一、优质稻谷品质快速检测系统通过鉴定(论文文献综述)
王启阳[1](2021)在《基于机器学习的储粮品质预测方法及应用研究》文中指出粮食是关系国计民生的战略物资,是人类赖以生存的必需品。粮食安全关涉经济发展、社会稳定,是国家安全的重要基础。粮食储备是保障国家粮食安全的重要物质基础,是从生产到消费中不可或缺的环节。在粮食储备过程中会发生数量损失和质量损失,其中质量损失会造成粮食的变质和腐败,如果人类食用了腐败变质的粮食,会对健康产生不良的影响。因此,研究如何减少储粮质量损失、提高储粮品质在提升国家粮食安全水平、保障人民身体健康等方面具有重要的理论价值和现实意义。随着机器学习方法的不断发展和创新,计算机硬件与软件的快速提升、云计算的逐步应用,机器学习在粮情大数据分析和预测方面的应用前景更加广阔。传统的储粮品质通过物理、化学等实验室检测方法获得,该方法需要经过繁杂的扦样、检测等步骤,增加了储备粮管理的操作决策周期以及粮食严重变质的风险。粮情大数据具有数据采集快、数据量大等特点,本文以机器学习方法为基本思想,提出了2种基于支持向量回归的储粮品质预测模型及其相应的优化算法。在充分考虑储粮数据特性的基础上,选择出相关的储藏因子作为模型的输入特征,对储存期间稻谷的脂肪酸值和品尝评分值的预测展开深入研究,充分发挥了机器学习方法在储粮状态判别与品质预测方面的优势。本文的重要研究结果总结如下:(1)基于粮情数据的储粮品质分析与建模方法研究通过收集大量的储粮数据,对稻谷储藏期间品质的变化规律展开研究。探讨了储粮品质的传统数据拟合方法、机器学习预测方法,对比了传统数据拟合预测方法和机器学习预测方法在储粮品质预测中的优点与不足,讨论了机器学习预测方法在储粮品质预测中的适用性。基于该认知,给出了基于机器学习的储粮品质预测的一般过程,在粮情数据的基础上,给出了建模过程中的输入特征参数、预测目标等问题。(2)数据预处理方法研究对储粮温度历史数据中出现的重复、缺失和异常情况进行了分析和处理,利用均值法修复重复检测数据、采用线性插值法对缺失的温度数据进行修复,提出一种基于滑动窗口的粮温预测算法对异常温度数据进行判断。对粮库经度、纬度、仓房类型、初始水分、测量水分、入仓月份、扦样月份、粮食平均温度、粮仓平均温度、储藏周期、粮食有效积温、粮仓有效积温、初始品尝分值、初始脂肪酸值等储藏因子间的相互作用进行综合分析,确定了储藏因子之间存在着强相关性,采用主成分分析法(PCA)对原始储藏因子进行降维和压缩处理,从14个储藏因子中提取前6个主成分作为新的模型自变量,为储粮品质预测模型的参数选择提供了依据。(3)基于多核学习的储粮品质预测模型单核学习模型的预测精度很大程度上取决于核函数及其参数的选择,而核函数的选择及构造尚未有统一的理论依据,用单一的核函数建立的模型往往难以得到理想的拟合精度。因此,本文在单核支持向量回归(SKSVR)的基础上构建多核支持向量回归(MKSVR),采用Simple MKL算法对MKSVR模型进行参数寻优,将MKSVR模型用于稻谷储存品质的预测。基于东北地区稻谷储存品质数据集,建立了PCA-MKSVR模型,并与单径向基核函数的PCA-SKSVR模型、线性回归的PCA-MLR模型以及未经过储藏因子筛选的MKSVR模型、SKSVR模型、MLR模型进行了比较。实验结果表明,多核学习模型在预测精度、拟合优度上均优于单核学习模型。对比同类模型,即PCA-MKSVR模型与MKSVR模型、PCA-SKSVR模型与SKSVR模型、MLR模型与PCA-MLR模型进行比较,采用PCA对储藏因子降维处理后的模型,预测精度与拟合优度均高于用原始储藏因子直接建立的预测模型。因此,多核学习模型适用于储藏期间稻谷储存品质的预测。(4)基于多任务与多核学习的储粮品质预测模型常规的单任务学习方法需要对不同的预测模型进行单独训练,往往忽略了多个模型之间来的潜在联系,限制了模型的泛化性能。而多任务学习(MTL)是将多个任务放在一起同时学习,充分挖掘不同任务之间的相关性,实现多个模型或任务之间的信息共享。针对稻谷储存品质的两个关键指标,本文在单任务学习的基础上提出多任务学习的储粮品质预测方法,建立了多任务与多核学习模型(MTMKL),采用一种基于镜面下降算法的交替优化算法对所提出的模型进行参数优化,并将MTMKL模型用于稻谷储存品质的预测。实验结果表明,MTMKL模型对稻谷脂肪酸值的预测相关系数达到了0.885,对品尝评分值的预测相关系数达到了0.933。相比MKSVR模型,脂肪酸值预测的MAE,RMSE,MAPE结果分别降低了9.48%,6.05%,9.60%,R2提升了0.009;品尝评分值预测的MAE,RMSE,MAPE结果分别降低了11.66%,12.39%,11.97%,R2提升了0.005,这说明MTMKL模型能够有效提高稻谷储存品质的预测精度,可以作为储粮品质预测的一种新方法。(5)储粮安全预警系统的开发与模拟应用通过系统的需求分析和功能设计,设计了储粮安全风险预警策略,预警等级总共可分:Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级。在此基础上,提出储粮安全预警系统的设计框架,基于Lab VIEW语言和机器学习模型,设计和开发了一套储粮安全预警与品质预测软件,实现了储粮品质的预测。以吉林省榆树市某粮库的实际粮仓为例对系统进行了验证,结果表明,系统运行情况良好,对脂肪酸值的预测误差在±1.5 mg/100g以内,品尝评分值预测误差在±1分以内。该系统以粮情大数据和机器学习为基础,实现了对储粮品质的准确、快速预测,大大降低了储粮品质检测过程中的经济成本,降低粮食储存过程中严重变质的风险,为储粮质量的精确控制提供了技术支持,对储粮安全管理具有指导意义。
李欣茹[2](2021)在《甘蔗细胞壁特征高通量评价及种质资源挖掘》文中认为甘蔗渣降解效率低是制约甘蔗作为生物能源作物的主要因素。当前研究主要通过改良甘蔗细胞壁结构提高甘蔗渣降解率。有研究结果表明纤维素结晶度(Cr I)和木质素是影响糖化效率的关键参数。因此,本研究开发了一种高通量检测方法,用于在线表征甘蔗中这些细胞壁特征,最终实现大规模能源甘蔗种质资源的筛选工作。在2018年和2019年期间,在甘蔗不同的生长阶段收集了838个不同基因型的甘蔗。在甘蔗样品中观察到近红外光谱(NIRS)的连续变化情况。由于作物样本群体中细胞壁特征的显着多样性,通过在线NIRS校准开发了7个高质量的校准模型。所有生成的方程在标定、内部交叉验证和外部验证中均显示出大于0.8的测定系数(R2)值和大于2.0的相对分析误差(RPD)值。特别是Cr I和总木质素含量方程的RPD值分别高达2.56和2.55,表明其预测能力优异。此外,还进行了离线NIRS检测。结果表明离线NIRS和在线NIRS之间的校准结果相当,这两种检测方法均适用于细胞壁特征的预测。相较于离线NIRS检测,在线NIRS检测在大规模筛选工作中具有更快捷的优势,因此在线NIRS检测是高通量细胞壁特征预测的更好选择。在此基础上,利用最优的在线NIRS模型对400份甘蔗种质资源的细胞壁特征进行评价。在不同试验田中,采集不同月份具有遗传背景差异的甘蔗,通过近红外模型预测纤维素Cr I和木质素含量,结果分析表明三个小区之间结果具有显着相关性。通过对预测结果的分析最终筛选出优质的生物质能源甘蔗品种,为后续能源甘蔗的研究提供参考。本研究开发了一种用于高通量评估甘蔗细胞壁的关键特征(纤维素结晶度、木质素含量)的在线NIRS检测方法。在NIRS模型中获得精确的校准结果,表明该实验是大规模筛选有前景的甘蔗种质进行细胞壁结构改良及其他方面的可靠方法。
