的分析预测。设计、搭建了一套蚕室信息采集系统,实现了对蚕室内的温湿度、气体浓度等信息的准确监测和数据化展示。智慧蚕室信息采集系统运行稳定,数据采集成功率达99.71%,符合软件测试要求。采集数据准确可靠,数据的变化均符合实际生产规律。系统能够反映出蚕室环境的变化,可以用于蚕室内环境信息的长期监测。利用流体力学仿真方法,建立蚕室的标准6)-湍流模型,来模拟不同风速条件下环境的变化,确定了维持环境稳定的最适条件,并进行实际环境下的验证。模拟结果与真实值对比,变化趋势相同,存在的差异也符合实际生产规律,因此认为模拟结果准确有效。确定在蚕室内保持27℃,湿度80%rh的环境下,以1.27 m3/min的风量干涉,可以保持蚕架上下层温度的稳定。设计、开发了智慧蚕室系统平台,搭建云端服务器和网站,实现了数据信息的远程展示和管理。在实际生产环境下验证信息采集、环境控制等功能,结果表明各项功能运行稳定,能准确有效的进行蚕室环境的监测和控制,证明了智慧蚕室系统在实际生产应用的可行性。本文构建了智慧蚕室的信息采集及控制系统,实现了饲料分析、环境监测、装备管理等功能,为养蚕业现代化发展,养蚕装备和技术智能化转型提供了实践应用的方案参考。

基于卷积神经网络的近红外光谱建模方法研究

这是一篇关于近红外光谱,深度学习,卷积神经网络,自动搜索超参数,多分支预测的论文, 主要内容为在化学计量学方法的支撑下,近红外光谱分析技术已被广泛应用于食品、制药、化工、纺织等行业。传统的两阶段校准方法存在着预处理算法选择困难、模型建立复杂、预测精度低以及模型容易过拟合的问题。目前基于神经网络的近红外光谱建模理论还不完善,现有的基于神经网络的分析模型仍然存在着过拟合、泛化性差、可解释性差、超参数选择困难、模型性能差以及忽略了待测物质之间的关联性等问题。基于以上背景,本文开展了基于卷积神经网络的近红外光谱建模方法研究,主要研究内容如下:第一部分:展开介绍了近红外光谱分析技术的原理与应用,分析了传统的近红外光谱建模方法存在的不足,选择了基于卷积神经网络的建模方法和相应的评价指标。第二部分:提出了一种新的近红外光谱建模方法——ATSpec Net。此方法利用卷积神经网络从全光谱上获取信息,使用不同大小的卷积核提取多个维度的特征信息,并利用激活函数为模型引入非线性因素。接着通过一维池化层对特征进行归纳和降维,然后将提取到的特征使用多层全连接神经网络将特征向量空间映射到样品待测量化学值上。使用评价函数计算预测值与真实值之间的误差,在模型中反向传播这个误差并更新网络参数,反复的执行这个过程,直到模型的预测误差收敛到一个较小的值并趋于稳定,从而得到最佳的预测模型。使用公共数据玉米、柴油、啤酒和牛奶的近红外光谱进行仿真测试,建立预测模型。结果表明,ATSpec Net与偏最小二乘(PLS)、支持向量回归(SVR)和BP神经网络相比,在玉米油含量的预测中预测均方根误差(RMS EP)分别由0.060、0.097和0.292下降到0.046,建模精度分别提升了23.3%、52.6%和84.2%;在柴油十六烷值的预测中RMSEP分别由2.138、2.266和2.387下降到1.964,建模精度分别提升了8.1%、13.3%和17.7%;在啤酒酵母含量的预测中RMSEP分别由0.581、0.606和3.345下降到0.539,建模精度分别提升了7.2%、11.1%和83.9%;在牛奶蛋白质含量的预测中RMSEP分别由0.567、0.582和0.671下降到0.216,建模精度提升了63.5%、64.4%和67.8%。第三部分:提出了一种新的适应于多种组分预测的近红外光谱建模方法——ATM Spec Net。此方法首先使用编码解码模块去除光谱中的噪声和无效信息带来的干扰,通过多个专家网络从光谱不同的空间上对特征进行初步提取;然后,使用赋权网络对每个专家网络提取到的特征进行赋权;最后,经过赋权的特征向量进入不同的分支网络,经过分支网络的特征二次提取与映射得到待测样本的多个化学值。使用公开的玉米数据集进行仿真,构建测试模型。结果表明,ATMSpec Net预测模型与PLS、SVR和ATMSpec Net预测模型在多种物质成分的预测中相比,玉米水分含量的预测中RM SEP由0.272、0.275和0.230下降到0.211,建模精度分别提升了22.4%、23.2%和8.2%;玉米油含量的预测中RMSEP分别由0.060、0.097和0.046下降到0.043,建模精度分别提升了28.3%、55.7%和6.5%;玉米蛋白质含量的预测中RMSEP分别由0.332、0.342和0.307下降到0.239,建模精度分别提升了28.0%、30.1%和22.1%;玉米淀粉含量的预测中RMSEP分别由0.586、0.523和0.522下降到0.428,建模精度分别提升了27.0%、18.1%和18.0%。综上所述,本文所提出的ATSpec Net和ATMSpec Net模型对比经典的建模方法,在客观指标上均有提高,基于卷积神经网络的建模方法可以有效提高近红外光谱模型的预测精度。

