多源信息融合技术的猪肉新鲜度检测方法研究:多源信息融合

　　摘要：随着猪肉产量的提高和人们对食品安全的重视，快速准确地检测肉新鲜度越来越有着重要的现实意义。针对猪肉腐败过程中气味与颜色的变化，本文设计了猪肉图像采集装置和气体采集装置，对１０个不同时间段采集到的各２４０份猪里脊肉样品图像信息和气体信息进行特征层的融合，基于最小二乘支持向量机方法（ＬＳ－ＳＶＭ）建立多源信息融合的猪肉新鲜度评价模型，结合二步格点搜索法（Ｇｒｉｄ Ｓｅａｒｃｈｉｎｇ Ｔｅｃｈｎｉｑｕｅ）和交叉验证方法（Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ），对该模型参数γ和σ２进行选择和优化，分析比较了机器视觉系统、电子鼻系统及其两者融合系统所建立的猪肉新鲜度评价模型，３个模型对猪肉新鲜度的识别率分别为达到７７．３３％、９１．６７％和９７．３３％。结果表明，基于机器视觉和电子鼻多源信息融合系统可显著提高猪肉新鲜度的识别率。
　　关键词：信息融合；猪肉新鲜度；计算机视觉；电子鼻；最小二乘支持向量机
　　中图分类号：ＴＰ２７４＋．３； ＴＰ３９１．４ 文献标识码：Ａ文章编号：0439－８114（２０11）12－2536-03
　　
　　Ｍｅａｓｕｒｅｍｅｎｔ ｏｆ Ｐｏｒｋ Ｆｒｅｓｈｎｅｓｓ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉ－ｓｅｎｓｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｉｎｔｅｇｒａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ
　　
　　ＨＵＡＮＧ Ｙｉ，Ｌｉ Ｘｉａｏ－ｙｕ，ＷＡＮＧ Ｗｅｉ，ＺＨＯＵ Ｗｅｉ，ＺＨＯＵ Ｚｈｕ
　　（Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｔｅｃｈｎｏｌｏｇｙ， Ｈｕａｚｈｏｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｕｈａｎ ４３００７０， Ｃｈｉｎａ）
　　
　　Ａｂｓｔｒａｃｔ： Ｉｔ ｉｓ ｉｍｐｏｒｔａｎｔ ｔｏ ｄｅｖｅｌｏｐ ａ ｆａｓｔ ａｎｄ ｐｒｅｃｉｓｅ ｍｅｔｈｏｄ ｆｏｒ ｄｅｔｅｃｔｉｏｎ ｏｆ ｍｅａｔ ｆｒｅｓｈｎｅｓｓ ｗｉｔｈ ｔｈｅ ａｎｎｕａｌｌｙ ｉｎｃｒｅａｓｉｎｇ ｏｕｔｐｕｔ ｏｆ ｍｅａｔ ａｎｄ ｃｏｎｃｅｒｎｓ ｏｎ ｆｏｏｄ safety． Ｉｎ ｔｈｅ ｌｉｇｈｔ ｏｆ ｃｏｌｏｒ ａｎｄ ｏｄｏｕｒ ｃｈａｎｇｅ ｄｕｒｉｎｇ ｍｅａｔ ｔａｉｎｔ， ａ ｍｅａｔ ｆｒｅｓｈｎｅｓｓ ｔｅｓｔ ｓｙｓｔｅｍ ｄｅｖｉｃｅ ｆｏｒ ｉｍａｇｅ ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ ｏｄｏｕｒ ｃｏｌｌｅｃｔｉｏｎ ｗａｓ ｄｅｓｉｇｎｅｄ， ａｎｄ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌｓ ｗｅｒｅ ｄｅｖｅｌｏｐｅｄ ｗｉｔｈ ２４０ ｐｏｒｋ ｓａｍｐｌｅｓ ｄａｔａ ｆｕｓｉｏｎ ｏｆ ｃｏｌｏｒ ａｎｄ ｏｄｏｕｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐａｒａｍｅｔｅｒｓ ａｔ ｆｅａｔｕｒｅ ｌｅｖｅｌ ｂａｓｅｄ ｏｎ ｌｅａｓｔ－ｓｑｕａｒｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ． Ｔｏ ｅｎｈａｎｃｅ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｌｅａｓｔ ｓｑｕａｒｅｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ （ＬＳ－ＳＶＭ）， ｔｗｏ ｐａｒａｍｅｔｅｒｓ （γ ａｎｄ σ２） ｏｆ ｔｈｅ ｌｅａｓｔ ｓｑｕａｒｅｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｍｏｄｅｌ ｗｅｒｅ ｏｐｔｉｍｉｚｅｄ ｂｙ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｔｗｏ－ｓｔｅｐ Gｒｉｄ Sｅａｒｃｈｉｎｇ Tｅｃｈｎｉｑｕｅ ａｎｄ Cｒｏｓｓ－Vａｌｉｄａｔｉｏｎ． Ｔｈｅｎ， ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｍｏｄｅｌｓ ｗｅｒｅ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ａｓｓｅｓｓ ｐｏｒｋ ｆｒｅｓｈｎｅｓｓ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ， ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ ａｎｄ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｔｈｅ ｔｗｏ， ｇｉｖｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅｓ ｏｆ ７７．３３％， ９１．６７％ ａｎｄ ９７．３３％， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｍｕｌｔｉ－ｓｏｕｒｃｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ ａｎｄ ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ ｃｏｕｌｄ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｐｏｒｋ ｆｒｅｓｈｎｅｓｓ．
　　Ｋｅｙ ｗｏｒｄｓ： ｍｕｌｔｉ－ｓｅｎｓｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｉｎｔｅｇｒａｔｉｏｎ； ｐｏｒｋ ｆｒｅｓｈｎｅｓｓ； ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ； ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ； ＬＳ－ＳＶＭ
　　
　　新鲜度是猪肉及其制品质量的重要指标，随着我国猪肉产量的提高和人们食用安全意识的增强，传统的猪肉新鲜度检测方法如感官评定法和生化指标的实验室测定方法，均难以满足当前社会的需要，开发快速准确的检测肉类新鲜度方法越来越具有重要的现实意义。针对猪肉在腐败过程中的变化特性，通过测定某一相关指标实现猪肉内部品质检测或外部品质检测，分析方法包括：近红外漫反射［１］、电子舌［２］、电子鼻［３］以及机器视觉［４］等，然而猪肉的腐败变质是一个复杂的过程，受多种因素的影响，单靠某一种手段或某一指标的测定很难从整体上实现猪肉新鲜度的准确评价。为了避免单一测量手段的局限性，应用多信息融合技术将有效提升农产品品质评测的效果。例如：陈全胜等人［５］融合近红外光谱和机器视觉技术对茶叶品质进行评价，其结果的准确性和稳定性都优于单个信息模型。但是，目前多传感器技术用于肉类新鲜度检测上的报道比较少，虽然曲世海等构建了一套基于电子信息技术与光电检测技术多信息融合的肉类新鲜度检测系统，其报道的检测精度优于单一传感器［６］，然而多传感器信息融合问题至今没有形成基本理论框架和有效的广义融合模型，对特定研究领域多传感器特征量的选择，融合模型、融合层次和融合算法有所不同，进而导致评价结果的识别精度和识别率也有较大差异。
