一、小麦陈化度鉴别方法初探（论文文献综述）
国婷婷[1]（2020）在《基于集成学习的人工电子舌及其在农产品质量检测中的应用研究》文中研究指明随着社会生活水平的不断提高,人们对农产品的品质要求也越来越高,因此急需一种高效、便捷、客观的农产品品质检测方法。电子舌智能检测系统作为一种新型的检测技术,结合模式识别方法可以快速获取液体样本“指纹信息”,对检测样本进行定性和定量分析。但是传统模式识别方法的预测性能在达到一定水平后很难有更大的提升。因此,本文将集成学习引入电子舌的模式识别中,研制了一套基于集成学习的伏安电子舌系统,并将其实际应用于农产品品质的检测分析中,具体研究内容如下:（1）设计了一套基于虚拟仪器技术的智能感官电子舌系统,该系统具有体积小、成本低、检测便捷、无需复杂前处理等优点,主要包括传感器阵列、信号调理电路、数据采集卡、上位机软件四部分。（2）针对传统的电子舌模式识别方法泛化性较低、分类精度有限的问题,本文提出采用集成学习方法对单学习器进行有效融合,构建不同的集成学习模型,并将其用于对不同加工工艺柠檬片的检测分析。首先采用离散小波变换对电子舌信号进行预处理,然后以集群算法优化后的BP神经网络、K近邻算法及逻辑回归算法为基分类器,分别构建Bagging、Boosting和Stacking集成学习模型对不同柠檬片进行定性区分。实验结果表明,集成学习方法聚合多个分类器对同一个问题进行学习,并通过一定的策略融合成一个学习器,与单个学习器相比,具有更好的泛化性和准确性。（3）传统的集成学习算法通常给予基分类器固定的权重,而不同的样本对不同的分类器有不同的适应性,针对这一问题,本文引入动态权重的思想,提出了一种基于集成学习和动态权重（Combination of Ensemble Learning and Dynamic weight,CELEDAT）的电子舌模式识别方法,并将其应用于对不同储存年限陈化小麦的定性分析。首先采用小波包变换对电子舌检测数据进行预处理,然后采用遗传算法、粒子群算法等集群算法参数优化后的BP神经网络、最小二乘支持向量机、随机森林以及极限学习机为基分类器,构建CELEDAT模型。实验结果表明,CELEDAT模型可以根据测试样本更有效的利用不同的基分类器,相比较于Bagging、Boosting、Stacking集成学习模型,CELEDAT模型对不同储存年限的陈化小麦具有更好的分类识别效果。
张美玲,秦丽莹[2]（2020）在《稻谷新陈度检测方法研究进展》文中指出稻谷是我国的主要粮食作物,但在粮食收购过程中,以陈顶新的事件时有发生,为了更好地完善稻谷新陈度的检测方法,本文对研究稻谷新陈度的检测方法进行了综述,以期为今后稻谷新陈度的快速检测方法提供相应支持。本文介绍了国内外研究稻谷新陈度的检测方法,其主要包括感官及物理检验法、氧化还原法、酸度检验法、挥发性物质分析法、光谱法和其他快速检测仪法,并简述其原理,同时展望了今后的研究发展前景。
国婷婷,殷廷家,杨正伟,荆晓语,王志强,李钊[3]（2019）在《基于WPT-IAF-ELM的小麦储存年限电子舌检测分析》文中研究表明为实现对不同储存年限的陈化小麦进行快速、客观的评价分析,提出基于小波包变换（WPT）、改进鱼群算法（IAF）和极限学习机的小麦储存年限电子舌检测模型（WPT-IAF-ELM）。针对电子舌输出信号复杂、数据量大的特点,采用小波包变换对原始数据进行特征值提取,以降低数据维度,缩减数据规模。在此基础上,采用改进鱼群算法优化极限学习机参数,建立小麦储存年限检测分析模型。应用该模型对5个储存年限的陈化小麦进行定性分析,结果表明:该模型具有较好的分类效果,与分别用遗传算法和粒子群优化ELM算法相比,WPT-IAF-ELM的分类效果更优,其训练集正确率、测试集正确率、总体分类精度和Kappa系数分别为96%、92%、95%和0. 91,表明提出的组合模型具有较好的分类效果。
任希艳,赵景鹏,焦洪超,王晓鹃,林海[4]（2019）在《饲用小麦熟化度快速鉴定方法的研究》文中研究指明本试验旨在选择快速、简便的方法,解决生产中小麦的新陈、是否熟化以及新陈掺杂的鉴定问题。试验选用愈创木酚法、四氮唑盐染色法、酸度指示剂法对7个品种贮存1、4、8、10、12、14周新小麦（济麦22、烟农173、烟农999、良星77、山农25、Sh5186、科源088）以及贮存1（济麦21、烟麦17）、2年的陈小麦（烟麦17）进行鉴定。结果表明:愈创木酚法在一定程度上能快速判断出小麦的新陈,但这一方法受品种影响,个别品种新陈小麦染色差异不大。四氮唑盐染色法可鉴别出新小麦是否完成熟化,以及2年内同一品种小麦的储存年限。酸度指示剂法能很好地鉴别小麦的新陈、是否完成熟化,也能对新陈掺杂的小麦进行一定区分,但不能区分陈小麦贮存年限。3种鉴别方法均存在一定的优缺点,生产中应根据实际需要加以选择。
