论文部分内容阅读
作为主要肉食之一,牛肉具有较高的食用价值和商业价值。而随着牛肉深加工的发展,牛肉掺假现象日益增多,严重危害消费者的健康与权益。论文以掺加不同比例同源不新鲜肉的牛肉样本为试验对象,采集了样本近红外光谱和生物散斑图像,分别建立并优化了基于近红外光谱、生物散斑图像及两种技术融合的牛肉掺假检测模型。通过比较分析确定了牛肉掺假检测最优方法。研究结果如下:(1)确定了基于近红外光谱的牛肉掺假检测方法。为优化基于近红外光谱的牛肉掺假检测模型,本文提出了运用人工鱼群算法(Artificial Fish-Swarm Algorithm,AFS)对近红外波长和预处理方法进行同步选择,建立了基于人工鱼群算法、遗传算法(Genetic Algorithm,GA)和全波长的牛肉掺假检测的偏最小二乘回归模型。为研究预处理和波长选择顺序对简化模型性能的影响,分别建立了先预处理再选波长(PW)及先选波长再预处理(WP)两大类简化模型,对比结果发现,在人工鱼群简化模型中,先预处理再选择波长所得模型(PWAFS)性能略优,模型Rc2、R2cv和Rp2分别为0.98、0.90和0.88,RMSEC、RMSECV和RMSEP分别为0.04、0.08和0.09;而遗传算法简化模型中,先选波长再预处理所得模型(WPGA)性能较优,模型Rc2、R2cv和Rp2分别为0.97、0.91和0.81,RMSEC、RMSECV和RMSEP分别为0.05、0.09和0.09。分析基于两种特征提取方法(GA和FA)的最优模型(WPGA和PWAFS)结果,发现两个模型的性能均优于全波长模型。另外与WPGA相比,PWAFS的具有较大的RPD(2.95)和较小的RMSE,性能优于WPGA,具有较好的预测能力。表明近红外光谱可用于牛肉掺假检测;人工鱼群算法同步选择特征和波长可以提升模型性能;最终确定PWAFS为基于近红外光谱的牛肉掺假检测最优模型。(2)确定了基于生物散斑图像的牛肉掺假检测方法。针对传统生物散斑图像处理方法存在稳定性差的问题,本文首次提出了基于惯性矩(Inertia Moment,IM)谱的生物散斑图像处理方法,分析比较了偶数列IM谱、奇数列IM谱和所有列IM谱的特点,并分别将其应用于牛肉掺假回归分析中。其中基于所有列IM谱建立的支持向量回归机(Support Vector Regression Machine,SVR)模型性能最优,模型Rc2和Rp2分别为0.86,0.82,RMSEC和RMSEP分别为0.12,0.11,表明生物散斑技术结合IM谱检测牛肉掺假含量是可行的。试验还研究了遗传算法和人工鱼群算法在IM谱特征列提取方面的应用。结果表明,简化模型中基于人工鱼群算法的简化模型性能更优,但与基于所有列IM谱建立的模型相比仍未提升模型性能,这可能是因为提取的IM谱特征表征样本特性的能力较差,因此需进一步研究IM谱的特征提取方法。最终确定基于所有列IM谱建立的模型为基于生物散斑的牛肉掺假检测最优模型。(3)确定了基于近红外光谱和生物散斑图像融合的牛肉掺假检测方法。分别基于特征层和决策层对近红外光谱和生物散斑技术进行融合。使用人工鱼群算法提取近红外光谱和IM谱的特征并分别归一化,将两种特征分别采用间隔交叉组合成联合特征向量,作为SVR的输入,并与直接合并特征建立的模型进行比较。试验结果发现基于联合特征向量建立的模型性能更优,模型Rc2和Rp2分别为0.91和0.84,RMSEC和RMSEP分别为0.08和0.10,模型预测精度较高,表明基于联合特征的融合模型可以用于牛肉掺假检测。另外,特征层融合模型的性能优于生物散斑单独使用时的性能,模型预测精度却劣于近红外单独使用时的预测精度,这可能是由于提取的IM谱特征不能很好的表征样本特性。分别采用近红外光谱和生物散斑最优模型的预测结果作为决策层融合的融合目标。该融合模型的Rc2和Rp2分别为0.96和0.95,RMSEC和RMSEP分别为0.07和0.06,性能优于近红外和生物散斑单独使用时的性能。表明基于决策层融合模型准确度高,且较稳定。最终确定决策层融合模型为牛肉掺假检测最优模型。