基于多傳感器融合無(wú)損檢測(cè)雞蛋品質(zhì)的研究.pdf

1、農(nóng)產(chǎn)品無(wú)損檢測(cè)的目的是在不破壞樣品的情況下，對(duì)其進(jìn)行無(wú)損指標(biāo)的測(cè)定，并與實(shí)際品質(zhì)參數(shù)建立對(duì)應(yīng)關(guān)系，最終達(dá)到分級(jí)的目的。單傳感器無(wú)損檢測(cè)雖對(duì)農(nóng)產(chǎn)品的常規(guī)品質(zhì)指標(biāo)有較好的激勵(lì)響應(yīng)特性，但存在檢測(cè)精度差、穩(wěn)定性不高和部分傳感器運(yùn)行成本過(guò)高的問(wèn)題。此外還有一些品質(zhì)屬性是用單一傳感器難以識(shí)別的，表明單傳感器的檢測(cè)范圍存在一定“盲區(qū)”。另一方面，出口標(biāo)準(zhǔn)的提高，導(dǎo)致農(nóng)產(chǎn)品檢測(cè)趨向全面性，即需要輸出一組全面的品質(zhì)數(shù)據(jù)，這也是單一傳感器難以完成的。因此

2、：無(wú)論從應(yīng)用，需求還是控制風(fēng)險(xiǎn)的角度來(lái)看，多傳感器融合應(yīng)用于農(nóng)產(chǎn)品無(wú)損檢測(cè)中都是十分必要的。為了探索多傳感器融合在食品檢測(cè)領(lǐng)域的可行性，提升檢測(cè)的準(zhǔn)確性，擴(kuò)大檢測(cè)的適應(yīng)面。本文以雞蛋為研究對(duì)象，將傳感器信息預(yù)處理、傳感器融合(數(shù)據(jù)層和特征層)、專(zhuān)家系統(tǒng)和虛擬儀器等技術(shù)系統(tǒng)的應(yīng)用于雞蛋品質(zhì)的無(wú)損檢測(cè)中。這一研究，較單傳感器無(wú)損檢測(cè)，一方面：有效提高了檢測(cè)精度，范圍和穩(wěn)定性。另一方面：通過(guò)傳感器的融合策略，解決了對(duì)一些無(wú)法用單一傳感器檢測(cè)，

3、但具有應(yīng)用價(jià)值的品質(zhì)指標(biāo)的識(shí)別問(wèn)題。在此基礎(chǔ)上本文設(shè)計(jì)了相應(yīng)的應(yīng)用層軟、硬件系統(tǒng)。
　　 具體研究分述如下：
　　 1.傳感器信息預(yù)處理及融合檢測(cè)雞蛋品質(zhì)參數(shù)的確定
　　 分別用定點(diǎn)迭代的快速獨(dú)立分量和提升小波變換，對(duì)機(jī)器視覺(jué)和敲擊振動(dòng)這兩類(lèi)傳感器輸出的針對(duì)雞蛋品質(zhì)的無(wú)損檢測(cè)參數(shù)進(jìn)行去噪，去噪效果較好。研究確定了電子鼻檢測(cè)雞蛋的最佳試驗(yàn)條件。首先系統(tǒng)分析了針對(duì)雞蛋氣味的電子鼻模式識(shí)別算法特點(diǎn)。其次，通過(guò)算法比對(duì)確

4、定了概率神經(jīng)網(wǎng)絡(luò)具有最好的穩(wěn)定性、識(shí)別準(zhǔn)確率和較快的總體運(yùn)行速度，是最適合雞蛋氣味識(shí)別的模式識(shí)別算法。最后，通過(guò)傳感器權(quán)重分析、傳感器響應(yīng)值與指標(biāo)的相關(guān)性分析，分別確定了針對(duì)雞蛋新鮮度和裂紋檢測(cè)的最佳電子鼻傳感器組合分別為2、5、8號(hào)傳感器和2、7、8號(hào)傳感器。
　　 2.基于傳感器數(shù)據(jù)層融合的雞蛋新鮮度無(wú)損檢測(cè)
　　 在傳感器數(shù)據(jù)融合的層面上運(yùn)用機(jī)器視覺(jué)和電子鼻分別對(duì)雞蛋哈夫單位和TVB-N(揮發(fā)性鹽基氮)進(jìn)行無(wú)損檢測(cè)

