食品工业是人类的生命工业,其发展水平是反映人民生活水平和国家发达程度的重要参考指标。随着自动化程度的不断提高,我国的食品生产已经基本完成由手工作坊生产向机械化生产的转变。然而,作为食品生产重要一环的食品检测仍多采用人工离线检测。食品生产检测有调控生产、保证品质的作用,离线检测实时性差,且独立于生产环节之外,不能根据测量结果及时调整生产线,因此这种食品检测模式亟待调整。与此同时,近年来近红外光谱检测技术因其分析迅速、样品预处理操作简单、无损、污染程度低以及价格低廉等优点,在农产品及食品检测领域应用广泛。近红外光谱检测的检测精度受多元校正模型的准确度影响很大。然而,在食品生产中,环境、原料等生产要素变化较大,模型稳定性差,经常需要重新建模或更新模型。本文旨在克服近红外在线检测技术在食品检测应用中存在的模型不稳定问题,提高模型自适应更新能力,降低模型维护成本,智能化生产线,促进食品生产线的升级改造。具体研究如下:(1)针对食品检测中全谱更新计算量较大且易引入不相关波段信息的问题,提出了基于特征波段的递归偏最小二乘(Recursive Partial Least Squares,RPLS)算法。该算法在递归更新运算前引入波长选择算法(本文提出一种新的波长选择算法——最小冗余最大相关算法),随后在特征波段的基础上进行递归更新。通过在黄酒氨基酸态氮检测及小麦籽粒蛋白质含量检测模型更新中应用所提算法,使近红外在线检测的预测精度较原全谱递归更新方法有了一定提高。(2)针对食品检测中初始样品库完备性而导致的全局模型精度较低的问题,研究了即时学习框架在近红外模型更新中的应用。本文通过对即时学习框架中相似度计算方法的优化,提出引入最大信息系数(Maximal Information Coefficient,MIC)对波长重要程度进行评估,并以此对光谱加权后进行后续相似度等计算。通过在黄酒酒精度检测模型中应用所提算法,有效提高了近红外检测精度。(3)更进一步,针对食品检测模型更新中递归更新和即时学习框架均存在必要性的问题,通过矩阵形式将两种方法融合,同时从时间和空间两个维度更新。此外,考虑到食品检测中保留初始样品库的需求,提出一种新的模型更新算法——改进的递归局部加权偏最小二乘(Modified Recursive Locally Weighted Partial Least Squre,m-RLWPLS)算法。将改进的m-RLWPLS算法应用于黄酒总酸检测模型更新,显著提高了近红外检测效果。
暂无评论