　　本试验针对猪肉在腐败过程中的色泽和气味为特征指标，构建机器视觉与电子鼻融合系统，通过对融合模型特征量的选择，特征的提取，以及融合算法的研究，以期获得更高的识别率，同时也为多源信息融合模型在猪肉新鲜度检测上的开发和应用提供理论依据。
　　１材料与方法
　　１．１试验材料
　　试验样品为湖北白猪的里脊肉，样品大小长×宽×厚约为４ ｃｍ × ４ ｃｍ × ２ ｃｍ，样品平均重量约为５０ ｇ，另取同一部位猪里脊肉５０ ｇ用于化学检测试验。
　　１．２试验装置
　　１．２．１计算机视觉图像采集系统图像采集系统主要由摄像头、光源、采集箱、图像采集卡和计算机等几部分构成，包括：Ｓｃｏｕｔ系列的ｓｃＡ １３９０－１７ｆｃ ＣＣＤ摄像头（德国ＢＡＳＬＥＲ公司）；Ｍｅｔｅｏｒ２／１３９４数字图像采集卡（加拿大Ｍａｔｒｏｘ公司）；国产普通ＬＥＤ环形光源，图像采集装置如图１（ａ）所示。
　　１．２．２电子鼻气体采集系统猪肉在腐败过程中主要产生含硫产物、胺、氨和醇类等物质，根据这些特征，本实验选择电子鼻传感器包括：ＴＧＳ８２５硫化氢型传感器（日本ＦＩＧＡＲＯ公司）、ＴＧＳ８２６氨气及胺类型传感器（日本ＦＩＧＡＲＯ公司）、ＴＧＳ８２２乙醇类及有机溶剂气体型传感器（日本ＦＩＧＡＲＯ公司）等３类传感器作为猪肉新鲜度测量的电子鼻气体阵列，采用Ｌａｂｖｉｅｗ虚拟仪器软件（美国国家仪器公司）开发猪肉新鲜度电子鼻测量系统。３类传感器信号通过ＮＩ ＰＣＩ６０２４Ｅ采集卡（美国国家仪器公司）传送至计算机。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文 　　目前电子鼻测量系统中气体的采样方式有静态和动态的顶空生成法，传统的顶空生成法需要添加比较复杂的吸气和清洗装置，并且这种方法受容器中的气压影响较大，因此试验采用简单的自由扩散法（静态顶空生成法）。由于电子鼻的响应信号受样品的挥发速率、容器内压强和挥发性气体浓度的影响比较大，较小的容器易造成信号波动，因此根据前期的试验结果确定采用５００ ｍＬ的玻璃容器作为猪肉电子鼻的气体收集装置［７］，电子鼻采集装置如图１（ｂ）所示。
　　１．３不同新鲜度样品的制备和评价
　　取２４份里脊肉，置于培养皿中，分别用食品保鲜膜封装存于４ ℃的人工气候箱中。每隔１２ ｈ对猪里脊肉样品采集一次图像，图像采集之后立即进行气体采集，５ ｄ内总共进行１０次图像与气体采集，各建立２４×１０个猪里脊肉图像样品集与气体样品集。
　　试验按照国家标准（ＧＢ ９９５９．１－２００１）选取挥发性盐基氮（Ｔｏｔａｌ Ｖｏｌａｔｉｌｅ ｂａｓｉｃ ｎｉｔｒｏｇｅｎ，ＴＶＢ－Ｎ）作为肉类鲜度评价指标。使用半微量凯氏定氮法测量贮存过程中的猪里脊肉的ＴＶＢ－Ｎ含量。猪肉新鲜度标准（ＧＢ ９９５９．１－２００１）规定，猪肉样品中ＴＶＢ－Ｎ含量大于２０ ｍｇ／１００ ｇ 为腐败类猪肉，在２０ ｍｇ／１００ ｇ与１５ ｍｇ／１００ ｇ之间为次新鲜类猪肉，小于１５ ｍｇ／１００ ｇ为新鲜类猪肉。化学试验与图像采集试验和气体采集试验同时进行。
　　１．４基于多源信息融合的猪肉新鲜度识别
　　多传感器信息融合又称多传感器数据融合，是对不同知识源和多个传感器所获得的信息进行综合处理，消除多传感器信息之间可能存在的冗余和矛盾，利用信息互补，降低不确定性和提高系统的决策判断能力。该试验通过自行设计的图像采集装置和气体采集装置，对猪肉的颜色信息和气体信息进行采集，对采集的数字信号进行预处理，以滤除数据采集过程中现场环境下的干扰和噪声。将处理后的目标信号作特征提取，根据所提取的特征信号，进行数据融合计算，最终输出结果，融合过程如图２所示。
　　在该融合系统中，由于机器视觉和电子鼻系统为两种不同类型的传感器，它们的特性不一致，使得它们获取信息的模式不同，在融合层次上宜选择特征层融合，即先分别提取机器视觉图像特征信息和电子鼻气体的特征信息，然后按特征信息对数据进行分类、综合和分析。
　　１．４．１图像特征参数提取颜色是描述图像内容的最直接的视觉特征。本试验以整幅图像颜色３个刺激值的均值作为猪肉颜色的统计特征，采用ｒｇｂ、Ｌ*ａ*ｂ*和ＹＣｂＣｒ ３种彩色空间模型分别进行统计，即
　　ｙ＝ｙｉｊ（ｉ，ｊ∈Ｄ）