基于近红外二维相关光谱对牛肝菌种类和产地的鉴别研究

这是一篇关于牛肝菌,近红外光谱,种类鉴别,产地鉴别的论文, 主要内容为野生食用牛肝菌味道鲜美、风味独特,其子实体具有高蛋白、低脂质的营养特性,富含多糖、多酚、黄酮、膳食纤维、维生素等活性物质,具有抗氧化、辅助降血糖、调节肠道菌群、增强免疫力等保健功能,食药用价值极高。其食药用价值易受种类和产地等因素的影响,市场价格也很大程度取决于这些因素。目前,牛肝菌供应链多个环节常以次充好来牟取非法利益,严重侵害消费者利益和扰乱食用菌市场秩序。不同种类和产地牛肝菌的快速鉴别是目前食用菌市场监管所关注的焦点问题。本研究针对牛肝菌产业发展中物种和产地鉴别问题,以云南常见牛肝菌为材料,通过化学计量学分析其近红外(NIR)光谱数据,鉴别不同种类和不同产地的牛肝菌,以期:通过NIR光谱技术建立牛肝菌快速无损鉴别模型,从而维护市场稳定和发展,保障人们的健康和生命安全,并为绿色分析技术的进一步发展和利用提供理论依据。(1)本研究提出一种物种鉴别方法并对其进行优化,以维护市场秩序,保护野生食用菌的经济效益。基于牛肝菌NIR光谱生成二维相关光谱(2D-COS)图像,以此建立深度学习模型,并优化模型的识别效果。采集了6种牛肝菌共计1398份光谱数据,比较了不同图像类型、不同建模参数和不同数据源建立深度学习模型的识别准确率。结果表明,同步2D-COS是建立深度学习模型的最佳图像类型,当学习率为0.01,epochs为40时,使用菌柄和菌盖数据,识别效果会进一步提高。该方法保留了样本的完整信息,可为市场监管部门提供一种快速、无创的牛肝菌种类鉴定方法。(2)兰茂牛肝菌(Lanmaoa asiatica)作为食用菌市场常见牛肝菌之一,且有较高的营养价值和经济价值,常常被不法商贩利用以牟取不正当利益。本研究基于NIR光谱技术建立快速准确的兰茂牛肝菌产地鉴别模型,并通过竞争性自适应加权(CARS)算法筛选出重要气候变量。该研究从中国云南省20个乡镇级地区收集了497株兰茂牛肝菌样品。首先,基于所有样品的NIR光谱,进行了光谱分析和主成分分析(PCA)。了解兰茂牛肝菌可能的化学成分,观察20类乡镇级样品的分类趋势。然后,使用Matlab-R2017a软件生成2D-COS图像,并建立残差卷积神经网络(Res Net)图像识别模型。Res Net模型训练集和测试集准确率为100%,损失值为0.052,说明模型准确率极高。此外,利用CARS算法从105个气候变量中选取特征变量。通过CARS算法获得了与兰茂牛肝菌NIR光谱差异相关的四个重要变量(2月、3月和4月降水量和1月最低温度)。结合产地鉴别结果,讨论了特征气候因素如何影响近红外光谱信息。研究结果可为市场监控提供快速、准确的牛肝菌产地鉴别方法,为筛选关键气候因子提供创新思路。