王卓[5]（2019）在《色敏传感器结合光谱分析技术对大米储藏期的检测及装置开发》文中进行了进一步梳理大米在运输、销售等过程中,随着时间延长或者环境因素的改变,其质量会发生劣变,导致营养品质下降、食用质量降低甚至产生会毒素。目前,应用于大米陈化度的检测方法操作费时且繁琐,检测结果的准确度和稳定性也不高。因此,有必要建立一套快速、准确的大米储藏质量评定方法以及相应的检测设备。本研究根据不同储藏期大米挥发性气体的变化情况,构建了敏感度高、专一性强的色敏传感器。利用高光谱技术提取出传感器信息后,分别基于光谱信息、图像信息以及两者的融合信息对不同陈化度的大米进行分类建模,根据分类结果选择适合的信息表达方式,并在此基础上开发一套大米陈化度检测装置。本文主要研究内容为:1.大米储藏过程中特征气体的筛选分析及色敏传感器反应条件的优化。使用顶空固相微萃取与气相色谱和质谱联用（SPME-GC-MS）技术对不同储藏时间的大米挥发性气体进行检测,共检测出83种挥发性有机物质。比较分析不同储藏时间下的大米挥发性气体变化规律,发现正己醛的含量与储藏时间呈现良好的相关性。因此,本研究将正己醛作为表征大米陈化度的特征气体,在此基础上挑选了3种氟硼吡咯类色敏材料,制作了以特征气体为主要检测对象并可交互检测其它大米挥发气体的色敏传感器阵列。此外,对色敏传感器的两种反应方式进行了比较优化,最终确定使用自由发挥的反应方式在温度为55℃的条件下反应8min为最佳反应条件。2.基于色敏传感-高光谱分析技术对不同储藏时间大米的检测与分析。色敏传感器与不同储藏时间大米的挥发气体反应后,使用高光谱技术从图像信息和光谱信息上分别对色敏传感器的信息变化进行表征。实验所用大米储藏时间为0、1、2、4、6和10个月,分别用高光谱采集其图像和光谱特征。首先,使用区间联合算法（Si-PLS）筛选反应后光谱数据最佳区间,随后分别应用遗传算法（GA）、蚁群算法（ACO）和正自适应加权算法（CARS）选择最佳波长,利用K邻近算法（KNN）和线性判别（LDA）对筛选后的光谱变量进行模式识别,确定GA-Si-PLS筛选的光谱数据分类效果最佳,并以此选出5个特征图像用于提取图像数据。最后,比较光谱数据、图像数据以及两者的融合数据集构建的模型性能,发现使用GA-Si-PLS提取光谱数据变量后,当主成分数为10时,建立的LDA预测模型对大米储藏期的正确识别率最高,可达92.73%。因此,使用光谱信息用于色敏传感器颜色信息表达时分类效果最佳。3.基于色敏传感-近红外光谱分析的大米储藏时间检测系统研发。基于上一章研究结果,研制了色敏传感-近红外光谱分析的检测系统,以快速、无损检测大米储藏时间。检测系统的硬件设计按照功能分为光谱采集与处理模块、反应流程控制模块、反应进度显示模块、电源模块以及单片机最小电路。检测系统的软件设计包括单片机嵌入式开发、人机交互界面（HMI）界面编写和Windows桌面应用程序设计。检测系统制作完成后,对不同的储藏时间大米（0、1、2、4和6个月）进行检测,分别提取反应后色敏传感器的光谱数据后,进行分类建模。实验结果表明使用无信息变量消除法结合区间联合算法（UVE-Si-PLS）所提取的光谱变量经LDA算法建模后预测模型的识别率最高。当主成分数为9时,训练集的正确识别率为98.00%,预测集的正确识别率为96.00%。结果表明,所提出的色敏传感器结合光谱技术适用于大米贮藏时间的鉴定。
郑洁[6]（2018）在《陈化现象在食品中的应用及相关发展趋势》文中认为食品陈化现象是食品生产中常见的现象,然而由于研究得不够深入以及技术手段的落后,人们对于食品陈化现象还没有整体的认知。基于此,本文简要综述了陈化现象在食品领域的应用及进展。
