排序方式： 共有77条查询结果，搜索用时 15 毫秒
11.
农畜产品品质安全高光谱无损检测技术进展和趋势 总被引：8，自引：0，他引：8
高光谱成像技术作为光学无损检测的一种新技术在农畜产品品质安全检测中被广泛关注和应用.综述了高光谱无损检测技术的研发现状.在果蔬品质安全检测上,高光谱成像技术可用于组成分分析、食用指标测定、质量分级评定等内部品质检测和外部形态特征识别、表面缺陷及污染物检测、冻伤检验等外部品质判定,以及农药残留、致病菌污染等安全评定.在生鲜肉检测应用方面,包括营养品质的组成成分分析、食用品质如嫩度、大理石花纹、新鲜度等指标评价以及生鲜肉在微生物污染等安全品质的评定.分析了高光谱无损检测技术的现状及问题,并针对目前农畜产品无损检测的发展趋势进行前景展望. 相似文献
12.
基于可控气流-激光检测技术的鸡肉嫩度评估方法 总被引：1，自引：0，他引：1
以鸡肉嫩度为研究对象,采用可控气流-激光检测技术的瞬态、蠕变回复和应力松弛等动静态检测模态,并使用支持向量机分类器和全局变量偏最小二乘算法,结合不同预处理方法,对鸡肉嫩度进行定性判别和定量预测。结果表明3个激励模态结合不同预处理算法均可实现鸡肉嫩度的定性定量评估。在定性方面,瞬态模态对嫩度具有最佳的分类效果;S-G卷积平滑算法表现出最佳的预处理性能,校正集嫩/老分类精度分别为1和0.98,马修斯相关系数为0.97;而验证集分类精度也达到了0.95和0.84。在定量预测方面,S-G卷积平滑算法在提升原始数据的信噪比上同样具有最佳效果;瞬态模态校正集和验证集模型相关系数分别为0.948和0.913,均方根误差分别为0.736N和1.013N。因此,在组织结构引起的品质预测动态模态较静态模态更适用。本研究开展的可控气流-激光技术在鸡肉嫩度评估的应用,为肉品检测领域提供了新的解决方案。 相似文献
13.
库尔勒香梨是新疆特色水果,其酥脆特点为香梨机械化采摘带来较大挑战。为了降低香梨机械损伤及实现自动采摘,在分析物理特性、力学模型的基础上研制了夹持压力可控的夹持-扭转协同工作的香梨采摘末端执行器,主要包括夹持部件、旋转部件、压力反馈单元及控制单元等。以夹持-扭断时间、放果时间和采摘成功率为指标,进行采摘试验,结果表明:夹持压力阈值和扭转角度分别为7N和60°时,夹持-扭转时间在1.01～1.75s之间,放果时间在0.43～0.91s之间,采摘成功率约为94.6%。该末端执行器采摘速度快、成功率高,可为香梨采摘机器人的研发提供参考。 相似文献
14.
基于深度学习的牛肉大理石花纹等级手机评价系统 总被引：4，自引：4，他引：0
大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。 相似文献
15.
牛肉嫩度的高光谱法检测技术 总被引：6，自引：0，他引：6
为实现对牛肉嫩度的预测和分级,构建了试验用高光谱检测系统,在400～1000nm波长范围内获取牛肉表面的高光谱散射图像.从高光谱图像中提取牛肉的反射光谱曲线,用step-wise逐步回归法选择 430、496、510、725、760和828nm 6个波长建立了多元线性回归模型,用全交叉验证法验证模型的预测效果,模型的预测相关系数为0.96,预测标准差为0.64kg.以嫩度6.0kg为界将样本分为嫩牛肉和粗糙牛肉2类,特征波长处反射值为变量,建立了正则判别函数对牛肉嫩度分级,用全交叉验证法验证训练的效果.嫩牛肉分级准确率为83.3%,较粗糙牛肉分级准确率为90.9%,总的分级准确率为87.0%.研究表明该预测和分级技术具有一定的可行性. 相似文献
16.
