论文部分内容阅读
本研究以宁夏滩羊为研究对象,采用近红外高光谱成像系统(900-1700rnm)对76个羊肉样本进行高光谱图像采集,提出BP神经网络融合算法结合化学计量学方法,建立羊肉脂肪和蛋白质含量定量预测模型,并对模型进行分析和评价,旨在寻求肉品内部品质快速无损检测新方法,为其在线无损检测提供理论依据。论文主要研究结果如下：(1)对样本进行脂肪和蛋白质含量检测,获取原始光谱数据,经多种预处理方法进行光谱预处理,最终得到羊肉脂肪和蛋白质含量所建模型的最佳预处理方法分别为db4小波函数、分解尺度为3的小波变换法和SNV结合S-G平滑法。(2)对高光谱图像数据进行降维,选取脂肪含量的四个特征波长(960nm、1132nm、1300nm、1622nm),蛋白质含量的四个特征波长(990nm、1162nm、1323nm、1633nm)用于后续预测模型的建立。(3)分别采用PLS、RBF-ANN和LS-SVM对剔除异常值后的样品脂肪和蛋白质含量建立预测模型,结果表明,精度最高的是RBF-ANN模型,全波段下的RBF-ANN模型得R脂肪=0.5987,RMSEP脂肪=2.4994,R蛋白=0.6669,RMSEP蛋白=2.8173；特征波段下的RBF-ANN模型得R脂肪=0.8970,RMSEP脂肪=0.6039,R蛋白=0.9127,RMSEP蛋白=0.7317；均优于其他两种方法的全波段预测效果,而PLS模型预测精度优于LS-SVM所建模型；精度最低的是LS-SVM模型,其相关系数R最小,RMSEP也相对最大。(4)对优化后数据建立BP-ANN预测模型,得出脂肪和蛋白预测模型的相关系数R和预测均方根误差RMSEP分别为R脂肪=0.8633,R蛋白=0.8963和RMSEP脂肪=0.8015,RMSEP蛋白=0.8693；预测均方根误差RMSEP分别为0.8633,0.8963和0.8015,0.8693；为进一步提高预测精度,提出遗传算法(GA)和粒子群算法(PSO)优化的BP-ANN预测模型。结果表明,特征波长下PSO+BP-ANN模型预测效果最佳,R脂肪=0.9204,R蛋白=0.9306,RMSEP脂肪=0.6451,RMSEP蛋自=0.5819,BP神经网络优化算法结合高光谱成像技术预测羊肉脂肪、蛋白质含量是可行的,这为高光谱技术快速检测羊肉品质提供了依据。