王冬,潘立刚,刘龙海,江元卿,李安,靳欣欣,马智宏,王纪华[7]（2016）在《ATR-THz波谱结合PLS-DA对陈化小麦快速无损鉴别研究》文中研究说明采用ATP附件采集了人工控制条件老化小麦样品的太赫兹波谱数据,并在PCA综合得分基础上对数据进行分集,建立陈化小麦的快速无损鉴别PLS-DA模型,并对其进行外部验证。结果显示,针对吸收系数谱,所建模型的校正集实验组、对照组以及交互验证实验组、对照组正确率分别为84.2%,94.7%,84.2%和81.6%,外部验证集实验组、对照组正确率分别为73.7%和100.0%;针对折射率谱,所建模型的校正集实验组、对照组以及交互验证实验组、对照组正确率分别为84.2%,92%,76.3%和76.3%,外部验证集实验组、对照组正确率分别为84.2%和89.5%。研究表明,ATR-THz技术在陈化小麦无损鉴别方面具有一定的应用潜力。
张欢欢,吴小良,祁鸣,唐浩林,叶福康[8]（2016）在《小麦新陈度鉴定的现状分析和新方法探讨》文中指出对小麦的陈化原理、新陈度判定所采用的感官鉴定法和小麦储存品质指标进行详细阐述,提出目前仓储单位在小麦新陈度判定时存在的问题,对相关的研究进展进行探讨,以期找到更科学、高效、合理的鉴别小麦新陈度的新方法,解决小麦新陈度鉴定的技术难题。
戴喜末[9]（2013）在《基于直接质谱技术快速评价莲子的新陈度》文中认为莲子营养价值丰富,是一种老少皆宜的食疗佳品和着名的药食同源食物。然而,莲子在储藏过程中易于陈化,蒸煮后硬度上升,粘度下降,品质和口感出现一定程度的劣变。目前市场上的莲子品质参差不齐,新陈莲子难以辨别,传统分析方法往往需要较为繁琐的样品预处理、耗费大量的人力物力,难以实现对莲子样品进行原位、快速、准确的高通量分析。直接质谱技术是近年来发展较为迅速,应用较为广泛的新型质谱技术,本文利用其表面解吸化学电离源（Surface desorption atmospheric pressure chemical ionization, SDAPCI）和电喷雾萃取电离源（Extractive electrospray ionization, EESI）质谱直接测定不同年份莲子样品,并通过化学计量学方法对莲子的品质进行甄别,实现不同年份莲子新陈度的快速评价。主要研究内容及结果如下：1、为了实现对市场的莲子新陈度进行快速直接鉴别,本文采用SDAPCI-MS直接对新鲜和陈年莲子切面进行质谱检测,在正负离子模式下,获得新鲜和陈年莲子的质谱信息特征,结果表明,SDAPCI能够承受复杂基体莲子的影响,通过SDAPCI-MS获得不同年份莲子指纹图谱,并结合主成分分析（PCA）和反向传输人工神经网络技术（BP-ANN）对数据进行分析,正离子模式下,2012、2011、2010、2009年莲子的BP-ANN测试样本的准确率分别为82.4%、85%、100%、84%,新陈莲子的准确率分别为92.5%、91.7%；负离子模式下,2012、2011、2010和2009年莲子的BP-ANN测试样本的准确率分别为90%,85%,85%和90%,新陈莲子的准确率分别为95.0%和92%,说明正、负离子模式下,通过化学计量学方法的计算,SDAPCI能够准确的判别新陈莲子。2、为了对不同年份莲子的陈化度进行分析,本文用EESI-MS对莲子的醇提物进行检测。结果表明：电离电压、离子传输管温度、样品进样流速对离子m/z625电离萃取效果最佳时分别为3.5kV、250℃、5μl/min;莲子醇提液中生物碱丰富,通过质谱鉴定的物质有莲心碱、甲基莲心碱、莲心季铵碱、荷叶碱、O-去甲基荷叶碱等。3、为了对莲子的主要成分进一步质谱分析,本文采用EESI-MS质谱技术对莲子水提物进行检测,发现莲子水提物中还有丰富的寡糖类物质,同时,寡糖含量是快速地区分陈年莲子与新鲜莲子,及不同年份的莲子分类判别贡献率较大的变量。本文采用实验室自行研制的SDAPCI与EESI质谱技术作为研究平台,对不同年份莲子样品的质谱行为进行了系统性研究,建立了简单、快速、灵敏、有效的莲子样品质谱检测新方法,在食品安全领域研究中具有一定的创新性和广泛的应用价值。该方法为市场上谷物品质的快速鉴别提供了一种新的手段。
石礼娟[10]（2011）在《基于可见光/近红外光谱的稻米质量快速无损检测研究》文中研究表明随着社会经济的发展和人民生活水平的提高,粮食供求的主要矛盾已经从数量的不充足转变为质量的不理想。因此,建立稻米质量快速无损检测方法,无论是在育种,还是在食品加工和农产品贸易中都有重要意义。本文以不确定性人工智能理论和化学计量学理论为基础,利用数字图像处理技术、光谱分析技术、小波分析和模式识别技术研究影响稻米食用品质的三种重要品质垩白、直链淀粉含量和陈化的快速无损检测方法。为了提高机器视觉对垩白的识别精度与适应能力,在稻米垩白品质快速无损检测方面,主要研究了以下内容：（1）构建了用于图像采集的计算机视觉系统。