余泓慧[3](2018)在《基于机器视觉的大米垩白率测定关键技术研究》文中指出我国是农业大国,依靠自己的力量解决了全世界三分二人口的粮食问题。大米是粮食生产重要的一部分,保证大米的安全和品质,就是保证人民的身体健康和幸福生活。通常大米的胚乳淀粉粒之间会存在空隙,光线照射时的穿透性不一致,导致在胚乳形成了透明与不透明两部分区域,其中不透明的部分就被称之为垩白。垩白的体积占据整个大米体积的比例就称之为垩白率。垩白率的检测直接关系到大米外观品质的好坏评定。好的垩白率测量方法,会直接影响大米外观品质的检测指标准确度。目前,对于大米垩白率的测定都是基于二维图像,本文主要的研究内容是使用太赫兹成像技术扫描生成大米截面图像,然后转换为三维立体图像,以此最终提高测定大米垩白率精度的方法。本文主要工作包括:1)运用太赫兹成像技术将采集到的大米样品成像,并生成图像数据。2)运用MATLAB技术对生成的图像进行预处理,将客观因素造成失真的图像尽量还原。3)将二维大米截面图转换为三维立体图。4)测定大米垩白。实验结果表明,运用这种方法是可以实现基于三维立体图像的大米垩白测定,并提高垩白率测定的精度。
冯豆[4](2018)在《花生秧营养价值的评定及其对奶牛瘤胃细菌多样性的影响》文中提出花生秧营养价值丰富,适口性好,可作为奶牛生产中优质的粗饲料来源。为了评定花生秧的营养价值,探究花生秧替代苜蓿日粮对奶牛瘤胃液细菌多样性的影响。本文利用近红外技术建立了花生秧常规营养价值快速评定模型,尼龙袋法测定了花生秧奶牛瘤胃降解率,并利用16Sr RNA高通量测序技术进一步探讨了花生秧替代苜蓿后对奶牛瘤胃发酵机理的影响,全文一共分为以下三个试验:试验一:花生秧常规营养价值评定近红外模型的建立。采集河南省各地市花生秧样本107个,采用近红外仪器进行光谱扫描同时利用常规湿化学方法测定干物质(DM)、粗脂肪(EE)、酸性洗涤纤维(ADF)、中性洗涤纤维(NDF)、钙(Ca)、磷(P)、粗灰分(Ash)、总能(GE)、粗蛋白(CP)9种常规营养成分的含量,用建模软件将光谱进行平滑、求导、去散射等预处理后与化学测定值结合建立近红外预测模型,以RSQ(定标相关系数)、RSQV(交叉验证相关系数)、SEC(定标验证误差)、SECV(交叉验证误差)评价模型的适用性。利用所得模型预测预测集营养物质含量并与化学方法测得的真实值进行关联分析,验证模型的准确度。结果显示:经过SNV+detrend+1st Derivative预处理后,花生秧干物质、中性洗涤纤维预测效果最佳;经过SNV+detrend+2nd Derivative处理后,粗蛋白含量预测效果最佳,近红外模型对DM、NDF、CP能精准预测,对花生秧中EE、ADF能粗略预测(RSQ>0.6),而对于Ca、P、Ash、GE不能预测。试验二:不同比例花生秧替代苜蓿对花生秧降解率的影响。为了探究花生秧替代苜蓿对花生秧降解率的影响,试验运用尼龙袋法,选取4头装有永久性瘘管的中国荷斯坦奶牛,采用4×4拉丁方试验设计,分为4组,日粮分别为:0%花生秧替代苜蓿(0%PV-SRD)、35%干物质花生秧替代苜蓿(35%PV-SRD)、65%干物质花生秧替代苜蓿(65%PV-SRD)、100%干物质花生秧替代苜蓿(100%PV-SRD)。测定花生秧在4种日粮下,2h、4h、8h、12h、24h、36h、48h后DM、CP、NDF、ADF降解率。结果显示:0%PV-SRD、35%PV-SRD、65%PV-SRD、100%PV-SRD各组花生秧DM、CP、NDF、ADF降解率分别为:43.60%~38.84%、43.57%~36.21%、38.09%~36.37%、36.94%~34.07%,各组DM、ADF降解率无显着差异(P>0.05)。65%花生秧干物质替代苜蓿时能显着提高花生秧CP降解率(P<0.05)。100%花生秧干物质替代苜蓿时,能显着提高花生秧CP和NDF降解率(P<0.05)。试验三:不同比例花生秧替代苜蓿对奶牛瘤胃发酵及细菌多样性的影响。为了探究花生秧替代苜蓿对奶牛瘤胃发酵及细菌多样性的影响,本试验基于试验二,采集奶牛瘤胃液,测定p H、氨态氮(NH3-N)、挥发性脂肪酸(VFA)及细菌多样性。结果显示:乙酸、丙酸、丁酸含量35%替代组显着低于0%替代组(P<0.05),而随着替代比例的增加,乙酸、丙酸、丁酸比例也增加,与0%替代组无显着差异(P>0.05)。0%替代组乙丙比显着高于其余三个替代组(P>0.05)。100%替代组NH3-N浓度最显着高于0%替代组(P<0.05),其余各组无显着差异(P>0.05)。不同替代比例对奶牛瘤胃p H无显着影响(P>0.05)。种水平上各组瘤胃液共检出7个主要菌门,Bacteroidetes(拟杆菌门)和Firmicutes(厚壁菌门)是奶牛瘤胃液中的优势菌门,0%PV-SRD、35%PV-SRD、65%PV-SRD、100%PV-SRD各组所占比例分别为50.29%、52.47%、50.20%、49.90%和37.24%、37.88%、39.13%、40.53%。Firmicutes菌门随着替代比例的升高呈上升趋势,其余各菌种均未体现出明显的差异性和趋势。在属水平上,其中各日粮条件下优势菌种为Prevotella(普雷沃氏菌属),0%PV-SRD、35%PV-SRD、65%PV-SRD、100%PV-SRD各组之间的含量为19.56%、19.82%、18.99%、17.08%。其余菌属中含量大于5%以上的菌属有4个,分别为:Bacteroidales、Rikenellaceae(理研菌科)、Bacteroidales、Ruminococcaceae。各组之间细菌多样性未表现出显着差异。综上所述:近红外光谱技术能应用于花生秧DM、NDF、CP的快速检测。65%花生秧干物质替代苜蓿能提高花生秧CP降解率。不同比例花生秧对瘤胃PH无显着影响,100%替代组显着提高NH3-N浓度。不同花生秧日粮对奶牛奶牛瘤胃菌群水平无显着影响。
