学位论文 > 优秀研究生学位论文题录展示

基于多源信息融合技术的猪肉新鲜度无损检测方法研究

作　者: 周炜
导　师: 李小昱
学　校: 华中农业大学
专　业: 农业机械化工程
关键词: 猪肉新鲜度计算机视觉电子鼻信息融合
分类号: TP274.4
类　型: 硕士论文
年　份: 2009年
下　载: 124次
引　用: 0次
阅　读: 论文下载

内容摘要

我国猪肉的生产与消费量均居世界第一,同时猪肉及其制品的出口也为我国创造了巨大的贸易顺差。猪肉新鲜度是评价猪肉品质优劣的重要指标。猪肉的新鲜与否直接决定了猪肉的食用安全。因此建立猪肉新鲜度的快速、准确、无损检测的检测方法有着重要的科学意义和应用价值。论文选取猪里脊肉与后腿肉作为试验材料,分别使用计算机视觉技术和电子鼻技术采集猪肉图像和气体特征信息,通过多源信息融合技术将猪肉图像特征信息与猪肉气体特征信息进行融合,建立了猪肉新鲜度无损检测模型,以达到对猪肉不同部位新鲜度进行快速、准确识别的目的。主要研究结论如下:1)建立了基于计算机视觉技术的猪肉图像采集系统。根据猪肉图像的采集需要对图像传感器和图像采集卡进行选型,构建了猪肉图像采集装置。采用MATLAB语言编写出图像处理与分析程序,并通过MATLAB中GUI模块生成程序界面,设计了猪肉图像采集软件。2)优化了猪肉图像消噪方法,优选了猪肉图像特征参数,建立了基于计算机视觉技术的猪肉新鲜度识别模型。通过比较中值滤波法与均值滤波法对猪肉图像的消噪效果,确定中值滤波法为最优的消噪方法;采用RGB、L~*a~*b~*、HIS颜色模型的颜色特征参数与猪肉贮存时间建立拟合模型,根据各拟合模型决定系数R~2值的大小,确定L~*a~*b~*颜色模型中的颜色特征参数L~*、a~*、b~*作为猪肉图像特征参数最优;根据平行化学实验测量的各样本TVB-N值对猪里脊肉与后腿肉样本进行编码,并以此为依据,采用训练集中的394个图像样本建立基于计算机视觉技术的猪肉新鲜度识别模型。采用验证集中96个图像样本对模型进行验证,结果表明:模型对验证集中猪里脊肉与猪后腿肉图像样本区分的正确率达到100%,模型对验证集中猪肉新鲜度识别的正确率达76%,那么可以采用多源信息融合技术进一步提高模型识别的正确率。3)建立了基于电子鼻技术的猪肉气体特征信息采集系统。根据猪肉腐败过程中产生的气体成分,选取TGS822、TGS832、TGS825和TGS826气体传感器搭建电子鼻气体传感器阵列,构建猪肉气体信息采集装置。采用LabVIEW语言编写电子鼻气体信息采集软件,实现电子鼻系统对气体信息的显示与保存、气体传感器解吸附过程的监测、气体特征信息的分析与特征参数的提取。4)对电子鼻系统的试验因素:顶空时间、样本质量、采样时间进行了优化,对气体信息特征参数进行优选,采用BP神经网络建立基于电子鼻技术的猪肉新鲜度识别模型。根据电子鼻气体传感器信号响应曲线特征的分析,确定电子鼻对气体样本的测量时间为90s;以猪里脊肉与猪后腿肉为研究对象,采用主成份分析法(PCA)、曲线拟合法对顶空时间、样本质量进行了优化,确定最优顶空时间为3min,最优样本质量为60g;通过对电子鼻气体传感器采集的信息进行主成份分析(PCA),确定以电子鼻气体传感器电压的稳态值与各传感器在洁净空气中电压值的差值,作为猪肉气味特征参数。以TVB-N测量值对猪肉样本的新鲜度进行编码,采用BP神经网络建立基于电子鼻技术的猪肉新鲜度识别模型。以训练集中的394个猪肉气体信息样本及其新鲜度编码对模型进行训练,采用验证集中96个气体样本对模型进行验证,结果表明:模型对猪肉新鲜度识别的正确率为86.5%,那么可以采用多源信息融合技术进一步提高模型识别的正确率。5)采用多源信息融合技术,将气体信息与图像信息进行融合,建立基于多源信息融合技术的猪肉新鲜度识别模型。通过对融合方式的分析,确定以特征层信息融合方式作为猪肉多源信息融合方式:采用3层BP神经网络、3层RBF神经网络和最小二乘支持向量机的融合方法,分别建立BP神经网络、RBF神经网络和最小二乘支持向量机的猪肉多源信息融合模型。融合训练集包含394个样本,融合验证集包含96个样本。根据测量的TVB-N值对猪里脊肉与后腿肉样本进行编码,以融合训练集样本及其新鲜度编码,建立基于多源信息融合技术的猪肉新鲜度识别模型。验证集对模型的验证结果表明:基于多源信息融合方法,通过BP神经网络、RBF神经网络、最小二乘支持向量机建立的猪肉新鲜度识别模型对验证集样本新鲜度识别的正确率分别为91.67%、94.79%和89.6%,且模型对验证集中猪里脊肉与后腿肉识别的正确率均达到100%。多源信息融合模型对猪肉新鲜度识别的正确率比仅采用气体信息或颜色信息建立模型的识别正确率高。对BP神经网络、RBF神经网络、最小二乘支持向量机建立的猪肉新鲜度识别模型的识别率进行比较,确定以RBF神经网络进行多源信息融合为建立猪肉新鲜度无损检测模型的最优方法。