分别在透射光与反射光环境下研究了光源、电压、背景等因素对稻米图像质量的影响,从而确定了适合稻米图像采集的最佳环境条件,即透射光条件下的最佳拍摄条件为：电压水平为6.4V,光源为LED灯组,背景为浅蓝色；反射光条件下的最佳拍摄条件为：电压水平为6.0V,光源为LED灯组,背景为深蓝色。（2）分析了透射光与反射光条件下采集的稻米图像的直方图,研究了合适的图像去噪方法与图像分割算法。通过不同色彩空间下彩色直方图与灰度直方图分析发现反射光下采集的图像的灰度分布适合稻米垩白区域的识别。设计了加权均值滤波模板,既消除了噪声,又保护了胚乳区与垩白区的边界。根据图像分割算法-最大类间方差法的适用范围确定了稻米图像在进行垩白识别时应截取的矩形区域的大小。（3）研究了具有自适应能力的垩白识别算法。该方法以不确定性人工智能理论与云模型为基础,把垩白与非垩白定义为两个定性概念,以一个不对称云和一个对称云来分别表达垩白与非垩白,以两组数字特征分别描述垩白云与非垩白云。通过对比同一电压下人工目测法、固定阈值法,云分类法的垩白大小检测结果检验云分类法的精确度,试验结果表明,云分类法比人工目测法的精确度高,云分类法与固定阈值法（即准确值）的偏差的均值为0.97,人工目测法与固定阈值法（即准确值）的偏差的均值为1.93；通过对比不同电压下人工目测法、云分类法的垩白大小检测结果检验云分类法的适应性,试验结果表明,云分类法比人工目测法的适应性好,用云分类法计算不同电压下同一粒米的垩白大小的标准差均值为0.57,人工目测法为2.29。为了建立稳定性好、预测精度高的稻米直链淀粉含量近红外光谱定量分析模型,在稻米直链淀粉含量快速检测方面,主要研究了以下内容：（1）研究了光谱采集参数对稻米近红外光谱响应特性的影响。通过对同一直链淀粉含量的稻米在不同参数下采集的光谱的统计分析,确定最佳采集参数为：扫描次数为64,分辨率为8cm-1,室内温度为15℃。（2）研究了稻米异常光谱剔除方法和光谱预处理方法。为了优化校正集,提高模型的预测精度,用基于马氏距离准则和基于预测浓度残差准则相结合的方法剔除了18条因各种主客观因素产生的异常光谱。为了消除由于基线的漂移与偏移、仪器的随机噪声、杂散光等对光谱产生干扰,提高光谱的信噪比,采用多种方法对稻米光谱进行预处理,并比较了这些方法对建模结果的影响。通过模型评价指标的比较,确定用原光谱经一阶导数与SG卷积滤波相结合的方法进行光谱预处理。（3）研究了定量分析方法对建模效果的影响。分别用逐步多元线性回归、主成分回归和偏最小二乘回归三种定量分析方法对经导数与SG卷积滤波处理后光谱建立校正模型。比较各项模型评价指标发现,偏最小二乘回归（PLS）方法建立的校正模型稳定性最好,预测值与标准值的相关系数最高,预测均方差最小。预测值与标准值相关系数为98.96%,校正均方差为0.62,预测均方差为1.19,交叉检验均方差为1.58。为了建立陈化稻米近红外光谱定性识别模型,本文主要研究了以下内容：（1）研究了陈化米和非陈化米的近红外光谱响应特性,并利用主成分分析法结合马氏距离研究了不同光谱预处理方法对聚类效果的影响,一方面确定了用稻米的近红外光谱进行定性识别的可行性；另一方面,综合考虑类内距离小,类间距离大的聚类原则,最终选择不经任何处理的原光谱参加建模。（2）研究了有效的光谱特征提取方法。用小波分析不仅能提取敏感的光谱特征信息,而且能够有效的降低高维空间数据,与支持向量机结合而成的新方法是一种有效的识别方法。利用db6小波变换得到的77个小波系数作为支持向量机模型的输入。当分解尺度为5时,数据点数由原来的2127个减少至77个（3）研究了支持向量机的模型参数选择。首先用没有内部参数的线性函数作为核函数,改变惩罚因子C,以获得最小的MSE为准则,确定了最佳的误差惩罚因子C的值为1000；然后以不同的核函数以及核函数的内部参数建立支持向量机模型,通过试验发现当核函数为径向基函数,其参数γ为16时,所建立的模型识别率达98.45%。
二、小麦陈化度鉴别方法初探（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、小麦陈化度鉴别方法初探（论文提纲范文）
（1）基于集成学习的人工电子舌及其在农产品质量检测中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 电子舌简介 |
| 1.3 国内外发展现状 |
| 1.3.1 电子舌发展现状 |