非同源样本与不同仪器间NIRS深度学习模型转移方法研究

这是一篇关于近红外光谱,模型转移,双向长短期记忆,启示-残差网络,微调的论文, 主要内容为近红外光谱(NIRS)技术具有快速、无损、环保等特点,然而,当光谱仪器或被测样品变化时,已建立的光谱模型通常不再适配。模型转移旨在解决此问题,对推广近红外光谱速测应用具有重要意义。在广泛调研的基础上,本文提出一种基于深度学习的定量建模和新场景下模型共享新方法。具体研究内容如下:首先,设计一种全连接层与Bi-LSTM并行组合的改进网络结构,针对聚谷氨酸(γ-PGA)肥和畜禽粪便肥的NIRS数据集,分别建立源域γ-PGA浓度和牛粪干物质(DM)含量的定量模型,并与PLS、ELM等传统模型进行对比。研究结果表明,改进Bi-LSTM定量网络增强了主干网络对光谱信息的提取,对两类肥料NIRS数据集的预测精度均大大提升。其次,设计冻结和更新Bi-LSTM层权重的两组微调(Fine-tuning)方案,用目标域γ-PGA肥和鸡粪的NIRS校正集训练源域定量网络,获得性能最优的迁移神经网络,并与PDS、CCA、SBC、TCA和Tradaboost等5种传统迁移方法所建模型进行比较。研究结果表明,两组Fine-tuning的深度迁移学习都能修复非同源样本间NIRS的特征差异,尤其是更新Bi-LSTM层权重全局调整方法,使非同源样本间的NIRS特征概率密度更接近相同分布,所建迁移模型性能更优。最后,设计一种1D-Inception-Res Net网络结构,针对3台不同型号光谱仪采集的甘蔗NIRS公开数据集,建立甘蔗中ADF和IVOMD两种成分的定量模型;然后通过调整Inception模块的权值实现该神经网络在不同仪器间的传递;并与PDS、CCA、SBC等传统模型转移方法所得结果进行比较。研究结果表明,Fine-tuning-1DInception-Res Net迁移网络具有更强的特征提取和泛化力,有效缩小仪器间光谱的特征差异,实现NIRS深度学习网络模型在不同仪器间传递共享。本文研究了具有改进结构的Bi-LSTM和1D-Inception-Res Net网络在NIRS领域的定量建模,以及网络模型在非同源样本、不同仪器间的深度迁移学习。本文的研究对丰富近红外光谱智能建模算法、促进NIRS在更多场景下的实际应用具有重要价值,同时对其它光谱分析技术的建模和模型迁移研究也具有借鉴意义。

