论文部分内容阅读
本文主要研究对象为玉米完好粒、虫蛀粒和霉变粒,目的是对受损玉米颗粒进行识别与分类。通过分析3类玉米碰撞声信号的时频特性,提出应用总体经验模态分解、多域融合和双空间方法提取碰撞声信号多个有效特征,然后用PSO-SVM对声信号进行分类检测与识别,取得了良好的识别效果。本文的研究内容具体如下:介绍论文研究的背景及意义,着重介绍碰撞声信号应用于农产品检测识别方法及国内外在这方面取得的进展。介绍了采集玉米碰撞声信号的实验装置,实验材料,对碰撞声信号进行特征分析。基于时频等传统提取特征方法所提取的特征相对比较单一,不能全面反映信号的本质特性,而且大部分特征反映的是信号的整体特性,而忽略信号的局部特征。因此提出总体经验模态分解(ensemble empirical mode decomposition,EEMD)和多域融合方法,EEMD可以将信号进行自适应处理非平稳信号,抑制模态混叠和分析信号的局部特性。采用时域、频域、希尔伯特域的多于融合特征可以避免提取特征的单一化,将提取的特征作为PSO-SVM的输入。PSO-SVM目的是找到SVM中的最佳参数,用于克服参数设定的不确定性和随机性。经过实验,多域融合的特征得较高的识别率,完好粒、虫蛀粒和霉变粒的识别率分别为98.6%、99.2%、99.3%。本文还提出了一种基于主元分析(PCA)和核独立主元分析(KICA)双空间特征提取方法,即PCA-KICA方法。实验结果证明采用双空间中特征子空间的互补性可以克服单空间的限制,互补的特征子空间可以使特征向量的相关性变弱,提高特征空间的分类率。完好粒、虫蛀粒和霉变粒的识别率分别达到95.0%、96.4%、97.8%。本文方法的有效性可以为受损玉米颗粒的检测识别提供依据,也可以为其它农作物的检测提供参考。