夏凡[5](2018)在《基于图像处理-碱消度对大米食用品质的研究》文中研究表明大米是我国居民的主食。我国大米的品种繁多,品质良莠不齐,造成了消费者在市场上难以甄别大米的优劣。随着社会经济的发展和人们生活水平的日益提高,消费者对大米的品质有了更高的要求,因此对大米的品质分析和快速检测至关重要。同时,我国作为大米的主要生产和消费国,提高我国的大米品质的检测技术,能使我国在国际市场上更有竞争力。图像处理技术,质构仪检测技术等先进的仪器检测,可以快速且准确的获取大米品质的准确信息。本研究主要探讨大米的自身理化性质和食用品质间的关系;探究图像处理技术在大米碱消试验过程中的应用;对大米的碱消度和食用品质关系进行了分析研究。对大米的理化性质和食用品质间的关系进行了研究。对10种不同产地的粳米、籼米以及糯米的自身理化性质与其食用品质之间的关系进行测定与分析。通过理化试验、蒸煮品质试验、质构试验以及RVA糊化特性试验进行分析测定。大米的理化指标有蛋白质含量、直链淀粉含量、脂肪酸值、粗脂肪含量,水分含量;食用品质包括峰值粘度、最终粘度、起始糊化温度、米饭的硬度、凝聚性、胶黏性、回弹性与咀嚼性等。试验结果表明,大米蛋白质含量与米汤的干物质呈显着负相关(P<0.05);直链淀粉含量与米汤碘蓝值成极显着正相关(P<0.01);粗脂肪含量与米饭膨胀体积成极显着负相关(P<0.01)。大米经过RVA糊化,直链淀粉含量与峰值粘度,最终粘度成显着正相关(P<0.05),与回升值成极显着正相关(P<0.01);起始糊化温度与蛋白质含量成极显着正相关(P<0.01);直链淀粉含量与米饭的硬度、凝聚性、胶黏性、回弹性成极显着正相关(P<0.01);脂肪酸值与硬度、胶黏性、咀嚼性成显着负相关(P<0.05);研究发现不同品质大米差异显着,其中大米的直链淀粉含量是影响米饭品质最关键的因素,其余理化指标也与米饭的食用品质具有一定相关性。试验证明不同品种和品质的大米之间存在着差异性,同时大米自身的理化性质和其食用品质存在相关性。研究不同图像处理技术对大米碱消图像影响。采集碱消试验中的大米图像,利用MATLAB图像处理软件对大米碱消图像进行不同方法的降噪、增强、轮廓提取和阈值分割等处理。研究表明,选择佳能LiDE220彩色扫描仪采集大米碱消试验的原始图像操作更便捷,并且采集的图像效果更好。不同的图像处理方式对图像的影响效果有显着区别。选择中值滤波对大米碱消图像进行降噪的效果要优于均值滤波,在降低图像噪声的同时不会模糊图像边缘;采用直方图均衡化增强的方式可以对图像的目标和背景区分良好;Canny算子比Roberts算子和Laplacian算子对轮廓边缘的提取更清晰准确;阈值分割方法中,直方图双峰法阈值分割可以得到大米碱消图像中未消解的中心残留米粒,最大类间方差法可以完整地获取大米碱消区域。研究表明,经过MATLAB图像处理软件对图像处理后,大米碱消度图像的特征更易于提取,图像信息更清晰。基于图像处理技术建立新的大米碱消度分级标准;研究KOH溶液的浓度和温度对大米碱消度影响;研究大米碱消度和其食用品质间的关系。通过提取大米的初始面积、整体消解面积、中心未消解区域面积三部分的特征参数,利用SPSS软件进行统计分析,建立了新的碱消度分级标准;进行不同温度、不同浓度KOH溶液条件下的大米碱消度的全组合试验;对大米的理化、RVA糊化特征和质构进行测试。试验结果表明,KOH溶液浓度对大米的碱消度影响显着,浓度越高大米消解速度越快;温度对大米碱消度的影响不明显。在0.5 mol/L的KOH溶液中,35℃的条件下,不同品种粳米的碱消图像区别最大。七种大米的直链淀粉含量差异显着,米饭的弹性、凝聚性、咀嚼性均存在显着性差异(P<0.05)。RVA糊化特征中几种大米的崩解值存在一定程度的差异性。碱消度和大米的直链淀粉含量呈极显着正相关(P<0.01),与大米的起始糊化温度存在正相关(R=0.4400),与凝聚性存在负相关(R=-0.5630),与弹性存在正相关(R=0.6300)。综上,试验结果表明可以通过碱消度试验的方法来反映大米的食用品质和理化特征。
黄江[6](2016)在《压电电容式传感器法快速测定稻谷含水率及煎炸油中的极性组分含量》文中研究表明由于压电传感器响应快,灵敏度高,价格低廉、使用方便,受到广大科学研究人员青睐。压电石英晶体传感器可分为两类:压电石英晶体微天平和串联式压电传感器。压电石英晶体微天平对质量有灵敏的响应,可得到纳克级的响应,但其响应受其它因素,如溶液的粘度、密度、电导率和介电常数的影响;串联式压电传感器(本文中简称压电传感器)是将空气中振荡的石英晶体与一对电导电极串联组成,它能灵敏地响应电导电极间介质的电参数变化,并维持极好的频率稳定性,与传统阻抗方法相比,它有很强的抗背景干扰的能力,在一定条件下响应的灵敏度和稳定性均成倍提高。随着信息技术和微机加工技术的高速发展,压电传感器的电路还可微缩到一块很小的芯片上,电导电极可选用间距在微米甚至纳米级别的叉指电极,很容易实施现场快速监测。因此,压电传感器广泛应用于生命科学、食品、化学、生物医学、环境监测、医药和军事等领域。基于此,本论文开展以下工作:1.根据稻谷水分含量与其介电特性的相关性,选用自制圆筒电极,将其与压电石英传感器串联构建压电电容式传感器,结合粮食、油料水分测定的国家标准(GB/T 5497-1985),建立样本集稻谷水分含量与样本集稻谷压电传感特征频率数据之间的标定方程:y=-75x+9007366,其线性系数值r=-0.98。然后利用此方程对随机制作的不同含水率稻谷进行快速检测,同时采用国标法—105℃恒重法,加以验证,结果表明,压电电容式传感器能快速、准确测定稻谷中的含水量;2.结合煎炸油极性组分含量变化与其介电特性的相关性,引入融合梳状电极,将其与压电传感器串联构建压电电容式传感器,结合国家标准中规定的检测煎炸油极性组分的含量方法(GB/T5009.202-2003),对煎炸油进行检测和鉴别。基本依据为油脂在煎炸过程中其极性成分会发生改变,从而导致介电常数改变,最终导致压电传感器的振荡频率变化。本论文首先研究了煎炸时间与介电常数的关系、极性组分含量与介电常数的关系,然后将极性组分含量转变为直观的频率响应值的形式,并建立极性组分含量与频率的标定方程:y=-0.396699x+9007010,其线性系数值r=-0.996,国家标注规定的极性组分含量为27%的临界值,求得临界频率值即判别阈值约为9006898 Hz。并基于标定方程对不同品牌,不同煎炸时间的样品进行检测鉴别,其结果与国标法进行对照,结果表明,压电电容式传感器能简便、快速、准确检测与鉴别煎炸油。
朱骁杰[7](2015)在《福建省福清直属库储备粮质量安全研究》文中提出我国是一个人口众多的国家,以世界7%的耕地面积养活20%的人口数量,目前我国粮食基本实现自给自足,随着人们生活水平的提高,对粮食这一基本要求也在不断提高,由此粮食安全问题日益引起人们的重视。尽管粮食数量实现了十一年增,粮食安全问题却仍然堪忧。以往谈及粮食安全更多是指粮食的数量安全,现在谈到粮食安全则更多会谈到粮食质量安全,因为粮食数量是国家宏观调控方面,而粮食质量则与人们的饮食息息相关。目前我国对于粮食保障工作是以储备粮来完成,因此对储备粮质量安全研究有着重要的意义。福清直属库储备粮在粮食储藏的过程中认真完成好福建省储备粮管理有限公司每年下达的各项指标,但在粮食储藏轮换的过程中存在因粮食质量下降较快而导致轮换差价大的问题,这个各储备粮库普遍存在的问题已经引起福建省储备粮管理有限公司密切关注。本文首先对国内外储备粮发展情况进行简单介绍,通过相关介绍可以看出目前我国储粮研究与技术已经达到世界先进水平,其次对粮食质量安全相关概念进行界定以及运用食品安全风险评估理论和HACCP体系来解释粮食质量安全原因和了解相关控制原理。再针对福清直属库储备粮现状来分析福清直属库粮库内稻谷、小麦在储藏全过程品质变化情况、熏蒸杀虫情况以及杀虫过程中杀虫剂对粮食影响情况。对这些情况的研究很好的解释了粮食在储藏过程中因质量下降太快导致轮换差价大的原因主要在于稻谷的脂肪酸值出现了明显的上升和小麦的面筋吸水量出现了明显的下降,同时也表明了磷化铝作为熏蒸杀虫的首选药剂由于它的安全性和高效性在今后很长一段时间内仍难以取代。通过这些分析对福清直属库目前情况提出三点建议:一提高福建省储备粮管理有限公司粮食检测体系建设;二增加科学保粮的方法和措施;三提高福清直属库员工业务素质和加大与国内高等院校及科研机构的合作。在此建议的基础上,积极探索运用HACCP模式到福清直属库储备粮管理当中去,将HACCP模式整理出设计方案,再进行储粮方案的实施,最后得出HACCP的危害工作单、计划表及粮食储藏过程中相关关系,通过HACCP模式在福清直属库的运用,达到全面提高福清直属库储备粮质量安全。
