冷卻羊肉表面細菌總數(shù)的高光譜分析與檢測平臺設計.pdf

1、冷卻羊肉的衛(wèi)生質量情況可通過其表面的細菌總數(shù)(TVC)反映出來，本課題通過高光譜技術，利用波長覆蓋范圍為400～1100nm高光譜成像系統(tǒng)對85個冷卻羊肉樣本進行高光譜數(shù)據采集，采用多種算法建立了冷卻羊肉表面TVC預測模型和冷卻羊肉新鮮度分類模型，對各模型進行分析比較，選擇出最優(yōu)的建模方法，并結合MATLAB軟件的圖形用戶界面(GUI)設計一款冷鮮羊肉表面細菌總數(shù)檢測平臺，實現(xiàn)了對冷卻羊肉衛(wèi)生安全品質檢測的智能化。
　　本研究的主

2、要成果如下:
　　(1)對冷卻羊肉樣本進行高光譜數(shù)據采集（波長范圍為400～1100nm），采用多種方法對原始高光譜數(shù)據進行預處理，通過建立BP神經網絡模型，得出最佳預處理方法是標準正態(tài)變量變換(SNV)結合小變換(WT)以及平滑法(S-G)，同時采用了主成分分析法(PCA)對高光譜數(shù)據進行降維。
　　(2)分別采用了BP-ANN，RBF-ANN，PLSR和SVM四種經典方法對冷卻羊肉表面TVC建立預測模型，為了提高模型的預

3、測精度，介紹了一種新的神經網絡算法——ELM，分別實現(xiàn)了ELM、KELM模型，并提出了粒子群算法(PSO)和遺傳算法(GA)對KELM模型進行優(yōu)化。通過分析比較，基于ELM算法的4種模型預測精度優(yōu)于經典方法，其中最優(yōu)方法為GA-KELM模型，訓練集的相關系數(shù)和均方根誤差分別為0.9300和0.0016;預測集的相關系數(shù)和均方根誤差分別為0.9835和0.0015。
　　(3)以TVC為參考值，對冷卻羊肉建立了新鮮度分類模型，分別實

4、現(xiàn)了PSO-SVM，ELM模型，以及二者的優(yōu)化方法CPSO-SVM和FA-ELM模型，通過對4種方法分析比較，CPSO-SVM分類效果最優(yōu)，其中，訓練集的分類準確率為95.313％，預測集的分類準確率為100％。
　　(4)運用MATALB軟件中的圖形用戶界面(GUI)設計了一款冷鮮羊肉表面細菌總數(shù)檢測平臺，包括TVC檢測、新鮮度識別、預處理和結果分析4個模塊，通過運行界面的相關功能，實現(xiàn)對冷卻羊肉品質快速、無損以及智能化的檢測分