基于美国E+E传感器融合无损检测鸡蛋品质的研究
农产品无损检测的目的是在不破坏样品的情况下,对其进行无损指标的测定,并与实际品质参数建立对应关系,zui终达到分级的目的。单传感器无损检测虽对农产品的常规品质指标有较好的激励响应特性,但存在检测精度差、稳定性不高和部分传感器运行成本过高的问题。此外还有一些品质属性是用单一传感器难以识别的,表明单传感器的检测范围存在一定“盲区”。另一方面,出口标准的提高,导致农产品检测趋向全面性,即需要输出一组全面的品质数据,这也是单一传感器难以完成的。

基于美国E+E传感器融合无损检测鸡蛋品质的研究     因此：无论从应用,需求还是控制风险的角度来看,多传感器融合应用于农产品无损检测中都是十分必要的。为了探索多传感器融合在食品检测领域的可行性,提升检测的准确性,扩大检测的适应面。本文以鸡蛋为研究对象,将传感器信息预处理、传感器融合(数据层和特征层)、专家系统和虚拟仪器等技术系统的应用于鸡蛋品质的无损检测中。这一研究,较单传感器无损检测,一方面：有效提高了检测精度,范围和稳定性。另一方面：通过传感器的融合策略,解决了对一些无法用单一传感器检测,但具有应用价值的品质指标的识别问题。在此基础上本文设计了相应的应用层软、硬件系统。具体研究分述如下： 1.传感器信息预处理及融合检测鸡蛋品质参数的确定 分别用定点迭代的快速独立分量和提升小波变换,对机器视觉和敲击振动这两类传感器输出的针对鸡蛋品质的无损检测参数进行去噪,去噪效果较好。研究确定了电子鼻检测鸡蛋的*试验条件。首先系统分析了针对鸡蛋气味的电子鼻模式识别算法特点。其次,通过算法比对确定了概率神经网络具有的稳定性、识别准确率和较快的总体运行速度,是鸡蛋气味识别的模式识别算法。zui后,通过传感器权重分析、传感器响应值与指标的相关性分析,分别确定了针对鸡蛋新鲜度和裂纹检测的*电子鼻传感器组合分别为2、5、8号传感器和2、7、8号传感器。 2.基于传感器数据层融合的鸡蛋新鲜度无损检测 在传感器数据融合的层面上运用机器视觉和电子鼻分别对鸡蛋哈夫单位和TVB-N(挥发性盐基氮)进行无损检测。提出一种按无损检测特征变量对目标量预测的贡献程度划分权重的传感器数据融合方法。将其运用到机器视觉特征参数和电子鼻响应值特征参数的构建和预测建模过程中,解决了无损检测建模方法中存在的变量权重信息缺失问题。验证性研究表明：传感器数据融合提升了鸡蛋哈夫单位及TVB-N预测模型预测的准确性(预测准确率分别为97.31%和94.54%)、稳定性(RMSE分别为0.004%和0.006%)及可移植性(模型从构建组到验证组的使用过程中,预测准确率的下降在2%以内)。