野生食用牛肝菌近红外光谱鉴别及总多酚含量预测

这是一篇关于野生牛肝菌,近红外光谱,化学计量学,鉴别研究,含量预测的论文, 主要内容为食用菌,俗称“蘑菇”,它们在人类文明中已经存在有数千年的历史。中国是最早认识和利用食用菌的国家,在西方国家蘑菇被誉为“上帝的食物”,世界粮农组织和世界卫生组织也提出人类最佳的饮食结构是“一荤一素一菇”。野生食用牛肝菌生长在污染很少甚至没有污染的林区,是天然的绿色食品。其子实体具有高蛋白低脂质的特点,含有多种对人体有益的微量元素和必需氨基酸。云南是我国野生牛肝菌自然产量和种类分布最丰富的地区,牛肝菌是当地农牧民的重要收入来源。野生食用牛肝菌种类多样、分布广泛,极具食药用和经济价值。目前牛肝菌供应链中存在以次充好、以旧充新现象。总多酚是牛肝菌的主要抗氧化物质,常规测定方法耗时费力,很难广泛应用于食用菌市场。本研究利用傅里叶变换近红外(FT-NIR)光谱技术结合化学计量学方法开展:(1)采集云南地区主要食用牛肝菌的FT-NIR光谱,利用多变量分析方法对牛肝菌种类、储藏年限和可食用性进行鉴别研究;(2)拟合FT-NIR光谱数据和总多酚含量测定值,建立牛肝菌总多酚含量预测模型,为野生食用牛肝菌的质量控制和评价提供新方法。主要研究结果如下:(1)为了利用FT-NIR光谱技术开发快速、有效的鉴别食用牛肝菌种类的方法。采集云南省5种牛肝菌共418个子实体样品两个部位(菌柄和菌盖)的FT-NIR光谱,结合数据融合策略建立偏最小二乘判别分析(PLS-DA)模型,以及利用二维相关光谱(2DCOS)建立残差卷积神经网络(Res Net)模型鉴别牛肝菌种类。结果表明,牛肝菌子实体菌柄和菌盖的FT-NIR光谱吸收特征存在差异。数据融合策略可以提供全面、互补的信息,其中数据级融合可以提供丰富的原始信息,有助于优化PLS-DA模型性能;特征级融合通过筛选光谱特征变量,可以减少输入变量和提高PLS-DA模型的分类能力。在菌柄或菌盖单个部位2DCOS图像建立的Res Net模型中,训练集、测试集和外部验证集样本的分类正确率均为100%,损失值接近于0,模型具有良好的收敛能力和泛化能力。该方法无需对FT-NIR光谱数据进行预处理和其他操作,只需将原始一维光谱转换为2DCOS图像以建立Res Net模型,是一种快速、有效的牛肝菌种类鉴别方法。(2)针对牛肝菌市场存在的以次充好现象,提出一种基于近红外(NIR)光谱的牛肝菌切片鉴别策略,即首先确定牛肝菌切片的储藏期,确保其在保质期内;然后对保质期内的牛肝菌切片进行种类鉴别,评估其经济价值。采集1376个牛肝菌样品的FT-NIR光谱,包括2017-2020年采集(不同储藏期)的4个牛肝菌种类。应用三种有监督方法,PLS-DA、极限学习机(ELM)和Res Net模型对该策略的可行性进行验证。结果表明,利用2DCOS图像建立的Res Net模型对于牛肝菌储藏期和种类鉴别的准确率都达到100%。与PLS-DA和ELM模型相比,Res Net模型不需要进行复杂的数据预处理且模型鉴别能力更强。(3)为了验证利用NIR光谱直接鉴别野生牛肝菌可食用性的可行性,采集7种牛肝菌共420个样品的FT-NIR光谱,将2DCOS图像结合红绿蓝(RGB)图像分析和多变量分析方法建立牛肝菌鉴别模型。数据驱动版本-簇类独立软模式法(DD-SIMCA)模型用于鉴别牛肝菌的可食用性,模型具有很好的灵敏性(0.98),但特异性只有0.59。该模型不适合准确区分牛肝菌的可食用性,但可用于初步筛选有条件可食用的美柄牛肝菌(Caloboletus calopus)。在牛肝菌种类鉴别方面,随机森林(RF)模型具有良好的分类和泛化能力,训练集和测试集的准确率分别为97.22%和100%。因此,FT-NIR光谱与DD-SIMCA和RF模型相结合,可以用于野生牛肝菌可食用性和种类的快速鉴别。(4)为了利用NIR光谱结合化学计量学方法开发牛肝菌中总多酚含量快速预测的新方法。采集316个牛肝菌样品的FT-NIR光谱,通过福林酚法测定样品的总多酚含量,拟合FT-NIR光谱和测定值建立预测模型。利用偏最小二乘回归(PLSR)、支持向量回归(SVR)和RF三种回归算法建立预测模型,并探讨顺序正交预处理(SPORT)技术对于模型性能的影响。结果表明,二阶导数(SD)预处理建立的SVR模型具有最佳的预测性能,预测集的决定系数(R2)为0.94,预测均方根误差(RMSEP)为0.07,相对预测偏差(RPD)为3.18。FT-NIR光谱结合SVR模型是一种快速、准确地预测牛肝菌中总多酚含量的方法,该方法也可为食用菌中其他化学成分(如蛋白质、多糖等)的快速预测提供参考。