周志聪[8](2015)在《基于近红外光谱稻米淀粉含量测定方法分析》文中进行了进一步梳理稻米是我国主要粮食作物之一。近几年,伴随我国人民生活质量的提升,优质稻米越来越受到人们的重视,而稻米淀粉含量的多少是影响稻米食用品质的关键因素之一,为此对稻米淀粉含量的相关测量越加关键。传统的稻米淀粉含量检测方法操作过程复杂、费时费力,并且还会对稻米样本造成破坏性伤害,很难实时有效地获得稻米籽粒的组分信息。近红外光谱技术可以准确、快速、不需做预处理,无损并能进行多组分光谱测量。将近红外光谱技术应用于稻米淀粉检测可有效提升检测效率。本文主要研究内容是利用傅立叶型近红外光谱仪WQF600N采集稻米籽粒样本的近红外光谱,设置仪器采样波数在40009100cm-1,因为淀粉性质特征信息在波长范围11002480nm比较丰富,测定效果较好,针对光谱数据预处理、处理方法进行分析,运用不同的数据处理方法对样本近红外光谱进行分析处理和比较。同时通过化学实验方法测定所选稻米样本的淀粉含量值。利用化学计量学方法将稻米样本的近红外光谱与通过化学实验法测得的淀粉值相关联,寻找两者间的变量关系,进而建立相关模型,建立后的模型通过评价指标来评估其准确性。通过主成分回归法、偏最小二乘回归法、支持向量回归法对稻米籽粒淀粉含量建模预测后,利用模型评价指标对各模型进行了评价,主成分回归法、偏最小二乘回归法、支持向量回归法所建立模型的相关系数R分别为:0.8916、0.9666、0.9878,RMSE分别为:0.3922、0.2413、0.1280。针对本文采集到的稻米籽粒光谱数据和淀粉值建立模型,得出支持向量回归法对稻米籽粒淀粉含量的预测效果优于偏最小二乘回归法与主成分回归法,因此可将其建立的模型应用到稻米淀粉含量测定。通过Winform调用Matlab中的程序函数,整合实验过程中所用到的代码开发近红外稻米淀粉含量预测软件,实现准确、快速无损测定稻米淀粉含量,为稻米谷物的收购、加工、买卖提供基本依据。
王振杰[9](2016)在《计算机视觉对稻谷储藏霉变真菌的识别研究》文中认为稻谷,作为世界上重要粮食作物之一,其产量高、具有较高的经济价值,在世界范围内得到广泛种植。稻谷作为我国三大粮种之一,是我国一半以上人口的主食。稻谷中含有丰富的营养成分,是人类生存的物资源泉。然而稻谷在储藏过程中常因储藏不当而导致霉变,其中真菌污染是导致霉变的主要因素之一。在粮食公益性行业专项经费项目(201313002-01)的资助下,本文通过利用计算机视觉技术对常见的五种真菌引发的霉变稻谷进行检测,又进一步研究利用计算机视觉技术对五种真菌菌落的识别,期望利用此技术对稻谷霉变达到早期检测和霉变真菌种类鉴定的目的。1.计算机视觉系统装置的搭建为了实现稻谷霉变图像和真菌图像的获取,搭建了一套计算机视觉装置,装置主要包括相机、光源、底座、支架等单元。经过多次调试,确定了光源强度、相机与样品的距离、相机曝光时间、快门速度、光圈等一系列参数。2.基于计算机视觉对霉变稻谷的检测通过对引起稻谷霉变真菌的调查,筛选出五种常见的真菌来研究。首先进行真菌培养,制成悬浮液,将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏。利用计算机视觉装置对正常(对照组)、霉变早期、霉变晚期三组稻谷样品进行图像采集,对图像进行预处理,通过分析图像特征差异,对灰度、颜色和纹理特征进行提取,共68个特征数据。采用支持向量机(Support vector machines,SVM)和偏最小二乘法判别分析(Partial Least Squares Discirminant Analysis,PLS-DA)构建检测模型,首先用于正常稻谷与霉变稻谷的区分,又对五种真菌霉变稻谷类型进行区分。为了降低模型复杂度和数据冗余,利用连续投影算法(Successive projections algorithm SPA)来消除原始数据变量间的共线性。结果得出利用SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集准确率分别为99.8%和98.8%。SVM模型对于五种霉变晚期稻谷的区分效果要优于霉变早期,其中对早期霉变五种真菌区分的建模集和验证集准确率分别为99.3%和92%,对晚期霉变五种真菌区分的准确率分别为100%和94%,且整体上SVM模型的效果要优于PLSDA模型。在基于SPA特征结果发现,SPA不仅消除了数据冗余、减少了运算量,而且在区分效果上也有很好的表现。说明了利用计算机视觉技术结合稻谷霉变特征来检测稻谷霉变是可行的,且具有较高的准确率。3.基于计算机视觉对五种霉菌菌落的识别基于前期对霉变稻谷真菌的检测结果,进一步研究了基于菌落特征差异的五种真菌的识别。首先对五种真菌进行纯培养,观察并记录各种真菌在不同培养天数菌落形态的变化,同时对第2d、3d、4 d菌落图像进行采集。通过对比分析不同天数的菌落特征差异,对菌落图像预处理,并对颜色、形态、纹理特征数据提取。线性判别器(Linear Discriminant Analysis,LDA)、PLSDA 和随机森林分类(Random Froest,RF)、SVM四种判别模型被用来建模分析,分别基于颜色、形态、纹理特征和三种特征结合的方式构建识别模型。结果表明:基于三种特征结合构建的模型区分的准确率最高,其次是颜色特征和纹理特征,最差的是基于形态特征。其中SVM模型结果相对较好,对第2d、3d、4d天的建模集识别准确率均为100%,预测集准确率分别为93.2%、96.4%、97.6%。研究也表明随着真菌生长时间的延长,五种真菌菌落特征差异越明显,识别率越高。同时,由于原始特征数据量大,且存在数据冗余,会降低运算速率,所以利用SPA特征选取的方法来消除这些不利因素。将SPA选择的特征数据结合SVM模型建模分析,结果表明SPA不仅有助于消除数据冗余和提高运算速率,而且在一定程度上提高了模型的准确率,其中对第2d、3d、4 d天的真菌菌落,建模集识别准确率分别为99.6%、100%、99.8%,预测集准确率分别为 94.8%、98%、99.2%。4.稻谷真菌数字图像识别软件设计以计算机视觉技术对五种真菌数字图像识别的研究结果为基础,设计了一款用于稻谷真菌数字图像的识别软件(软件名称:稻谷贮藏真菌数字图像识别系统.登记号:2016SR008710)。该软件具有很好的扩展性,可以实现对五种常见的稻谷真菌识别,后期可不断增加真菌的种类,建立一个基于真菌数字图像的数据库软件。其中软件分类器采用了 SVM模型,编程语言采用了 C++,Microsoft Visual studio 2010。