　　式中ｉ―像素点水平坐标值
　　ｊ―像素点垂直坐标值
　　Ｄ―目标区域
　　ｎ―Ｄ区域内像素点总数
　　ｙｉｊ―ｒｉｊ、ｇｉｊ、ｂｉｊ或Ｌｉｊ、ａｉｊ、ｂｉｊ或Ｙｉｊ、Ｃｂｉｊ、Ｃｒｉｊ
　　ｙ―ｒ、ｇ、ｂ或Ｌ、ａ、ｂ或Ｙ、Ｃｂ、Ｃｒ
　　为了区分不同的颜色空间对猪肉新鲜度评价效果的影响，取２４个猪肉样本，利用设计的图像采集装置每隔１２ ｈ采集一次图像，５ ｄ内进行１０次图像采集，共采集２４０幅图像。在ｒｇｂ、Ｌ*ａ*ｂ*和ＹＣｂＣｒ ３个颜色空间对采集的图像进行颜色特征参数的提取，分别利用这３组样本数据进行ＰＣＡ主成分分析。研究结果表明，基于ｒｇｂ、Ｌ*ａ*ｂ*和ＹＣｂＣｒ三种颜色空间的特征值都能将猪肉分为新鲜、次新鲜和腐败三类，其中基于Ｌ*ａ*ｂ*颜色空间的分类与其他两种颜色空间分类相比，类中样品更紧凑，Ｌ*、ａ*、ｂ*与主成分之间有更高的相关性。
　　在该试验中选取Ｌ*ａ*ｂ*颜色空间来描述猪肉的颜色，以每幅图像中Ｌ*、ａ*、ｂ*各自的平均值作为猪肉颜色评价的特征向量。
　　１．４．２气体征值参数提取使用电子鼻系统对２４个猪肉样本进行气体采集试验，每隔１２ ｈ采集一次，５ ｄ内共采集２４０组气体样本数据。电子鼻对腐败猪肉气体的响应信号为一条曲线，需要对响应曲线进行特征信号提取，该试验分别选取气体传感器电压数据稳定值（最后５ ｓ电压平均值）与气体传感器电压数据的最大值作为特征参数，通过ＰＣＡ主成分分析方法对两种特征参数猪肉新鲜度的识别结果进行分析比较。研究结果表明，采用电压数据稳定值作为特征参数比最大值作为特征参数能更有效的区分不同新鲜度猪肉，因此，本试验选取电压数据稳定值作为猪肉气体特征参数。
　　１．４．３挥发性盐基氮（ＴＶＢ－Ｎ）测量的结果依据国标ＧＢ／Ｔ ５００９．４４-2003，使用半微量凯氏定氮法测量贮存过程中猪肉的ＴＶＢ－Ｎ含量，并依据国标ＧＢ ９９５９．１－２００１对不同新鲜度的猪肉进行分类；ＴＶＢ－Ｎ测量试验与猪肉图像采集试验和猪肉气体采集试验同步进行，测定结果如表１所示。
　　１．４．４基于最小二乘支持向量机的识别模型的建立支持向量机（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ，ＳＶＭ）是近几年来应用于建模的一种新的学习方法，与传统的神经网络相比，支持向量机算法最终将转化为一个二次型寻优问题，从理论上可得到全局的最优点，解决了在神经网络中无法避免的局部极小值问题。随着对支持向量机建模方法的深入研究和广泛应用［８－１１］，许多学者对支持向量机的算法进行了开发和改进，提出了新的改进支持向量机的算法［１２－１３］。
　　最小二乘支持向量机（ＬＳ－ＳＶＭ）是支持向量机的一种改进方法［１４］，它是将传统支持向量机中的不等式约束改为等式约束，且将误差平方和（Ｓｕｍ Ｓｑｕａｒｅｓ Ｅｒｒｏｒ）损失函数作为训练集的经验损失，这样就把求解二次规划问题转化为求解线性方程组问题，提高了求解问题的速度和收敛精度。本研究采用最小二乘支持向量机建立猪肉新鲜度评价模型。
　　最小二乘支持向量机模型（ＬＳ－ＳＶＭ）的建立主要考虑输入层、输出层单元数以及正则化参数、核函数及参数取值等网络特征参数。在本研究中，ＬＳ－ＳＶＭ模型的输入层单元数为６，包括：机器视觉系统颜色特征参数Ｌ*、ａ*、ｂ*值及电子鼻测量系统的ＴＧＳ８２２、ＴＧＳ８２５、ＴＧＳ８２６特征值；它的输出层单元数为１，即为猪肉新鲜度等级（通过化学检测方法ＴＶＢ－Ｎ的测定的新鲜度等级），选择径向基函数（ＲＢＦ）作为模型的核函数。
　　在最小二乘支持向量机方法中，正则化参数γ和ＲＢＦ核函数参数ｓｉｇ２（σ２）是两个重要参数。它们的取值将直接决定模型的训练和泛化性能。γ取值小，则样本数据惩罚就小，训练误差则变大，算法泛化能力增强；γ取值大，算法的泛化能力则减弱。而σ２取值过大或过小，则会对样本数据造成过学习或欠学习的现象。