中国是水果消费大国,但在水果产后检测装备方面相对滞后。针对目前在线检测装置无法采集苹果全表面图像信息且无法精确计算缺陷面积的问题,该研究以表面缺陷面积的快速检测为主要目标,提出苹果全表面图像合成算法,设计了一套苹果外部品质在线检测及分级装置。该研究以苹果为例,基于球模型提出苹果全表面图像合成算法、缺陷面积校正算法精确计算苹果的表面缺陷面积。通过试验验证,对苹果表面图像进行分割合成后,整体的图像的漏检率为0。提出缺陷面积校正算法,可以计算图像中位于任意位置的苹果缺陷真实面积,选取了120个样本进行验证,其中擦伤样本、碰伤样本、痘斑病样本、表面腐败样本各30个。4种表面损伤面积的预测值和真实值的决定系数R2均在0.97以上,均方根误差(Root Mean Squared Error, RMSE)在4 mm2以下。在偏角试验中,4种表面损伤面积的预测值和真实值的决定系数R2均在0.974 2以上,RMSE在6.304 4 mm2以下。装置检测苹果的速度为2个/s,评级准确率为95%。研究结果表明,检测与苹... 相似文献
17.
类球形水果表皮颜色变化校正方法研究 总被引：2，自引：0，他引：2
针对类球形水果表面较大的曲率变化会引起表面亮度不均,从而导致水果颜色分级评价中存在误差大、准确率低等问题,提出了二维B样条水果表面亮度不均校正算法。利用该算法分别对原始RGB图像各单通道图像进行亮度校正,然后将校正后的RGB图像转换成HIS颜色空间图像,提取色调H和亮度I分量,通过对比校正前后H和I分量图像像素灰度标准差评价校正效果。对160幅橙图像处理结果表明,校正后的图像在色调和亮度上比原始图像更加均匀,色调H分量和亮度I分量的平均标准差分别仅为原始图像标准差的21.57%和33.94%,色调和亮度均匀性得到了明显的改善。 相似文献
18.
采用市场当日上架的生鲜牛肉外侧最长肌制作样本,在波长900~2300 nm内进行光谱检测和分析。利用基于粒子群算法(PSO)的聚类分析方法,对光谱信息进行优化以减少计算量,提高回归模型精度。该算法以经过多元散射校正(MSC)、变量标准化(SNV)等方法预处理后的光谱信息作为目标矩阵,以波长为目标进行聚类,根据聚类结果对不同波段进行重新组合,并建立偏最小二乘回归(PLSR)模型。结果表明,利用PSO聚类分析方法在900~1 400 nm波段内获得的生鲜牛肉含水率预测模型最优,Rc=0.920 5,Rv=0.919 1。该方法能够有效减少光谱的数量,提升回归模型的预测结果。 相似文献
19.
肉品质光谱检测中探头与样品距离对结果影响的校正 总被引：1，自引：0，他引：1
针对畜肉品质光谱检测中光纤探头与样品表面不同检测距离对预测结果影响较大的问题,分析了光谱曲线随检测距离变化的变化规律,提出光谱数据的校正方法。通过猪肉嫩度预测,验证校正效果。分别采集光纤探头固定时和光纤探头与样品表面检测点距离在4~18 mm变化范围内的猪肉背肌可见/近红外光谱。对每种情况下的光谱数据进行相同预处理,建立猪肉嫩度PLSR预测模型。探头固定时,预测集猪肉嫩度预测值和实测值相关系数为0.82,均方根误差为5.82 N。五次多项式拟合光纤探头与样品表面检测点距离在4~18 mm范围内380~1 050 nm各个波段的相对光谱数据,拟合相关系数R均大于0.999,均方根误差在0.018 7~0.242 2范围内。利用拟合方程校正后的光谱数据和最优嫩度预测模型对预测集进行预测,光纤探头与样品表面检测点距离在4~17 mm范围内时预测集嫩度预测值和实测值的相关系数在0.83~0.90之间,均方根误差在4.80~5.75 N之间。结果表明:对不同光纤探头与样品表面检测点距离采集的漫反射光谱数据进行校正,能够较好地克服光纤探头与样品表面检测点距离对猪肉嫩度预测模型的影响。 相似文献
20.
苹果糖度高光谱图像可视化预测的光强度校正方法 总被引：3，自引：0，他引：3
针对类球形水果表面曲率变化引起高光谱图像光响应强度差异较大,难以有效预测各部位的品质信息的问题,以富士苹果为研究对象,对高光谱图像进行黑白标定后,以糖度测试部位为感兴趣区域提取平均光谱并建立糖度的定量预测模型,校正集相关系数Rc为0.930 5,校正均方根误差RMSEC为0.433 1;高光谱图像经构建掩模消除样本背景噪声后,提出了高光谱图像光强度校正方法,比较校正前后的高光谱图像能量分布图可以发现光强度得到有效补偿,对校正后的高光谱图像标记空间信息并提取对应光谱,用已建立的苹果糖度模型计算各像素点对应的糖度值,绘制苹果糖度的伪彩色分布图。研究结果表明,高光谱图像经强度校正可以快速无损的预测苹果的糖度及其分布。 相似文献