王姣姣[10](2014)在《冷季豆品质性状近红外模型建立及区域分析》文中进行了进一步梳理豌豆(Pisum sativum L.)和蚕豆(Vicia faba L.)是我国重要的冷季食用豆类作物,营养丰富,分布广泛,品种多样,是重要的种质资源。一直以来,国际市场都将食用豆作为高价值高价格产品进行贸易,随着我国生活水平的提高,人们对食用豆健康营养的消费需求越来越强。面对外部市场需求的不断扩大,做好豌豆和蚕豆的种质品质性状研究,既有利于种质选种育种和产地种植,也为加工储运、工艺和设备选择提供依据。本研究以品质性状为主线,通过化学方法检测了256份豌豆和244份蚕豆中蛋白质、淀粉、脂肪和总多酚的含量,探讨了品质性状间的相关性,并筛选出了品质性状相对含量较高的豌豆96份次,蚕豆种质102份次,分别占37.5%和41.8%。采用目测法,研究了豌豆种质表观性状粒形、粒色和脐色的单项和组合,蚕豆种质的粒长、粒色和脐色单项和组合与品质性状的关系,其中品质性状随单项或多项表观性状均有显着差异特点(P<0.05)。表观性状组合预估品质的准确度范围为57.1%100%,变异系数较小。本文研究了豌豆和蚕豆种质品质性状的快速筛选方法。在25℃条件下,通过探讨仪器分辨率、扫描次数以及样品粒径对粉末样品平均光谱和SD光谱的影响,明确了本实验中适宜建模条件为分辨率16cm-1,扫描次数64次,样品粉末粒度60目。以豌豆籽粒模型为例,对影响模型的稳健性的样品温度和籽粒水分含量因素进行了探讨,发现扫描温度和含水量越接近建模样品条件,模型稳定性越好。以化学检测数据为参考值,采用偏最小二乘法(PLS),对190份豌豆和244份蚕豆的粉末和籽粒建立了近红外回归模型,粉末模型整体优于籽粒模型,其中豌豆粉末蛋白质、淀粉、脂肪和总多酚模型的相关系数分别为0.99、0.99、0.94和0.95;籽粒蛋白质、淀粉、脂肪和总多酚模型的相关系数分别为0.97、0.95、0.94和0.94;蚕豆粉末蛋白质、淀粉、脂肪和总多酚模型的相关系数分别为0.97、0.93、0.81和0.89,蚕豆籽粒蛋白质、淀粉、脂肪和总多酚模型的相关系数分别为088、0.89、0.81和0.84。相关系数较高说明豌豆和蚕豆近红外模型具有较高预测准确度。应用两步聚类分析,研究了冷季豆的主要品质性状和产地区域的关系,分别得到豌豆种质的品质-产地聚类模式:聚类1低蛋白质含量-北部中部区,聚类2低淀粉含量-西部区,聚类3高蛋白质、淀粉和脂肪含量-西南部区;蚕豆种质的品质-产地聚类模式:聚类1高脂肪含量-西南部区,聚类2高蛋白质含量-东、北部中部区,聚类3高淀粉和脂肪含量-西部区。产地聚类模式与播种期、经度、纬度和海拔高度对冷季豆品质性状的实际影响相一致。
二、优质稻谷品质快速检测系统通过鉴定(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、优质稻谷品质快速检测系统通过鉴定(论文提纲范文)
(1)基于机器学习的储粮品质预测方法及应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景 |
1.1.1 粮食安全问题仍是中国未来发展面临的挑战 |
1.1.2 储存损失已成为中国粮食安全的潜在威胁 |
1.2 研究意义 |
1.3 研究现状 |
1.3.1 储粮品质研究现状 |
1.3.2 机器学习算法 |
1.3.3 机器学习在粮食储藏中的应用 |
1.4 论文的研究目标与研究内容 |
1.4.1 研究目标 |
1.4.2 研究内容 |
1.5 本文的结构 |
第2章 基于粮情数据的储粮品质分析与建模方法研究 |
2.1 引言 |
2.2 储粮生态区的选择 |
2.3 数据检测方法与标准 |
2.3.1 粮情数据采集 |
2.3.2 扦样方法 |
2.3.3 水分测定 |
2.3.4 品尝评分值测定 |
2.3.5 脂肪酸值测定 |
2.4 储粮数据处理与统计规律分析 |
2.4.1 储藏温度变化规律 |
2.4.2 储粮水分变化规律 |
2.4.3 储粮品质变化规律 |
2.5 数据驱动的储粮品质预测方法研究 |
2.5.1 储粮品质预测方法研究 |
2.5.2 数据驱动的预测方法分析 |
2.6 基于机器学习方法的储粮品质预测过程 |
2.6.1 建模过程 |
2.6.2 预测过程 |
2.7 本章小结 |
第3章 数据预处理方法研究 |
3.1 引言 |
3.2 粮温数据预处理方法研究 |
3.2.1 重复及缺失的历史温度数据修复方法 |
3.2.2 异常的历史温度数据判断方法 |
3.3 基于滑动窗口的粮温预测算法 |
3.3.1 预测模型的建立 |
3.3.2 滑动窗口算法 |
3.3.3 不同参数选择分析与讨论 |
3.4 预测因子的筛选与处理 |
3.4.1 数据统计 |
3.4.2 主成分分析法的基本原理与过程 |
3.4.3 主成分分析结果 |
3.5 本章小结 |
第4章 基于多核学习的储粮品质预测模型研究 |
4.1 引言 |
4.2 多核学习理论 |
4.2.1 多核学习方法 |
4.2.2 单步多核学习算法 |
4.2.3 两步多核学习算法 |
4.3 基于多核学习的储粮品质预测模型 |
4.3.1 多核支持向量回归模型 |
4.3.2 模型优化算法 |
4.4 实验与分析 |
4.4.1 实验数据介绍 |
4.4.2 实验设置与评价指标 |
4.4.3 多核学习模型的影响因素 |
4.4.4 脂肪酸值预测结果分析 |
4.4.5 品尝评分值预测结果分析 |
4.4.6 不同模型的对比实验 |
4.5 本章小结 |
第5章 基于多任务与多核学习的储粮品质预测模型研究 |
5.1 引言 |
5.2 多任务学习理论 |
5.2.1 基本概念 |
5.2.2 多任务学习的正则化模型 |
5.3 基于多任务与多核学习的储粮品质预测模型 |
5.3.1 多任务与多核学习框架 |
5.3.2 模型优化算法 |
5.4 实验与分析 |
5.4.1 实验设置与评价指标 |
5.4.2 多任务与多核学习模型的影响参数分析 |
5.4.3 样本数量对多任务与多核学习模型的影响 |
5.4.4 多任务与多核学习模型预测结果分析 |
5.5 本章小结 |
第6章 储粮安全预警系统的设计与开发 |
6.1 引言 |
6.2 储粮安全预警系统的构建 |
6.2.1 软件系统需求分析 |
6.2.2 系统功能分析 |
6.2.3 系统功能设计 |
6.2.4 警级规则制定 |
6.2.5 系统流程图 |
6.3 系统功能模块实现 |
6.3.1 登陆访问模块 |
6.3.2 数据连接 |
6.3.3 数据清洗 |
6.3.4 预测模块 |
6.3.5 文件保存 |
6.4 系统运行效果的验证及分析 |
6.4.1 实仓基本信息 |
6.4.2 结果与分析 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 本文工作总结 |
7.2 特色与创新 |
7.3 本文工作不足与展望 |
参考文献 |
作者简介及在学期间研究成果 |
攻读博士学位期间参与的项目 |
致谢 |
(2)甘蔗细胞壁特征高通量评价及种质资源挖掘(论文提纲范文)
摘要 |
ABSTRACT |
缩略词表 |
1 引言 |
1.1 生物质与生物能源 |
1.2 能源作物甘蔗 |
1.3 细胞壁的特征 |
1.4 植物细胞壁降解与生物质降解效率 |
1.5 细胞壁的传统检验方法 |
