本文關(guān)鍵詞：農(nóng)產(chǎn)品無損檢測中的模式識別問題研究

  更多相關(guān)文章： 農(nóng)產(chǎn)品 無損檢測 機(jī)器視覺技術(shù) 近紅外光譜分析技術(shù) 模式識別 數(shù)據(jù)分析方法 非線性降維 分類 預(yù)測 自編碼網(wǎng)絡(luò)(AN) 稀疏表示(SR) 相關(guān)向量機(jī)(RVM) 偏最小二乘法(PLS) 最小二乘支持向量機(jī)(LS-SVM) 線性判別分析(LDA) 主

【摘要】：模式識別是農(nóng)產(chǎn)品無損檢測技術(shù)應(yīng)用及高精度農(nóng)產(chǎn)品無損檢測儀器設(shè)備研制的核心環(huán)節(jié)。本論文針對農(nóng)產(chǎn)品無損檢測中各類原始采集數(shù)據(jù)的非線性降維和高效建模等模式識別問題,研究建立了基于自編碼網(wǎng)絡(luò)的近紅外光譜非線性降維方法、基于稀疏表示的圖像和光譜分類識別方法和基于相關(guān)向量機(jī)的近紅外光譜定量建模方法,并將相關(guān)方法應(yīng)用于各類農(nóng)產(chǎn)品無損檢測實(shí)踐,為農(nóng)產(chǎn)品無損檢測的中模式識別方法研究和應(yīng)用提供一些新思路和新途徑。論文主要研究內(nèi)容和結(jié)果如下：1、基于自編碼網(wǎng)絡(luò)的近紅外光譜非線性降維方法研究。針對農(nóng)產(chǎn)品無損檢測中近紅外光譜的非線性降維問題,提出了一種基于自編碼網(wǎng)絡(luò)(AN)的近紅外光譜非線性降維方法。研究結(jié)果表明：采用AN分別對毛竹筍近紅外和中紅外光譜數(shù)據(jù)進(jìn)行流形學(xué)習(xí)非線性降維提取低維本征信息之后,結(jié)合偏最小二乘法(PLS)建立毛竹筍不溶性膳食纖維含量定量回歸模型。與其它常用的光譜數(shù)據(jù)預(yù)處理方法(MSC、SNV、Savitzky-Golay)結(jié)合PLS回歸模型、PCA降維方法結(jié)合LS-SVM回歸模型,及用單獨(dú)PLS回歸模型預(yù)測的結(jié)果相比,該方法對毛竹筍不溶性膳食纖維含量預(yù)測精度最高,其中NIR光譜的AN-PLS模型預(yù)測均方根誤差RMSEP為0.0138；MIR光譜的AN-PLS模型預(yù)測均方根誤差RMSEP為0.0135�？梢�,AN能有效反映紅外光譜中存在的非線性結(jié)構(gòu),提高了檢測精度,為基于近紅外光譜技術(shù)的農(nóng)產(chǎn)品檢測數(shù)據(jù)降維研究提供有效的新途徑。2、基于稀疏表示的圖像和光譜分類識別方法研究。為簡化農(nóng)產(chǎn)品無損檢測定性建模方法在參數(shù)優(yōu)化選擇、學(xué)習(xí)訓(xùn)練方面的步驟,提出了一種基于稀疏表示(SR)的圖像和近紅外光譜分類方法。稀疏表示方法把分類識別問題,轉(zhuǎn)化為一個(gè)求解待識別測試樣本對于整體訓(xùn)練樣本矩陣的稀疏表示問題,只需要在求解L-1最小化范數(shù)時(shí)簡單設(shè)定最小誤差和迭代次數(shù),就可以完成分類識別任務(wù),有效簡化了操作步驟。利用該方法對葡萄干品質(zhì)機(jī)器視覺分類和大西洋鮭魚肉色近紅外光譜分類的結(jié)果表明。(1)在對葡萄干品質(zhì)圖像分類識別上,稀疏表示方法比最小二乘支持向量機(jī)方法(LS-SVM)取得了接近、甚至更好的分類效果,從而驗(yàn)證了其在農(nóng)產(chǎn)品無損檢測圖像分類建模應(yīng)用中的有效性,為農(nóng)產(chǎn)品無損檢測圖像分類建模提供了有效的新途徑；(2)在大西洋鮭魚肉色等級可見／近紅外光譜分類建模中,稀疏表示方法對于兩種鮮活大西洋鮭肉色等級分類平均準(zhǔn)確率為73%,優(yōu)于線性判別分析(LDA)和最小二乘支持向量機(jī)方法(LS-SVM)的分類結(jié)果(分別為72%和68%),驗(yàn)證了該方法在農(nóng)產(chǎn)品無損檢測光譜分類建模應(yīng)用中的有效性,為大西洋鮭肉色活體檢測提供了一種新途徑,同時(shí)也為其它農(nóng)產(chǎn)品無損檢測近紅外光譜定性建模提供了一種高效、簡便、且具有實(shí)用性的建模方法參考。3、基于相關(guān)向量機(jī)的近紅外光譜定量建模方法研究。針對農(nóng)產(chǎn)品無損檢測尤其是在線檢測對定量建模方法的預(yù)測速度性能要求高的特點(diǎn),提出了一種基于相關(guān)向量機(jī)方法的近紅外光譜定量建模方法。相關(guān)向量機(jī)方法無需估計(jì)正規(guī)化參數(shù),解的稀疏性高,能在保證精度的同時(shí)提高預(yù)測速度。利用該方法對發(fā)酵冬蟲夏草菌粉腺苷含量檢測,以9000-4000cm-’光譜的主成分分析降維所獲得的10個(gè)主成分為特征變量輸入,建立發(fā)酵冬蟲夏草菌粉腺苷含量的RVM回歸模型,并與PLS、LS-SVM回歸模型性能進(jìn)行比較分析,結(jié)果表明：RVM回歸模型的預(yù)測能力最強(qiáng)。在RVM建模過程中,需要調(diào)節(jié)的參數(shù)只有一個(gè),具有計(jì)算性能優(yōu)勢,適用于發(fā)酵冬蟲夏草菌粉質(zhì)量近紅外光譜在線監(jiān)測,為農(nóng)產(chǎn)品無損檢測定量建模提供了一種有效的新途徑。
【關(guān)鍵詞】：農(nóng)產(chǎn)品 無損檢測 機(jī)器視覺技術(shù) 近紅外光譜分析技術(shù) 模式識別 數(shù)據(jù)分析方法 非線性降維 分類 預(yù)測 自編碼網(wǎng)絡(luò)(AN) 稀疏表示(SR) 相關(guān)向量機(jī)(RVM) 偏最小二乘法(PLS) 最小二乘支持向量機(jī)(LS-SVM) 線性判別分析(LDA) 主成分分析(PCA)
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.4
【目錄】：