全文目录

摘要  7-9
Abstract  9-12
第一章绪论  12-19
  1.1 研究目的和意义  12-13
  1.2 国内外研究现状  13-17
    1.2.1 电子鼻检测技术  13-14
    1.2.2 计算机视觉检测技术  14-15
    1.2.3 多源信息融合技术  15-17
  1.3 研究内容与研究方法  17-19
    1.3.1 研究内容  17
    1.3.2 研究方法  17-18
    1.3.3 技术路线  18-19
第二章基于计算机视觉技术的猪肉图像采集系统设计  19-24
  2.1 概述  19
  2.2 猪肉图像采集装置的设计  19-20
  2.3 猪肉图像处理与分析软件的设计  20-23
    2.3.1 颜色模型选取  20-21
    2.3.2 图像预处理  21-22
    2.3.3 图像分割  22
    2.3.4 图像特征提取  22
    2.3.5 图像显示与结果保存  22-23
  2.4 小结  23-24
第三章基于计算机视觉技术的猪肉新鲜度检测方法研究  24-35
  3.1 概述  24
  3.2 试验设计  24-26
    3.2.1 样本的制备  24-25
    3.2.2 猪肉图像的采集试验  25-26
  3.3 挥发性盐基氮TVB-N的测量试验  26-28
    3.3.1 挥发性盐基氮TVB-N测量的试验材料  26
    3.3.2 挥发性盐基氮TVB-N测量的操作步骤  26-27
    3.3.3 挥发性盐基氮TVB-N测量的结果  27-28
  3.4 试验结果与分析  28-34
    3.4.1 图像滤波消噪结果的分析  28-29
    3.4.2 颜色特征参数分析  29-31
    3.4.3 基于计算机视觉技术的猪肉新鲜度识别模型的建立  31-34
  3.5 小结  34-35
第四章基于电子鼻技术的猪肉气体采集系统设计  35-44
  4.1 概述  35
  4.2 电子鼻测量系统的硬件设计  35-40
    4.2.1 电子鼻气体传感器的选型  35-36
    4.2.2 电子鼻气体传感器的引脚与接线  36-37
    4.2.3 电子鼻气体传感器的信号采集电路  37-38
    4.2.4 电子鼻气体采集装置  38-40
  4.3 电子鼻测量系统的软件设计  40-43
    4.3.1 解吸附监控模块  41-42
    4.3.2 数据采集与保存模块  42-43
    4.3.3 数据分析与处理模块设计  43
  4.4 小结  43-44
第五章基于电子鼻技术的猪肉新鲜度检测方法研究  44-57
  5.1 概述  44
  5.2 电子鼻模式识别方法的选取  44-45
    5.2.1 统计模式识别方法  44
    5.2.2 人工神经网络模式识别方法  44-45
  5.3 电子鼻试验参数的优化设计  45-53
    5.3.1 测量时间的优化  45-46
    5.3.2 样本质量的优化  46-47
    5.3.3 样本顶空生成时间的优化  47-50
    5.3.4 电子鼻特征参数的提取  50-53
  5.4 基于电子鼻技术的猪肉新鲜度识别模型的建立  53-56
    5.4.1 试验材料与试验方法  53
    5.4.2 猪肉新鲜度识别模型的建立  53-56
  5.5 小结  56-57
第六章基于多源信息融合技术的猪肉新鲜度检测方法研究  57-72
  6.1 概述  57
  6.2 多源信息融合方式的选取  57-59
    6.2.1 像素层融合  57-58
    6.2.2 特征层融合  58-59
    6.2.3 决策层融合  59
  6.3 多源信息融合方法的选取  59-60
    6.3.1 经典信息融合方法  59-60
    6.3.2 现代信息融合方法  60
  6.4 基于BP神经网络技术的多源信息融合模型  60-65
    6.4.1 试验材料与试验方法  60-61
    6.4.2 BP人工神经网络多源信息融合模型的设计  61
    6.4.3 BP人工神经网络多源信息融合模型参数的优化  61-62
    6.4.4 BP神经网络多源信息融合模型的验证  62-65
  6.5 基于RBF神经网络的多源信息融合模型  65-68
    6.5.1 试验材料与试验方法  65
    6.5.2 RBF人工神经网络多源信息融合模型的建立  65-66
    6.5.3 RBF人工神经网络多源信息融合模型参数的优化  66
    6.5.4 RBF人工神经网络多源信息融合模型的验证  66-68
  6.6 基于最小二乘支持向量机的多源信息融合方法的研究  68-71
    6.6.1 试验材料与试验方法  68
    6.6.2 最小二乘支持向量机多源信息融合模型的建立  68
    6.6.3 最小二乘支持向量机多源信息融合模型的优化  68-69
    6.6.4 最小二乘支持向量机多源信息融合模型的验证  69-71
  6.7 小结  71-72
第七章结论与讨论  72-75
  7.1 结论  72-73
  7.2 特色与创新  73-74
  7.3 讨论  74-75
参考文献  75-79
致谢  79-80
个人简介  80
在读期间发表的论文  80

基于多源信息融合技术的猪肉新鲜度无损检测方法研究

内容摘要

全文目录

相似论文