| 1.3.2 模式识别在电子舌中的应用 |
| 1.4 本课题研究内容与创新点 |
| 1.4.1 研究内容及章节安排 |
| 1.4.2 创新点 |
| 第二章 伏安电子舌检测系统设计 |
| 2.1 传感器阵列 |
| 2.2 信号调理电路 |
| 2.3 数据采集卡 |
| 2.4 上位机软件设计 |
| 2.5 本章小结 |
| 第三章 电子舌模式识别算法研究与设计 |
| 3.1 数据预处理算法设计 |
| 3.1.1 离散小波变换 |
| 3.1.2 小波包变换 |
| 3.2 单学习器模型研究与设计 |
| 3.2.1 BP神经网络 |
| 3.2.2 最小二乘支持向量机 |
| 3.2.3 K近邻算法 |
| 3.2.4 逻辑回归算法 |
| 3.2.5 随机森林 |
| 3.2.6 极限学习机 |
| 3.3 集群优化算法研究 |
| 3.3.1 遗传算法 |
| 3.3.2 粒子群算法 |
| 3.3.3 人工鱼群算法 |
| 3.4 集成学习模型构建与设计 |
| 3.4.1 bagging算法 |
| 3.4.2 boosting算法 |
| 3.4.3 stacking算法 |
| 3.5 模型算法评价标准 |
| 3.5.1 混淆矩阵 |
| 3.5.2 评价方法 |
| 3.6 本章小结 |
| 第四章 基于集成学习的电子舌预测模型对柠檬片的品质检测 |
| 4.1 实验材料与方法 |
| 4.2 电子舌响应信号 |
| 4.3 特征提取 |
| 4.4 基分类器的生成 |
| 4.4.1 GA-BPNN结果 |
| 4.4.2 KNN结果 |
| 4.4.3 逻辑回归结果 |
| 4.4.4 AF-ELM结果 |
| 4.5 集成学习实验结果 |
| 4.5.1 Bagging结果 |
| 4.5.2 Adaboost结果 |
| 4.5.3 Stacking结果 |
| 4.5.4 实验对比分析 |
| 4.6 本章小结 |
| 第五章 基于CELEDAT的电子舌预测模型对小麦储藏年限的检测 |
| 5.1 实验材料与方法 |
| 5.2 特征值提取 |
| 5.3 CELEDAT预测模型 |
| 5.3.1 基分类器 |
| 5.3.2 确定基分类器的权重 |
| 5.4 基分类器的生成 |
| 5.4.1 GA-BPNN结果 |
| 5.4.2 PSO-LSSVM结果 |
| 5.4.3 随机森林结果 |
| 5.4.4 AF-ELM结果 |
| 5.5 CELEDAT与集成学习结果对比 |
| 5.5.1 CELEDAT结果 |
| 5.5.2 集成学习分类器性能对比 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间公开发表论文及获奖情况 |
| 致谢 |
（2）稻谷新陈度检测方法研究进展（论文提纲范文）
| 1 稻谷新陈度检测相关标准 |
| 2 检测方法 |
| 2.1 感观及物理方法 |
| 2.1.1 感观检测法 |
| 2.1.2 发芽率法 |
| 2.2 氧化还原法 |
| 2.2.1 愈创木酚显色法 |
| 2.2.2 碘化钾显色法 |
| 2.2.3 焦性没食子酸显色法 |
| 2.2.4 过氧化氢酶活(CAT)测定方法 |
| 2.3 酸度检验法 |
| 2.3.1 酸性指示剂法 |
| 2.3.2 脂肪酸值法 |
| 2.4 挥发性物质分析法 |
| 2.4.1 大米中脂肪酸组成的测定 |
| 2.4.2 顶空固相微萃取-气质联用分析法 |
| 2.4.3 风味物质分析法 |
| 2.5 光谱分析方法 |
| 2.5.1 红外光谱分析(FT-IR)检测 |
| 2.5.2 拉曼光谱分析技术 |
| 2.6 其他检测方法 |
| 2.6.1 稻谷新鲜度快速检测仪 |
| 2.6.2 电导率 |
| 3 结 论 |
（3）基于WPT-IAF-ELM的小麦储存年限电子舌检测分析（论文提纲范文）
| 0 引言 |
| 1 材料与方法 |
| 1.1 实验材料及样本处理 |
| 1.2 电子舌系统 |
| 1.3 数据分析方法 |
| 1.3.1 小波包变换 |
| 1.3.2 极限学习机 |
| 1.3.3 改进人工鱼群算法优化极限学习机模型 |
| 2 结果与分析 |
| 2.1 电子舌响应信号 |
| 2.2 WPT数据预处理 |
| 2.3 基于WPT-IAF-ELM的陈化粮定性分析 |
| 2.4 模型验证及对比分析 |