1.6 近红外光谱技术在细胞壁检验方面的应用 |
1.7 研究目的与意义 |
1.8 研究内容及技术路线 |
1.8.1 研究内容 |
1.8.2 技术路线 |
2 实验材料与方法 |
2.1 实验材料 |
2.1.1 样品的采集 |
2.1.2 近红外光谱数据的采集 |
2.1.3 种质资源评价材料 |
2.2 试剂与耗材 |
2.3 主要仪器设备 |
2.4 实验方法 |
2.4.1 甘蔗纤维素及木质素含量的测定 |
2.4.2 甘蔗关键细胞壁特征模型的建立 |
2.4.3 种质资源材料评价方法 |
3 结果与分析 |
3.1 在线模型的建立 |
3.1.1 甘蔗渣中关键细胞壁特征成分分析 |
3.1.2 甘蔗渣近红外光谱的数据分析 |
3.1.3 分选定标集和检验集 |
3.1.4 甘蔗关键细胞特征近红外模型的创建 |
3.2 离线模型的建立 |
3.3 在线模型的优化 |
3.4 在线模型与离线模型比较 |
3.5 种质资源材料的评价 |
3.5.1 甘蔗种质材料的表型分析 |
3.5.2 甘蔗细胞壁特征表型多样性分析 |
3.5.3 甘蔗种质材料的筛选 |
4 讨论 |
4.1 甘蔗细胞壁特征高通量平价 |
4.2 种质资源材料的挖掘 |
5 全文总结及研究展望 |
5.1 全文总结 |
5.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间发表论文情况 |
(3)基于机器视觉的大米垩白率测定关键技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究进展 |
1.3 研究内容与方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 研究支撑 |
1.4 研究内容及论文结构简介 |
第二章 理论基础介绍 |
2.1 机器视觉技术介绍 |
2.1.1 基本概念 |
2.1.2 系统简介 |
2.1.3 发展历程与前景 |
2.1.4 实际应用 |
2.2 太赫兹技术介绍 |
2.2.1 基本概念 |
2.2.2 垩白率测定的应用 |
2.3 MATLAB介绍 |
2.4 数字图像处理基础知识介绍 |
2.5 本章小结 |
第三章 基于机器视觉的图像采集与处理技术 |
3.1 基于太赫兹的图像获取 |
3.1.1 选择测试设备、参数及辅助工具 |
3.1.2 测试样品放置 |
3.1.3 确定测试方案 |
3.2 图像分析 |
3.2.1 图像增强 |
3.2.2 边缘检测 |
3.2.3 图像分割 |
3.2.4 特征提取 |
3.4 本章小结 |
第四章 垩白率测定 |
4.1 数据采集结果与分析 |
4.1.1 数据结果 |
4.1.2 数据分析 |
4.2 二维图像生成 |
4.2.1 图像增强 |
4.2.2 图像分割 |
4.2.3 二维图像生成 |
4.3 三维立体图生成 |
4.3.1 确定坐标轴 |
4.3.2 三维立体图生成 |
4.4 大米垩白率测定 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
作者简历 |
(4)花生秧营养价值的评定及其对奶牛瘤胃细菌多样性的影响(论文提纲范文)
致谢 |
摘要 |
缩略语词汇表 |
第一章 文献综述 |
1 近红外技术概况 |
1.1 近红外技术的发展 |
1.2 近红外技术的原理 |
1.3 近红外光谱技术分析流程 |
1.4 近红外光谱分析技术中的化学计量学方法 |
1.5 近红外技术的优缺点 |
2 近红外光谱技术在动物营养领域的应用 |
2.1 饲料掺假鉴别 |
2.2 饲料营养成分预测 |
2.3 饲料营养成分消化率 |
3 花生秧的营养特点及其在畜牧业的应用 |
3.1 花生秧的营养价值研究 |
3.2 花生秧在动物生产中的应用 |
4 引言 |
4.1 研究背景 |
4.2 研究的目的和意义 |
4.3 研究内容 |
第二章 花生秧常规营养价值评定近红外模型的建立 |
1 材料与方法 |
1.1 试验样品的制备 |
1.2 光谱的采集 |
1.3 营养指标的测定 |
1.4 近红外模型的建立 |
2 结果与分析 |
2.1 各花生秧样品的常规营养成分含量 |
2.2 花生秧样品光谱图 |
2.3 不同化学计量学方法的比较 |
2.4 花生秧近红外预测模型的验证 |
3 讨论 |
4 小结 |
第三章 不同比例花生秧替代苜蓿对其瘤胃降解率的影响 |
1 材料与方法 |
1.1 试验设计 |
1.2 试验日粮与动物管理 |
1.3 试验方法与材料 |
1.4 数据分析 |
2 结果与分析 |
2.1 花生秧替代苜蓿对花生秧干物质降解率的影响 |
2.2 花生秧替代苜蓿对花生秧粗蛋白降解率的影响 |
2.3 花生秧替代苜蓿对花生秧中性洗涤纤维降解率的影响 |
2.4 花生秧替代苜蓿对花生秧酸性洗涤纤维降解率的影响 |
3 讨论 |
3.1 花生秧替代苜蓿对花生秧DM降解率的影响 |
3.2 花生秧替代苜蓿对花生秧CP降解率的影响 |
3.3 花生秧替代苜蓿对花生秧NDF、ADF降解率的影响 |
4 小结 |
第四章 不同比例花生秧替代苜蓿对奶牛瘤胃发酵及细菌多样性的影响 |
1 材料与方法 |
1.1 试验设计 |
1.2 试验日粮与动物管理 |
1.3 试验方法 |
2 结果与分析 |
2.1 花生秧替代苜蓿对瘤胃发酵的影响 |
2.2 花生秧替代苜蓿对奶牛瘤胃细菌多样性的影响 |
3 讨论 |
3.1 花生秧替代苜蓿对瘤胃发酵的影响 |
3.2 花生秧替代苜蓿对奶牛瘤胃细菌多样性的影响 |
4 小结 |
全文结论与展望 |
1 全文结论 |
2 创新点 |
3 研究展望 |
参考文献 |
Abstract |
(5)基于图像处理-碱消度对大米食用品质的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 图像处理技术的国内外研究现状 |
1.3 图像处理技术的理论基础 |
1.3.1 图像处理的基本流程 |
1.3.2 图像的采集 |
1.3.3 图像的灰度处理 |
1.3.4 图像的降噪 |
1.3.5 图像的增强 |
1.3.6 图像的阈值分割 |
1.3.7 图像的二值处理 |
1.3.8 大米的面积提取 |
1.4 研究目的、意义及内容 |
1.4.1 研究的目的和意义 |
1.4.2 研究内容 |
第二章 大米食用品质和其内在理化性质的研究 |
2.1 材料与方法 |
2.1.1 试验原料 |
2.1.2 试验试剂与仪器 |
2.1.3 试验方法 |
2.1.4 数据处理 |
2.2 结果与分析 |
2.2.1 十种不同品种大米基本理化性质分析 |
2.2.2 十种不同品种大米的基本理化指标间相关性分析 |
2.2.3 十种不同品种大米的蒸煮品质分析 |
2.2.4 十种大米基本理化性质与蒸煮品质之间相关性分析 |
2.2.5 十种大米RVA糊化特性分析 |
2.2.6 十种不同品种大米的基本理化性屑与RVA糊化性屑的相关性分析 |
2.2.7 十种不同品种米饭质构的分析 |
2.2.8 十种不同品种大米基本理化性质与米饭质构的相关性分析 |
2.3 讨论 |
2.4 本章小结 |
第三章 基于图像处理技术的大米碱消图像采集 |