基于近红外光谱淡水鱼品质检测方法及装置研究

这是一篇关于淡水鱼,去头尾加工,近红外光谱,机器视觉,残差网络的论文, 主要内容为鱼的品类繁多,是人类的主要食物来源,中国人食用的鱼肉70%为淡水鱼。传统的淡水鱼大多依靠人力手动加工,加工效率低且容易造成细菌交叉感染,无法保障鱼肉的品质与食品安全。本文通过设计一套自动化切割装置,对淡水鱼进行切头去尾处理,为品质检测鱼肉样本的获取提供了可靠的技术支撑。以新鲜鲫鱼为例,分析其主要化学成分与理化指标的变化情况。在对淡水鱼品种分类进行深入研究后,我们发现机器视觉技术进行分类的效果显著优于近红外光谱技术,这为后续的鱼类加工处理提供了有力的支撑。主要研究如下:(1)淡水鱼切头去尾装置设计在与课题组合作确定淡水鱼自动化加工(分级、调姿、切头去尾、去鳞、去黑膜与内脏、清洗等)方案的基础上,完成了淡水鱼(主要为白鲢、鲫鱼等)的切头去尾装置的结构设计。采用仿形式鱼槽与链轮链条机构实现连续送料,利用机器视觉技术自动识别鱼头鱼尾位置,驱动圆盘刀分别快速切除鱼头、鱼尾,利用皮带输送装置与前后续加工工序实现自动衔接,从而实现淡水鱼的快速、连续加工。(2)淡水鱼肉品质检测技术研究以贮藏期的鲫鱼为实验对象,在温度为3℃(±0.5℃)下,贮藏10天,每隔24小时随机取样20个,共获得200个样本,利用质构仪与光谱检测技术进行分析,发现随着贮藏期的延长,鱼肉的新鲜度降低,硬度、弹性、咀嚼性均呈快速下降趋势。基于不同特征波长的近红外光谱筛选算法,提取的不同特征波长组合,分别建立PLS模型。结果表明,基于CARS算法筛选的特征波长组合建立的PLS模型对硬度、弹性指标预测性能最好,最优模型预测集相关系数Rp分别为0.932、0.912,RMSEP分别为0.541、0.978,基于全波长建立的PLS模型对咀嚼性指标预测效果最好。(3)基于近红外光谱的淡水鱼品种分类检测分析5种淡水鱼的光谱数据,经过8种预处理方法、波段筛选,分别得出三个模型对应的最优预处理方法、最优波段。研究三种模型鉴别方法,确定偏最小二乘法结合BP人工神经网络模型方法为最优方法,通过对未知样品对模型进行外部验证后,发现偏最小二乘法结合BP人工神经网络模型对未知鱼肉样品有很好的鉴别效果,鉴别准确率达到95.8%。(4)基于机器视觉的淡水鱼品种分类检测搭建机器视觉硬件平台,对采集到的图像进行预处理,分析两种网络模型结果,试验得出残差神经网络准确率为80%,Dense Net神经网络准确率为51%。确定残差神经网络模型的识别效率优于Dense Net神经网络。