　　本研究采用二步格点搜索法（Ｇｒｉｄ Ｓｅａｒｃｈｉｎｇ Ｔｅｃｈｎｉｑｕｅ）和交叉验证方法（Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ）相结合的方法选择参数γ和σ２。为了在选择中有适当的增量，γ的选择范围定为１～１０ ０００，σ２的选择范围为０．０１～１００。在最优参数的选择过程中，以每组γ和σ２组合获得的训练集交叉验证误差均方根（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ ｏｆ Ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ，ＲＭＳＥＣＶ）的最小值作为指标，寻优过程包括粗选和精选两个步骤，即：粗选格点数１０×１０，如图３中“・”所示，搜索步长较大，采用误差等高线确立最优参数范围；精选格点数仍为１０×１０，如图３中“×”所示，在粗选基础上，以较小步长更加细致地搜索，确定最优模型参数。对γ和σ２作对数处理，γ和σ２的寻优过程如图３所示。本文采用最小输出编码方式（Ｍｉｎｉｍｕｍ Ｏｕｔｐｕｔ Ｃｏｄｉｎｇ）对三类数据分类，最后需获得两组最优γ和σ２参数，表２给出了两组参数（γ，σ２）的寻优结果。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文 　　２结果与分析
　　本研究对２４个猪肉样本各进行１０次图像采集和气体采集，获得了的２４０组颜色特征参数及２４０组气体特征参数，将各个参数进行特征层的融合，得到２４０组特征融合数据（每组特征融合数据包括颜色及气体共６个特征参数）。根据猪肉的ＴＶＢ－Ｎ含量测量结果，对２４０组猪肉样品特征融合数据进行分类，共获得新鲜类猪肉样品、次新鲜类猪肉样品和腐败类猪肉样品数据的组数分别为１４４，４８和４８，对数据进行归一化，用于后续模型建立。
　　从上述２４０组猪肉样品融合数据中随机挑选１００组新鲜数据，３４组次新鲜数据和３１组腐败数据作为校正集，剩余７５组数据作为测试集。以颜色特征参数Ｌ*、ａ*、ｂ*值及气体特征参数ＴＧＳ８２２、ＴＧＳ８２５和ＴＧＳ８２６值作为ＬＳ－ＳＶＭ的输入值，以新鲜度类别（新鲜、次新鲜和腐败）作为输出，采用最小二乘支持向量机方法对３类决策模式进行学习，获得最优统计学习决策超平面，建立猪肉新鲜度信息融合识别模型。
　　本研究在建立机器视觉与电子鼻猪肉新鲜度识别融合模型的同时，也采用类似方法建立了单一机器视觉图像特征猪肉新鲜度识别模型和单一电子鼻气体特征的猪肉新鲜度识别模型。表２分析比较了使用ＬＳ－ＳＶＭ方法所建立三种模型的最优参数及识别结果。
　　由表可知，融合模型系统对猪肉新鲜度识别的正确率要优于单一识别模型。
　　３结论
　　１）试验分析比较了ｒｇｂ、Ｌ*ａ*ｂ*、ＹＣｂＣｒ三种不同的颜色空间对猪肉新鲜度分类效果的影响，确定了Ｌ*ａ*ｂ*颜色空间为最佳颜色特征空间，以Ｌ*、ａ*、ｂ*的各自均值作为猪肉新鲜度评价指标的颜色特征参数。
　　２）对猪肉腐败气体的电压响应曲线进行特征提取，分析比较了电压响应曲线的稳定值（最后５ ｓ平均值）和最大值两种不同的特征参数对猪肉新鲜度评价指标的影响，确定了以电压响应曲线的稳定值作为猪肉新鲜度评价指标的气体特征参数。
　　３）对机器视觉和电子鼻的猪肉新鲜度的信息进行了特征层的融合，建立了基于ＬＳ－ＳＶＭ法的多源信息融合的猪肉新鲜度评价模型，采用二步格点搜索法和交叉验证方法相结合的方法，对最小二乘支持向量机模型的参数γ和σ２进行优化选择，模型识别的正确率为９７．３３％。
　　４）试验比较了机器视觉系统、电子鼻系统及其二者的融合系统在同处理条件下，对猪肉新鲜度的识别率差异，结果表明，３个模型对猪肉新鲜度识别率分别为７７．３３％、９１．６７％和９７．３３%，即基于最小二乘支持向量机方法建立的机器视觉和电子鼻多源信息融合系统可获得比单一传感器系统更高的识别率。
　　参考文献：
　　［１］ 侯瑞峰，黄岚，王忠义，等．用近红外漫反射光谱检测肉品新鲜度的初步研究［Ｊ］． 光谱学与光谱学分析，２００６，２６（１２）：２１９３－２１９６．
　　［２］ 韩剑众，黄丽娟，顾振宇，等．基于电子舌的肉品品质及新鲜度评价研究［Ｊ］． 中国食品学报，２００８，８（３）：１２6－１３３．