3.1 材料与方法 |
3.1.1 试验原料 |
3.1.2 试验试剂与仪器 |
3.1.3 试验方法 |
3.2 结果与分析 |
3.2.1 大米原始图像的获取 |
3.2.2 不同降噪方式对大米碱消程度图像的影响 |
3.2.3 不同的图像增强方式对大米碱消程度图像的影响 |
3.2.4 不同边缘提取方式对大米碱消程度图像的影响 |
3.2.5 不同的阈值分割方式对图像二值化的影响 |
3.3 讨论 |
3.4 本章小结 |
第四章 基于图像处理技术的大米碱消度测定方法研究 |
4.1 材料与方法 |
4.1.1 试验原料 |
4.1.2 试验试剂与仪器 |
4.1.3 试验方法 |
4.1.4 数据处理 |
4.2 结果与分析 |
4.2.1 大米的碱消图像提取与碱消度定级 |
4.2.2 大米碱消度的KOH浓度和温度试验 |
4.2.3 七种不同品质粳米的米饭质构特性 |
4.2.4 七种不同品质粳米的米饭RVA糊化特性结果分析 |
4.2.5 大米的碱消度与米饭的品质相关性分析 |
4.3 讨论 |
4.4 本章小结 |
全文总结 |
展望 |
论文创新点 |
参考文献 |
攻读硕士学位期间的研究成果 |
致谢 |
(6)压电电容式传感器法快速测定稻谷含水率及煎炸油中的极性组分含量(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 粮油质量快速检测及研究进展 |
1.1.1 稻谷含水率的检测及研究进展 |
1.1.2 煎炸油检测方法的研究及进展 |
1.2 论文构思 |
2 压电电容式传感器快速测定稻谷含水率—圆筒电极 |
2.1 引言 |
2.2 实验部分 |
2.2.1 仪器设备和材料 |
2.2.2 实验过程 |
2.3 结果与讨论 |
2.3.1 压电电容式传感器工作原理 |
2.3.2 圆筒电极灵敏区间标准曲线 |
2.3.3 标定方程式的建立 |
2.3.4 稻谷样本集的检测 |
2.4 小结 |
3 压电电容式传感器快速测定煎炸油中极性组分—梳状电极 |
3.1 引言 |
3.1.1 梳状电极的简介及工作原理 |
3.1.2 融合梳状电极与压电传感器 |
3.2 实验部分 |
3.2.1 设备和材料 |
3.2.2 实验过程 |
3.3 结果与讨论 |
3.3.1 压电电容式传感器工作原理 |
3.3.2 最优电极对数的选择 |
3.3.3 煎炸油的鉴别 |
3.4 本章小结 |
4 结论 |
参考文献 |
致谢 |
(7)福建省福清直属库储备粮质量安全研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 本文研究的背景、目的和意义 |
1.1.1 本文研究的背景 |
1.1.2 本文研究的目的和意义 |
1.2 国内外研究现状 |
1.2.1 国内储粮质量安全研究现状 |
1.2.2 国外储粮质量安全研究现状 |
1.3 研究的内容和方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
第二章 相关概念与理论基础 |
2.1 相关概念 |
2.1.1 粮食与粮食安全 |
2.1.2 粮食质量安全 |
2.1.3 粮食发热与粮食结露 |
2.1.4 物联网 |
2.2 食品安全相关理论 |
2.2.1 食品安全风险评估 |
2.2.2 HACCP体系 |
2.3 粮食在储备过程中的控制原理 |
2.3.1 粮食在入库前控制 |
2.3.2 粮食在入库过程中控制 |
2.3.3 粮食在储藏过程中有关条件的确定 |
2.3.4 粮食在出仓过程中控制 |
第三章 福清直属库粮食质量安全概况 |
3.1 福清直属库粮食质量安全现状 |
3.2 福清直属库粮食检验概况 |
3.2.1 稻谷在储藏过程中品质变化情况 |
3.2.2 小麦在储藏过程中品质变化情况 |
3.3 福清直属库粮食熏蒸概况 |
3.3.1 粮食熏蒸的条件 |
3.3.2 福清直属库四种主要危害粮食的害虫形态特征、生活习性和危害 |
3.3.3 福清直属库熏蒸过程及效果 |
3.4 杀虫剂的使用对粮食的影响分析 |
3.5 福清直属库目前储粮存在一些不足 |
第四章 提高福清直属库粮食质量安全建议与对策 |
4.1 加强福建省储备粮公司粮食检测体系建设 |
4.2 增加科学保粮的方法和措施 |
4.2.1 提升绿色储粮措施,使用太阳能降温,低温储粮技术 |
4.2.2 使用多功能粮情检测系统来提高粮情检测 |
4.2.3 使用食品级惰性粉来进行储粮的防护与杀虫 |
4.3 提高福清直属库员工业务素质和加大与国内高等院校及科研机构的合作 |
第五章 HACCP体系在福清直属库的建立 |
5.1 设计方案 |
5.1.1 粮食储备过程中HACCP计划的前提步骤 |
5.1.2 粮食储备过程中HACCP计划的研究步骤 |
5.2 方案实施 |
5.2.1 组建HACCP小组 |
5.2.2 描述确定预期用途 |
5.2.3 绘制并现场验证储备粮流程图 |
5.2.4 进行危害分析并建立相关预防措施 |
5.2.5 确定关键控制点(CCP) |
5.2.6 确定CCP的关键限值 |
5.2.7 建立监控程序 |
5.2.8 建立纠偏措施 |
5.2.9 建立验证程序 |
5.2.10 建立有效的记录管理系统 |
5.3 结果 |
5.3.1 粮食储备过程中危害分析工作单 |
5.3.2 HACCP计划表 |
5.3.3 HACCP体系建立与运行的思考 |
第六章 结论 |
参考文献 |
致谢 |
(8)基于近红外光谱稻米淀粉含量测定方法分析(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 主要研究内容 |
第二章 近红外光谱检测技术理论 |
2.1 近红外光谱技术原理介绍 |
2.2 近红外光谱分析特点 |
2.3 回归方法概述 |
2.3.1 方法选择 |
2.3.2 主成分回归法 |
2.3.3 偏最小二乘法回归 |
2.3.4 支持向量回归法 |
2.4 评价指标 |
2.5 本章小结 |
第三章 稻米样本制备与近红外光谱采集 |
3.1 近红外光谱分析流程 |
3.1.1 光谱校正模型的建立 |
3.1.2 未知样本的组分含量预测 |
3.2 实验样本制备及光谱数据采集 |
3.2.1 实验样本选择 |
3.2.2 实验材料 |
3.2.3 光谱采集仪器 |
3.2.4 光谱数据采集 |
3.2.5 淀粉含量测定(酶水解法) |
3.3 本章小结 |
第四章 数据处理与分析 |
4.1 去噪 |
4.1.1 傅立叶变换法 |
4.1.2 小波变换法 |
4.2 数据规范化 |
4.2.1 标准化处理 |
4.2.2 中心化变换 |
4.2.3 归一化处理 |
4.3 降维处理 |
4.4 模型建立及预测分析 |
4.4.1 主成分回归模型建立 |
4.4.2 偏最小二乘回归模型建立 |
4.4.3 支持向量回归模型建立 |
4.4.4 回归方法比较 |
4.5 本章小结 |
第五章 近红外光谱稻米淀粉含量预测软件开发 |
5.1 软件功能分析 |
5.2 Winform 调用 Matlab 方法介绍 |
5.3 功能模块实现 |