• 致謝7-8
• 摘要8-10
• ABSTRACT10-19
• 術(shù)語表19-21
• 1 緒論21-38
• 1.1 引言21
• 1.2 研究背景和現(xiàn)狀21-35
• 1.2.1 農(nóng)產(chǎn)品無損檢測概述21-22
• 1.2.2 農(nóng)產(chǎn)品無損檢測中模式識別方法研究現(xiàn)狀22-32
• 1.2.3 面臨的主要問題32-35
• 1.3 論文研究內(nèi)容與結(jié)構(gòu)安排35-37
• 1.3.1 論文的研究內(nèi)容35-36
• 1.3.2 論文的結(jié)構(gòu)安排36-37
• 1.4 本章小結(jié)37-38
• 2 農(nóng)產(chǎn)品無損檢測中模式識別基本方法與原理38-58
• 2.1 數(shù)據(jù)預(yù)處理方法38-43
• 2.1.1 數(shù)據(jù)歸一化,標(biāo)準(zhǔn)和變換38-40
• 2.1.2 異常數(shù)據(jù)檢測和空缺值處理40
• 2.1.3 噪聲數(shù)據(jù)處理40-43
• 2.2 數(shù)據(jù)降維方法43-46
• 2.2.1 線性降維方法43-45
• 2.2.2 非線性降維方法45-46
• 2.3 建模方法46-57
• 2.3.1 定性分類識別建模方法46-51
• 2.3.2 定量分析建模方法51-57
• 2.4 本章小結(jié)57-58
• 3 基于自編碼網(wǎng)絡(luò)的近紅外光譜非線性降維方法研究58-69
• 3.1 引言58-59
• 3.2 自編碼網(wǎng)絡(luò)結(jié)構(gòu)和工作原理59-62
• 3.2.1 自編碼網(wǎng)絡(luò)結(jié)構(gòu)59
• 3.2.2 自編碼網(wǎng)絡(luò)工作原理59-62
• 3.3 實(shí)驗(yàn)材料與方法62-65
• 3.3.1 儀器設(shè)備62
• 3.3.2 樣品及光譜獲取62-64
• 3.3.3 光譜數(shù)據(jù)處理與建模64-65
• 3.4 實(shí)驗(yàn)結(jié)果與討論65-68
• 3.4.1 光譜降維65-66
• 3.4.2 建模及預(yù)測結(jié)果比較66-68
• 3.5 本章小結(jié)68-69
• 4 基于稀疏表示的圖像和光譜分類識別方法研究69-96
• 4.1 引言69
• 4.2 稀疏表示分類原理69-71
• 4.3 稀疏表示在葡萄干品質(zhì)圖像識別中的應(yīng)用研究71-87
• 4.3.1 背景介紹71-72
• 4.3.2 實(shí)驗(yàn)材料與方法72-76
• 4.3.3 實(shí)驗(yàn)結(jié)果與討論76-87
• 4.3.4 結(jié)論87
• 4.4 稀疏表示在大西洋鮭肉色可見/近紅外光譜識別中應(yīng)用研究87-94
• 4.4.1 背景介紹87-88
• 4.4.2 實(shí)驗(yàn)材料與方法88-92
• 4.4.3 實(shí)驗(yàn)結(jié)果與討論92-94
• 4.4.4 結(jié)論94
• 4.5 本章小結(jié)94-96
• 5 基于相關(guān)向量機(jī)的近紅外光譜定量建模方法研究96-106
• 5.1 引言96-97
• 5.2 相關(guān)向量機(jī)原理97-100
• 5.2.1 模型描述97-98
• 5.2.2 貝葉斯推理98-99
• 5.2.3 優(yōu)化超參數(shù)及預(yù)測99-100
• 5.3 實(shí)驗(yàn)材料與方法100-103
• 5.3.1 儀器設(shè)備及試劑100-101
• 5.3.2 樣品光譜采集與腺苷含量值測定101-102
• 5.3.3 建模與優(yōu)化102-103
• 5.4 實(shí)驗(yàn)結(jié)果與討論103-104
• 5.5 本章小結(jié)104-106
• 6 結(jié)論與展望106-110
• 6.1 主要研究結(jié)論106-108
• 6.1.1 基于自編碼網(wǎng)絡(luò)的近紅外光譜非線性降維方法研究106-107
• 6.1.2 基于稀疏表示的圖像和光譜分類識別方法研究107-108
• 6.1.3 基于相關(guān)向量機(jī)的近紅外光譜定量建模方法研究108
• 6.2 論文的創(chuàng)新點(diǎn)108-109
• 6.3 下一步研究展望109-110
• 參考文獻(xiàn)110-120
• 作者簡歷120-121
• 發(fā)表文章目錄121-122