| 3 结论 |
（4）饲用小麦熟化度快速鉴定方法的研究（论文提纲范文）
| 1 材料与方法 |
| 1.1 材料和试剂 |
| 1.2 试验方法 |
| 1.2.1 新陈小麦鉴定 |
| 1.2.1. 1 愈创木酚法 |
| 1.2.1. 2 四氮唑盐染色法 |
| 1.2.1. 3 酸度指示剂法 |
| 1.2.2 新陈小麦掺杂鉴别 |
| 1.2.3 小麦新陈度的定量测定 |
| 1.3 数据统计分析 |
| 2 结果与分析 |
| 2.1 愈创木酚法鉴别小麦新陈 |
| 2.2四氮唑盐染色法鉴定小麦新陈 |
| 2.3 酸度指示剂法鉴别小麦新陈 |
| 2.3.1 小麦新陈度的定性测定 |
| 2.3.2 小麦新陈度的定量测定 |
| 3 讨论 |
| 3.1 小麦新陈度的鉴别方法 |
| 3.2 对新陈小麦熟化度的鉴定 |
| 4 结论 |
（5）色敏传感器结合光谱分析技术对大米储藏期的检测及装置开发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词索引 |
| 第一章 绪论 |
| 1.1 大米陈化的检测方法 |
| 1.1.1 理化指标法 |
| 1.1.2 气味分析法 |
| 1.1.3 电子鼻技术 |
| 1.2 色敏传感器技术 |
| 1.3 高光谱成像技术 |
| 1.4 研究的目的和意义 |
| 1.5 研究的主要内容 |
| 1.6 本章小结 |
| 第二章 大米储藏过程中特征气体的筛选分析及色敏传感器反应条件的优化 |
| 2.1 引言 |
| 2.2 基于GC-MS技术对大米挥发性气体的检测研究 |
| 2.2.1 实验材料 |
| 2.2.2 实验仪器和设备 |
| 2.2.3 实验方法 |
| 2.2.4 实验结果与分析 |
| 2.3 色敏传感器反应条件的优化 |
| 2.3.1 实验材料与设备 |
| 2.3.2 实验方法 |
| 2.3.3 实验结果与讨论 |
| 2.4 本章小结 |
| 第三章 基于高光谱成像-色敏传感器的储藏期大米挥发气体检测 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 实验材料 |
| 3.2.2 高光谱图像采集 |
| 3.2.3 高光谱图像预处理 |
| 3.2.4 数据处理 |
| 3.2.5 数据处理软件 |
| 3.3 结果与讨论 |
| 3.3.1 高光谱数据判别大米储藏时间的可行性分析 |
| 3.3.2 基于光谱数据的大米储藏时间预测模型建立 |
| 3.3.3 基于图像数据的大米储藏时间预测模型建立 |
| 3.3.4 基于数据融合对大米储藏时间预测模型建立 |
| 3.4 本章小结 |
| 第四章 可见/近红外光谱-色敏传感器的大米储藏期检测装置的研制 |
| 4.1 引言 |
| 4.2 可见/近红外光谱-色敏传感器检测系统设计 |
| 4.2.1 硬件系统设计 |
| 4.2.2 软件系统设计 |
| 4.3 基于可见/近红外光谱-色敏传感器的储藏期大米挥发气体检测 |
| 4.3.1 材料与方法 |
| 4.3.2 结果与讨论 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 发表论文情况 |
| 申请专利和软件着作权状况 |
| 在研期间参加的课题 |
| 附录 |
（6）陈化现象在食品中的应用及相关发展趋势（论文提纲范文）
| 1 食品陈化的相关应用 |
| 1.1 酒类陈化过程 |
| 1.2 烘焙食物抗陈化 |
| 1.3 粮食抗陈化 |
| 2 食品陈化的相关检测方法 |
| 2.1 快速检测方法 |
| 2.2 电子鼻检测方法 |
| 3 发展展望 |
（7）ATR-THz波谱结合PLS-DA对陈化小麦快速无损鉴别研究（论文提纲范文）
| 引言 |
| 1 实验部分 |
| 1.1 材料 |
| 1.2 仪器 |
| 1.3 数据处理 |
| 2 结果与讨论 |
| 2.2 吸收系数谱数据 |
| (1)吸收系数谱主成分分析与数据分集 |
| (2)判别模型的建立与预测 |
| 2.3 折射率谱数据分析 |
| (1)主成分分析与数据分集 |
| (2)判别模型的建立与预测 |
| 3 结论 |
（8）小麦新陈度鉴定的现状分析和新方法探讨（论文提纲范文）
| 1小麦的后熟和陈化原理[1] |
| 2现行的小麦新陈度判定方法 |