5.3.1 数据载入 |
5.3.2 光谱去噪模块 |
5.3.3 数据规范化处理模块 |
5.3.4 校正模型训练 |
5.3.5 参数寻优 |
5.3.6 模型管理及预测 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
个人简历 |
(9)计算机视觉对稻谷储藏霉变真菌的识别研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 文献综述 |
1.1 研究背景及意义 |
1.2 稻谷储藏品质劣变和霉变危害研究进展 |
1.2.1 稻谷储藏品质劣变研究进展 |
1.2.2 稻谷储藏过程中霉变危害研究进展 |
1.2.3 常用微生物检测方法 |
1.2.4 常用稻谷霉变检测方法 |
1.3 计算机视觉对微生物检测的研究进展 |
1.3.1 计算机视觉技术简介 |
1.3.2 计算机视觉技术对微生物检测研究现状 |
1.4 研究目的及主要内容 |
1.4.1 研究目的 |
1.4.2 主要内容和技术路线 |
参考文献 |
第二章 基于计算机视觉对稻谷霉变的检测 |
2.1 材料与方法 |
2.1.1 实验材料 |
2.1.2 实验仪器 |
2.1.3 处理方法 |
2.1.4 计算机视觉装置的搭建 |
2.2 试验方法 |
2.2.1 稻谷模拟储藏 |
2.2.2 图像采集 |
2.2.3 图像处理 |
2.2.4 特征提取 |
2.2.5 数据处理方法 |
2.3 结果与分析 |
2.3.1 对照组与霉变稻谷区分 |
2.3.2 五种早期霉变稻谷区分结果 |
2.3.3 五种晚期霉变稻谷区分结果 |
2.3.4 讨论 |
2.4 本章小结 |
参考文献 |
第三章 基于计算机视觉对五种霉菌菌落的识别 |
3.1 实验材料与方法 |
3.1.1 实验材料 |
3.1.2 实验仪器 |
3.2 试验方法 |
3.2.1 菌种培养 |
3.2.2 图像采集 |
3.2.3 图像处理 |
3.2.4 特征提取 |
3.2.5 数据处理方法 |
3.3 结果与分析 |
3.3.1 基于颜色特征分类预测 |
3.3.2 基于形态学特征分类预测 |
3.3.3 基于纹理特征分类预测 |
3.3.4 基于颜色、形态、纹理特征结合分类预测 |
3.3.5 基于SPA特征选取处理结果 |
3.3.6 基于多特征结合与SPA特征选择的SVM模型分类预测结果比较 |
3.3.7 讨论 |
3.4 本章小结 |
参考文献 |
第四章 稻谷真菌数字图像识别软件设计 |
4.1 软件开发 |
4.1.1 开发运行环境 |
4.1.2 软件结构 |
4.2 交互界面及使用 |
4.2.1 交互界面 |
4.2.2 操作流程 |
4.3 测试结果 |
4.4 本章小结 |
参考文献 |
全文总结 |
致谢 |
攻读硕士期间发表论文情况 |
(10)冷季豆品质性状近红外模型建立及区域分析(论文提纲范文)
摘要 |
Abstract |
英文缩略表 |
第一章 引言 |
1.1 冷季豆种质资源概述 |
1.1.1 简述 |
1.1.2 豌豆和蚕豆的种质资源来源 |
1.1.3 豌豆和蚕豆的种质资源分类和分布 |
1.1.4 豌豆和蚕豆的资源贸易 |
1.1.5 冷季豆营养品质特性 |
1.1.6 冷季豆加工发展概述 |
1.1.7 冷季豆功能物质提取 |
1.2 冷季豆品质特性与表观性状和生态区域分布研究现状 |
1.2.1 作物种质品质性状和籽粒形态的关系 |
1.2.2 作物种质品质特性和生态环境的关系研究现状 |
1.2.3 作物种质与产地区域的分类研究现状 |
1.3 聚类研究方法 |
1.4 近红外光谱技术概述 |
1.4.1 近红外光谱技术的发展和特点 |
1.4.2 近红外在农产品品质检测中的应用 |
1.4.3 近红外模型的误差来源和减少误差的方法 |
1.4.4 近红外模型的回归方法原理 |
1.4.5 常用近红外模型的优化方法 |
1.5 本课题立题背景及意义 |
1.6 本课题研究内容 |
第二章 冷季豆品质性状和表观性状研究 |
2.1 引言 |
2.2 材料与方法 |
2.2.1 实验材料和样品处理 |
2.2.2 冷季豆主要品质性状的测定方法及使用仪器 |
2.2.3 冷季豆表观性状的划分依据及方法 |
2.2.4 统计分析方法 |
2.3 结果与分析 |
2.3.1 豌豆品质性状的化学计量学分析 |
2.3.2 豌豆品质性状与表观性状的关系 |
2.3.3 蚕豆品质性状的化学计量学分析 |
2.3.4 蚕豆的品质性状与表观性状的关系 |
2.4 讨论 |
2.5 本章小结 |
第三章 冷季豆近红外模型的建立、优化和稳健 |
3.1 引言 |
3.2 材料与方法 |
3.2.1 实验材料 |
3.2.2 主要仪器 |
3.2.3 实验方法 |
3.3 结果与分析 |
3.3.1 采集条件的参数分析 |
3.3.2 豌豆品质性状模型的建立和优化 |
3.3.3 蚕豆品质性状模型的建立和优化 |
3.3.4 样品温度对近红外模型稳定性的影响 |
3.3.5 样品水分对近红外模型稳定性的影响 |
3.4 讨论 |
3.5 本章小结 |
第四章 冷季豆品质性状与产地和播种期关系研究 |
4.1 引言 |
4.2 材料与方法 |
4.2.1 材料及产地来源 |
4.2.2 用于地理坐标、播种期的信息来源 |
4.2.3 聚类分析及数据处理 |
4.3 结果与分析 |
4.3.1 豌豆品质性状与产地的聚类分析 |
4.3.2 蚕豆品质性状与产地的聚类分析 |
4.3.3 豌豆品质性状随地理坐标的变化 |
4.3.4 播种期对豌豆品质性状的影响 |
4.3.5 蚕豆品质性状随地理坐标的变化 |
4.3.6 播种期对蚕豆品质性状的影响 |
4.4 讨论 |
4.5 本章小结 |
第五章 全文总结 |
5.1 主要结论 |
5.2 创新点 |
5.3 展望 |
参考文献 |
致谢 |
作者简历 |
四、优质稻谷品质快速检测系统通过鉴定(论文参考文献)
- [1]基于机器学习的储粮品质预测方法及应用研究[D]. 王启阳. 吉林大学, 2021(01)
- [2]甘蔗细胞壁特征高通量评价及种质资源挖掘[D]. 李欣茹. 广西大学, 2021(12)
- [3]基于机器视觉的大米垩白率测定关键技术研究[D]. 余泓慧. 湖南农业大学, 2018(09)
- [4]花生秧营养价值的评定及其对奶牛瘤胃细菌多样性的影响[D]. 冯豆. 河南农业大学, 2018(02)
- [5]基于图像处理-碱消度对大米食用品质的研究[D]. 夏凡. 南京财经大学, 2018(03)
- [6]压电电容式传感器法快速测定稻谷含水率及煎炸油中的极性组分含量[D]. 黄江. 中南林业科技大学, 2016(02)
- [7]福建省福清直属库储备粮质量安全研究[D]. 朱骁杰. 福建农林大学, 2015(03)
- [8]基于近红外光谱稻米淀粉含量测定方法分析[D]. 周志聪. 黑龙江八一农垦大学, 2015(08)
- [9]计算机视觉对稻谷储藏霉变真菌的识别研究[D]. 王振杰. 南京农业大学, 2016(04)
- [10]冷季豆品质性状近红外模型建立及区域分析[D]. 王姣姣. 中国农业科学院, 2014(10)