　　［３］ 孙钟雷．基于遗传组合网络的猪肉新鲜度人工嗅觉系统［D］． 吉林：吉林大学图书馆，２００６．
　　［４］ 郭培源，毕松．基于神经网络的猪肉新鲜度检测分级系统［Ｊ］． 农机化研究，２０１０，（０６）：１０９－１１３．
　　［５］ 陈全胜，赵杰文，蔡健荣．基于近红外光谱和机器视觉的多信息融合技术评判茶叶品质［Ｊ］． 农业工程学报，２００８，２４（３）：５－１０．
　　［６］ 曲世海，郭培源．基于多信息处理的肉类新鲜度检测方法研究［Ｊ］． 北京工商大学学报（自然科学版），２００６，２４（５）：２６－３1．
　　［７］ 张军，李小昱，王为，等．基于虚拟仪器的淡水鱼鲜度电子鼻测量系统［Ｊ］．农业工程学报，２００９，２５（３）：１１０－１１３．
　　［８］ Ｍ．ＴＵＺ－ＣＨＡＯＬＩＮ，Ｍ．ＰＯＡ－ＴＡＹＵ． Ａｄａｐｔｉｖｅ ｔｗｏ－Ｐａｓｓ ｍｅｄｉｎａ ｆｉｌｔｅｒ ｂａｓｅｄ ｏｎ Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｆｏｒ ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ［Ｊ］． Ｎｅｕｒａｌ ＣｏｍＰｕｔａｔｉｏｎ， ２００４，１６（２）：３３３－３５４．
　　［９］ 田有文，李天来，李成华，等．基于支持向量机的葡萄病害图像识别方法［Ｊ］．农业工程学报，２００７，２３（６）：１７５－１８０．
　　［１０］ Ｊ． Ｈ． ＭIM，Ｙ－Ｃ． Ｌｅｅ． Ｂａｎｋｒｕｐｔｃｙ Ｐｒｅｄｉｃｔｉｏｎ ｕｓｉｎｇ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｗｉｔｈ ｏｐｔｉｍａｌ ｃｈｏｉｃｅ ｏｆ ｋｅｒｎｅｌ ｆｕｎｃｔｉｏｎ Ｐａｒａｍｅｔｅｒｓ［Ｊ］． Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００５，２８（４）： ６０３－６１４．
　　［１１］ ＰAI Ｐ Ｆ，Ｈｏｎｇ Ｗ Ｃ． Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ｗｉｔｈ Ｓｉｍｕｌａｔｅｄ Ａｎｎｅａｌｉｎｇ Ａｌｇｏｒｉｔｈｍｓ ｉｎ Ｅｌｅｃｔｒｉｃｉｔｙ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］. Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ＆Ｍａｎａｇｅｍｅｎｔ，２００５，４６（１７）：２６６９－２６８８．
　　［１２］ Ｄ． ＡＮＧＵＩＴＡ， Ｓ． ＲＩＤＥＬＬＡ， Ｆ， ＲＩＶＩＥＣＣＩＯ， ｅｔ ａｌ． Ｈｙｐｅｒ ｐａｒａｍｅｔｅｒ ｄｅｓｉｇｎ ｃｒｉｔｅｒｉａ ｆｏｒ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｃｌａｓｓｉｆｉｅｒｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００３，５５（1）：１０９－１３４．
　　［１３］ Ｕ．Ｖ ＬＵＸＢＵＲＧ， Ｏ． ＢＯＵＳＱＵＥＴ， Ｂ． ＳＣＨＯＫＯＰＦ． Ａ ｃｏｍｐｒｅｓｓｉｏｎ ａｐｐｒｏａｃｈ ｔｏ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍｏｄｅｌ ｓｅｌｅｃｔｉｏｎ［Ｊ］． Ｊｏｕｒａｎｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ，２００４（５）：２９３－３２３．
　　［１４］ 阎威武，邵惠鹤．支持向量机和最小二乘支持向量机的比较及应用研究［Ｊ］． 控制与决策，２００３，１８（３）：３５８－３６０．
　　注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文