5、。提出一種按無(wú)損檢測(cè)特征變量對(duì)目標(biāo)量預(yù)測(cè)的貢獻(xiàn)程度劃分權(quán)重的傳感器數(shù)據(jù)融合方法。將其運(yùn)用到機(jī)器視覺(jué)特征參數(shù)和電子鼻響應(yīng)值特征參數(shù)的構(gòu)建和預(yù)測(cè)建模過(guò)程中，解決了無(wú)損檢測(cè)建模方法中存在的變量權(quán)重信息缺失問(wèn)題。驗(yàn)證性研究表明：傳感器數(shù)據(jù)融合提升了雞蛋哈夫單位及TVB-N預(yù)測(cè)模型預(yù)測(cè)的準(zhǔn)確性(預(yù)測(cè)準(zhǔn)確率分別為97.31％和94.54％)、穩(wěn)定性(RMSE分別為0.004％和0.006％)及可移植性(模型從構(gòu)建組到驗(yàn)證組的使用過(guò)程中，預(yù)測(cè)準(zhǔn)確率的

6、下降在2％以?xún)?nèi))。在此基礎(chǔ)上，分別研究確定了基于機(jī)器視覺(jué)的雞蛋哈夫單位SVR(支持向量回歸機(jī))預(yù)測(cè)模型和基于電子鼻的雞蛋揮發(fā)性鹽基氮SVR預(yù)測(cè)模型。還提出一種基于PSO(粒子群)+網(wǎng)格混合型搜索策略確定SVR結(jié)構(gòu)參數(shù)的新方法，將其運(yùn)用到電子鼻響應(yīng)值預(yù)測(cè)雞蛋TVB-N的研究中。驗(yàn)證研究表明：該方法充分發(fā)揮了PSO搜索速度快而網(wǎng)格法穩(wěn)定性高的優(yōu)點(diǎn)，較一般網(wǎng)格搜索，混合型搜索在保證準(zhǔn)確性的同時(shí)，搜索速度提高了3倍，可滿足在線分析的需要。

7、>　　 3.多傳感器特征層融合檢測(cè)雞蛋裂紋及相關(guān)外部品質(zhì)研究
　　 將雞蛋裂紋劃分為尺寸和深淺兩個(gè)層次。在雞蛋裂紋的特征層，融合機(jī)器視覺(jué)、敲擊振動(dòng)和電子鼻三種傳感器對(duì)裂紋進(jìn)行了系統(tǒng)研究。首次提出基于3傳感器融合的雞蛋裂紋SVM(支持向量機(jī))識(shí)別模型。模型具有可信的結(jié)構(gòu)(收斂誤差為0.0003％)和很好的判別能力(驗(yàn)證準(zhǔn)確率達(dá)到95％以上)，可為雞蛋加工處理前的分揀提供依據(jù)。運(yùn)用機(jī)器視覺(jué)和敲擊振動(dòng)特征層融合的方法構(gòu)建雞蛋蛋殼強(qiáng)度

8、的系統(tǒng)模型。通過(guò)對(duì)敲擊振動(dòng)特征頻率矩陣變異系數(shù)的檢驗(yàn)和有裂紋蛋強(qiáng)度的測(cè)定，獲得了蛋殼強(qiáng)度可測(cè)性的判別閾值。進(jìn)一步通過(guò)傳感器數(shù)據(jù)關(guān)聯(lián)方法確定特征變量集。最后采用后向消去型多元線性回歸建立了雞蛋殼蛋殼強(qiáng)度預(yù)測(cè)模型。驗(yàn)證性實(shí)驗(yàn)表明：該模型準(zhǔn)確性高(誤差均值小于5％)，穩(wěn)定性較好(誤差標(biāo)準(zhǔn)差等于0.003)?？朔藗鹘y(tǒng)無(wú)損檢測(cè)方法無(wú)法同時(shí)測(cè)定裂紋蛋和正常蛋殼強(qiáng)度的不足，為雞蛋的儲(chǔ)運(yùn)提供了數(shù)據(jù)支持。
　　 4.多傳感器特征層融合檢測(cè)雞蛋新