基于卷积神经网络的近红外光谱建模方法研究

这是一篇关于近红外光谱,深度学习,卷积神经网络,自动搜索超参数,多分支预测的论文, 主要内容为在化学计量学方法的支撑下,近红外光谱分析技术已被广泛应用于食品、制药、化工、纺织等行业。传统的两阶段校准方法存在着预处理算法选择困难、模型建立复杂、预测精度低以及模型容易过拟合的问题。目前基于神经网络的近红外光谱建模理论还不完善,现有的基于神经网络的分析模型仍然存在着过拟合、泛化性差、可解释性差、超参数选择困难、模型性能差以及忽略了待测物质之间的关联性等问题。基于以上背景,本文开展了基于卷积神经网络的近红外光谱建模方法研究,主要研究内容如下:第一部分:展开介绍了近红外光谱分析技术的原理与应用,分析了传统的近红外光谱建模方法存在的不足,选择了基于卷积神经网络的建模方法和相应的评价指标。第二部分:提出了一种新的近红外光谱建模方法——ATSpec Net。此方法利用卷积神经网络从全光谱上获取信息,使用不同大小的卷积核提取多个维度的特征信息,并利用激活函数为模型引入非线性因素。接着通过一维池化层对特征进行归纳和降维,然后将提取到的特征使用多层全连接神经网络将特征向量空间映射到样品待测量化学值上。使用评价函数计算预测值与真实值之间的误差,在模型中反向传播这个误差并更新网络参数,反复的执行这个过程,直到模型的预测误差收敛到一个较小的值并趋于稳定,从而得到最佳的预测模型。使用公共数据玉米、柴油、啤酒和牛奶的近红外光谱进行仿真测试,建立预测模型。结果表明,ATSpec Net与偏最小二乘(PLS)、支持向量回归(SVR)和BP神经网络相比,在玉米油含量的预测中预测均方根误差(RMS EP)分别由0.060、0.097和0.292下降到0.046,建模精度分别提升了23.3%、52.6%和84.2%;在柴油十六烷值的预测中RMSEP分别由2.138、2.266和2.387下降到1.964,建模精度分别提升了8.1%、13.3%和17.7%;在啤酒酵母含量的预测中RMSEP分别由0.581、0.606和3.345下降到0.539,建模精度分别提升了7.2%、11.1%和83.9%;在牛奶蛋白质含量的预测中RMSEP分别由0.567、0.582和0.671下降到0.216,建模精度提升了63.5%、64.4%和67.8%。第三部分:提出了一种新的适应于多种组分预测的近红外光谱建模方法——ATM Spec Net。此方法首先使用编码解码模块去除光谱中的噪声和无效信息带来的干扰,通过多个专家网络从光谱不同的空间上对特征进行初步提取;然后,使用赋权网络对每个专家网络提取到的特征进行赋权;最后,经过赋权的特征向量进入不同的分支网络,经过分支网络的特征二次提取与映射得到待测样本的多个化学值。使用公开的玉米数据集进行仿真,构建测试模型。结果表明,ATMSpec Net预测模型与PLS、SVR和ATMSpec Net预测模型在多种物质成分的预测中相比,玉米水分含量的预测中RM SEP由0.272、0.275和0.230下降到0.211,建模精度分别提升了22.4%、23.2%和8.2%;玉米油含量的预测中RMSEP分别由0.060、0.097和0.046下降到0.043,建模精度分别提升了28.3%、55.7%和6.5%;玉米蛋白质含量的预测中RMSEP分别由0.332、0.342和0.307下降到0.239,建模精度分别提升了28.0%、30.1%和22.1%;玉米淀粉含量的预测中RMSEP分别由0.586、0.523和0.522下降到0.428,建模精度分别提升了27.0%、18.1%和18.0%。综上所述,本文所提出的ATSpec Net和ATMSpec Net模型对比经典的建模方法,在客观指标上均有提高,基于卷积神经网络的建模方法可以有效提高近红外光谱模型的预测精度。