| 2.1 感官鉴定法 |
| 2.1.1 色泽鉴定 |
| 2.1.2 外观鉴定 |
| 2.1.3 气味鉴定 |
| 2.2 小麦储存品质指标 |
| 2.2.1 面筋吸水量 |
| 2.2.2 品尝评分值 |
| 3现行的小麦新陈度判定方法存在的问题 |
| 3.1 感官鉴定法存在的问题 |
| 3.2 面筋吸水量存在的问题 |
| 3.3品尝评分值存在的问题 |
| 3.3.1 刚收获的新小麦品尝评分值不高 |
| 3.3.2 对操作员和品评员的要求较高,主观性大 |
| 4其它小麦新陈度鉴别的相关研究进展 |
| 4.1 过氧化氢酶活动度测定法 |
| 4.2 降落数值法 |
| 4.3 脂肪酸值法 |
| 4.3.1 近红外光谱技术 |
| 4.3.2 电子鼻技术 |
| 5结论 |
（9）基于直接质谱技术快速评价莲子的新陈度（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 莲子 |
| 1.1.1 莲子的化学成分 |
| 1.1.2 莲属生物碱 |
| 1.1.3 莲子生物活性 |
| 1.2 谷物陈化及检测手段 |
| 1.2.1 谷物陈化 |
| 1.2.2 莲子陈化 |
| 1.2.3 常用检测手段 |
| 1.3 新型质谱分析方法 |
| 1.3.1 质谱技术的概述 |
| 1.3.2 直接离子化技术 |
| 1.3.3 表面解吸常压化学电离(SDAPCI)技术 |
| 1.3.4 电喷雾萃取电离(EESI)技术 |
| 1.4 本文的课题来源、背景和意义 |
| 1.5 本文的主要研究内容 |
| 第2章 表面解吸常压化学电离质谱法评价莲子的新陈度 |
| 2.1 引言 |
| 2.2 神经网络的基本理论 |
| 2.3 材料和方法 |
| 2.3.1 实验材料 |
| 2.3.2 仪器与试剂 |
| 2.3.3 质谱分析 |
| 2.3.4 BP-ANN模型 |
| 2.4 结果与分析 |
| 2.4.1 负离子模式下莲子的SDAPCI-MS分析 |
| 2.4.2 正离子模式下莲子的SDAPCI-MS分析 |
| 2.4.3 主成分的提取 |
| 2.4.4 负离子模式下BP-ANN模型判别 |
| 2.4.5 正离子模式下新鲜莲子与陈年莲子的分类识别 |
| 2.4.6 分析速度与稳定性 |
| 2.5 本章小结 |
| 第3章 电喷雾萃取电离质谱法检测莲子的醇提物 |
| 3.1. 引言 |
| 3.2 实验部分 |
| 3.2.1 仪器与试剂 |
| 3.2.2 莲子醇溶液的制备 |
| 3.2.3 EESI-MS实验参数 |
| 3.3 结果与讨论 |
| 3.3.1 EESI-MS质谱条件优化 |
| 3.3.2 莲子醇提物EESI-MS离子流图 |
| 3.3.3 莲子生物碱EESI-MS串联质谱分析 |
| 3.3.4 不同年份莲子生物碱的差异 |
| 3.3.5 不同年份莲子醇提物的PCA分析 |
| 3.4 本章小结 |
| 第4章 电喷雾萃取电离质谱对莲子水提物的分析 |
| 4.1. 引言 |
| 4.2 实验部分 |
| 4.2.1 仪器与试剂 |
| 4.2.2 莲子水提物制备 |
| 4.2.3 EESI-MS条件 |
| 4.3 结果与讨论 |
| 4.3.1 莲子水提物的EESI-MS指纹谱图 |
| 4.3.2 莲子水提物EESI-MS离子流图 |
| 4.3.3 莲子寡糖的EESI-MS串联质谱分析 |
| 4.3.4 不同年份的莲子的主成分分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（10）基于可见光/近红外光谱的稻米质量快速无损检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 第1章 绪论 |
| 1.1 研究的目的与意义 |
| 1.1.1 稻米的消费地位 |
| 1.1.2 稻米的食用品质概述 |
| 1.2 稻米的分级标准 |
| 1.3 国内外研究进展 |
| 1.3.1 外部品质检测研究进展 |
| 1.3.2 内部品质检测研究进展 |
| 1.4 研究内容与方法 |
| 1.4.1 可见光下最佳稻米图像采集环境研究 |
| 1.4.2 具有自适应特性的垩白识别算法研究 |
| 1.4.3 基于近红外光谱的稻米直链淀粉含量快速检测模型研究 |
| 1.4.4 陈化米快速检测模型研究 |