9、鮮度研究
　　 通過(guò)D-S證據(jù)理論將電子鼻和機(jī)器視覺(jué)兩種傳感器在特征層進(jìn)行融合，構(gòu)建了雞蛋新鮮度的融合模型。通過(guò)主因子分析篩選出對(duì)檢測(cè)新鮮度貢獻(xiàn)率最高的特征變量色調(diào)H和電子鼻響應(yīng)阻值之比G/G02。在此基礎(chǔ)上設(shè)計(jì)了一組D-S判據(jù)規(guī)則。提出一種基于多SVM分類(lèi)的基本可信度分配(BPA，Basic probability assignment)新方法。比較研究表明：SVM優(yōu)化的D-S證據(jù)融合模型充分發(fā)揮了SVM的自適應(yīng)能力和D-S理

10、論進(jìn)行不確定推理的能力，可有效地降低預(yù)測(cè)雞蛋新鮮度不確定性的基本概率賦值(U下降到0.0009)，較好的解決了單傳感器檢測(cè)模型存在的識(shí)別“盲區(qū)”及穩(wěn)定性差的問(wèn)題，且具有較快運(yùn)算速度和較好的可移植性。與單一傳感器的比較研究表明：經(jīng)過(guò)SVM優(yōu)化的D-S融合多傳感器融合模型在預(yù)測(cè)雞蛋新鮮度的準(zhǔn)確性和穩(wěn)定性上都有很大提高(預(yù)測(cè)雞蛋新鮮度準(zhǔn)確率分別超過(guò)單一使用機(jī)器視覺(jué)和電子鼻的預(yù)測(cè)模型14.15％和31.02％。而預(yù)測(cè)準(zhǔn)確率標(biāo)準(zhǔn)差分別為單一使用機(jī)

11、器視覺(jué)和電子鼻預(yù)測(cè)模型的47.69％和27.23％)。
　　 5.多傳感器融合雞蛋無(wú)損檢測(cè)專(zhuān)家系統(tǒng)的開(kāi)發(fā)
　　 通過(guò)解析雞蛋自身固有生理特性及與無(wú)損檢測(cè)傳感器的激勵(lì)響應(yīng)特性，構(gòu)建了多傳感器融合雞蛋無(wú)損檢測(cè)知識(shí)庫(kù)及管理系統(tǒng)，并進(jìn)一步利用系統(tǒng)分析原理，范式理論設(shè)計(jì)了多傳感器融合雞蛋無(wú)損檢測(cè)數(shù)據(jù)庫(kù)和模型庫(kù)及其管理系統(tǒng).以D-S證據(jù)理論等多傳感器融合模型為內(nèi)核，采用啟發(fā)式的結(jié)構(gòu)構(gòu)建了雞蛋無(wú)損檢測(cè)的推理機(jī)，新模型構(gòu)造規(guī)則庫(kù)及其管理

12、系統(tǒng)。整合以上內(nèi)容，首次研制了組件化的多傳感器融合檢測(cè)雞蛋品質(zhì)專(zhuān)家系統(tǒng)(MSEAES)，實(shí)現(xiàn)了預(yù)測(cè)判別、數(shù)據(jù)管理、新模型構(gòu)建等功能。為進(jìn)一步構(gòu)建和發(fā)展基于農(nóng)產(chǎn)品無(wú)損檢測(cè)技術(shù)的數(shù)字化平臺(tái)提供了關(guān)鍵數(shù)據(jù)和應(yīng)用模塊。
　　 6.雞蛋綜合品質(zhì)多傳感器融合無(wú)損檢測(cè)系統(tǒng)研究及硬件平臺(tái)開(kāi)發(fā)
　　 基于前述研究，結(jié)合現(xiàn)有雞蛋各種標(biāo)準(zhǔn)，構(gòu)建了一套適應(yīng)性較好的多傳感器融合無(wú)損檢測(cè)雞蛋綜合品質(zhì)流程。再提出一個(gè)雞蛋綜合品質(zhì)系統(tǒng)性判據(jù)，該判據(jù)涵蓋