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王帥偉,麥永浩,楊輝華,王勇;關(guān)聯(lián)向量機(jī)及其在入侵檢測中的應(yīng)用探討[J];成都信息工程學(xué)院學(xué)報(bào);2005年03期

2 胡昭華;宋耀良;;基于Autoencoder網(wǎng)絡(luò)的數(shù)據(jù)降維和重構(gòu)[J];電子與信息學(xué)報(bào);2009年05期

3 羅剛;夏先林;;餌料中添加V_E對三文魚肉品質(zhì)的影響[J];貴州農(nóng)業(yè)科學(xué);2009年09期

4 吳今培;基于核函數(shù)的主成分分析及應(yīng)用[J];系統(tǒng)工程;2005年02期

5 史永剛,馮新瀘,李子存,孫萍;近紅外光譜分析中應(yīng)考慮的幾個(gè)問題[J];光譜實(shí)驗(yàn)室;2001年04期

6 高華娜;郝雪娟;關(guān)穎;;傅里葉變換紅外光譜法快速測定5個(gè)品種大豆的主要組分[J];光譜實(shí)驗(yàn)室;2011年01期

7 張博;楊黎彬;李金娟;;高效液相色譜法測定蟲草菌粉中腺苷的含量[J];光譜實(shí)驗(yàn)室;2011年02期

8 陳達(dá),王芳,邵學(xué)廣,蘇慶德;近紅外光譜與煙草樣品總糖含量的非線性模型研究[J];光譜學(xué)與光譜分析;2004年06期

9 傅霞萍;應(yīng)義斌;劉燕德;陸輝山;;水果堅(jiān)實(shí)度的近紅外光譜檢測分析試驗(yàn)研究[J];光譜學(xué)與光譜分析;2006年06期

10 楊輝華;覃鋒;王義明;羅國安;;NIR光譜的Isomap-PLS非線性建模方法[J];光譜學(xué)與光譜分析;2009年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 成芳;稻種質(zhì)量的機(jī)器視覺無損檢測研究[D];浙江大學(xué);2004年

2 田英杰;支持向量回歸機(jī)及其應(yīng)用研究[D];中國農(nóng)業(yè)大學(xué);2005年

3 馬本學(xué);基于圖像處理和光譜分析技術(shù)的水果品質(zhì)快速無損檢測方法研究[D];浙江大學(xué);2009年

4 王松靜;基于光譜分析與圖像處理的模式識別研究[D];浙江大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 王國才;樸素貝葉斯分類器的研究與應(yīng)用[D];重慶交通大學(xué);2010年

2 孫騰;CT技術(shù)及圖像變換對蘋果內(nèi)部品質(zhì)的無損檢測模型研究[D];浙江大學(xué);2013年

3 劉子毅;基于計(jì)算機(jī)視覺的大西洋鮭魚肉色自動分級及攝食活性測量研究[D];中國科學(xué)院研究生院（海洋研究所）;2013年

4 趙巍;機(jī)器視覺在西瓜無損檢測與分級中的應(yīng)用[D];華中農(nóng)業(yè)大學(xué);2013年

，

本文編號：948794