| 第2章 可见光条件下图像采集环境研究 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 图像采集灯箱的设计 |
| 2.2.2 试验材料 |
| 2.2.3 试验方法 |
| 2.2.4 正交小波分解算法 |
| 2.3 结果与分析 |
| 2.3.1 透射光情况 |
| 2.3.2 反射光情况 |
| 2.4 本章小结 |
| 第3章 稻米图像处理基础算法研究 |
| 3.1 引言 |
| 3.2 颜色模型 |
| 3.2.1 RGB |
| 3.2.2 HSI |
| 3.2.3 颜色直方图 |
| 3.3 图像降噪 |
| 3.3.1 均值滤波 |
| 3.3.2 中值滤波 |
| 3.4 图像分割 |
| 3.5 本章小结 |
| 第4章 基于机器学习的稻米垩白识别算法研究 |
| 4.1 引言 |
| 4.2 云理论介绍 |
| 4.2.1 云理论产生的背景 |
| 4.2.2 正向云发生器 |
| 4.2.3 逆向云发生器 |
| 4.3 材料与方法 |
| 4.3.1 试验图像样本 |
| 4.3.2 直方图分析 |
| 4.3.3 基于云的垩白识别方法 |
| 4.4 结果与分析 |
| 4.4.1 算法的精确度检验 |
| 4.4.2 算法的适应性检验 |
| 4.5 群体稻米垩白参数计算 |
| 4.6 本章小结 |
| 第5章 近红外光谱技术在直链淀粉含量检测中的应用研究 |
| 5.1 引言 |
| 5.2 近红外分析技术简介 |
| 5.2.1 近红外光谱分析理论基础 |
| 5.2.2 分析流程 |
| 5.2.3 模型评价参数 |
| 5.3 光谱采集参数对近红外光谱响应特性的影响研究 |
| 5.3.1 旋转与否 |
| 5.3.2 分辨率 |
| 5.3.3 扫描次数 |
| 5.3.4 环境温度 |
| 5.4 光谱预处理方法对建模效果的影响研究 |
| 5.4.1 异常光谱剔除 |
| 5.4.2 光谱除噪 |
| 5.5 定量分析方法对建模效果的影响研究 |
| 5.6 本章小结 |
| 第6章 近红外光谱技术在陈化米检测中的应用研究 |
| 6.1 引言 |
| 6.2 实验材料与方法 |
| 6.2.1 实验材料与光谱采集 |
| 6.2.2 陈化米近红外光谱响应特性研究 |
| 6.2.3 光谱预处理方法 |
| 6.2.4 光谱特征提取方法 |
| 6.2.5 建模方法 |
| 6.3 结果与讨论 |
| 6.3.1 线性模型 |
| 6.3.2 非线性模型 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 结论 |
| 7.2 创新之处 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士期间发表学术论文 |
| 致谢 |
| 附录 |
四、小麦陈化度鉴别方法初探（论文参考文献）
- [1]基于集成学习的人工电子舌及其在农产品质量检测中的应用研究[D]. 国婷婷. 山东理工大学, 2020(02)
- [2]稻谷新陈度检测方法研究进展[J]. 张美玲,秦丽莹. 粮食科技与经济, 2020(02)
- [3]基于WPT-IAF-ELM的小麦储存年限电子舌检测分析[J]. 国婷婷,殷廷家,杨正伟,荆晓语,王志强,李钊. 农业机械学报, 2019(S1)
- [4]饲用小麦熟化度快速鉴定方法的研究[J]. 任希艳,赵景鹏,焦洪超,王晓鹃,林海. 动物营养学报, 2019(09)
- [5]色敏传感器结合光谱分析技术对大米储藏期的检测及装置开发[D]. 王卓. 江苏大学, 2019(02)
- [6]陈化现象在食品中的应用及相关发展趋势[J]. 郑洁. 食品安全导刊, 2018(24)
- [7]ATR-THz波谱结合PLS-DA对陈化小麦快速无损鉴别研究[J]. 王冬,潘立刚,刘龙海,江元卿,李安,靳欣欣,马智宏,王纪华. 光谱学与光谱分析, 2016(07)
- [8]小麦新陈度鉴定的现状分析和新方法探讨[J]. 张欢欢,吴小良,祁鸣,唐浩林,叶福康. 粮食加工, 2016(03)
- [9]基于直接质谱技术快速评价莲子的新陈度[D]. 戴喜末. 南昌大学, 2013(02)
- [10]基于可见光/近红外光谱的稻米质量快速无损检测研究[D]. 石礼娟. 华中农业大学, 2011(04)