基于残差网络模型的速溶全脂奶粉分散性与堆积密度检测方法

针对传统的奶粉品质国际标准检测方法中存在的主观性和滞后性等问题,本研究提出了一种基于残差网络(residual network,ResNet)的奶粉分散性和堆积密度的快速分类检测方法。在本研究中,使用的数据集包括499张在10倍光学显微镜下拍摄的速溶全脂奶粉颗粒微观分布图像,这些图像来自10个不同的样本组。首先,按照国际标准方法检测这10组样本的分散性和堆积密度,进而基于测试结果划分不同的分散性和堆积密度级别。随后,利用这些微观图像对ResNet模型进行训练,以实现对不同样本的有效分类。最终,通过分类结果预测速溶全脂奶粉的分散性、松散密度和振实密度。此外,本研究还对比了ResNet、EfficientNetV2和SwinTransformer等不同深度学习模型的预测效果。结果表明,基于ResNet152的深度学习模型在预测速溶全脂奶粉的分散性、松散密度和振实密度方面表现最佳,其在测试集上的准确率分别达到97.50%、98.75%和95.00%。这些深度学习模型在奶粉品质检测中的出色性能不仅证明了该方法能够实时、准确地预测奶粉的分散性和堆积密度,同时也为奶粉品质的在线检测提供了新的技术途径。

牛奶罐装运输全过程质量控制研究

文章探讨了牛奶从奶牛场到加工厂的全程质量检测过程,重点分析各个环节的关键检测技术及其重要性。研究表明,从奶牛场开始,通过监控饲养环境、饲料质量和挤奶过程的卫生条件,确保了牛奶初期质量。挤奶后,通过初步冷却和细菌、农药残留检测,进一步保障牛奶安全。罐装运输过程需保持适当温度,并通过实时监控和定期抽样检测防止牛奶变质。到达加工厂后,牛奶需进行全面检测,包括微生物检测、理化检测和感官评定,确保最终产品符合食品安全标准。文章还讨论了牛奶质量安全检测中的挑战,如样品前处理的复杂性、检测设备的灵敏度与准确性以及质量安全管理体系与标准,并提出了基于物联网、区块链和人工智能技术的改进措施。

基于图像分析技术的全脂奶粉品质软测量模型构建

针对传统奶粉品质检测方法的主观性和滞后性问题,该研究利用奶粉的加工条件和颗粒形态构建了一个基于图像分析技术和人工智能算法的奶粉品质软测量模型,用于准确、实时地预测速溶全脂奶粉的分散性和溶解性这2个重要品质性能。利用显微数码摄像头和图像处理技术,获取了奶粉颗粒的形态参数。同时,利用重采样技术解决了奶粉工厂原始数据集中的数据不平衡问题。根据实验获取的奶粉颗粒形态参数和奶粉工厂提供的奶粉生产时的加工条件数据,选用偏最小二乘模型和人工神经网络模型构建了速溶全脂奶粉分散性和溶解性的软测量模型,并利用原始数据验证了所构建模型的准确性。结果表明,用于预测奶粉分散性和溶解性所构建的偏最小二乘模型的Q^(2)和R^(2)分别为Q^(2)=0.72,R^(2)=0.94和Q^(2)=0.85,R^(2)=0.95,而用于预测奶粉分散性和溶解性所构建的人工神经网络模型的R^(2)分别为0.97和0.96。模型的良好性能证明,这些模型可以准确、实时地预测奶粉的分散性和溶解性,并为奶粉品质的在线检测提供了新的方法。

基于人工智能的集成食品检测技术应用与展望

人工智能与快速检测技术的结合为食品检测领域带来了显著的变革,推动了食品安全、质量和真实性鉴别能力的提升。介绍了基于人工智能的集成食品检测技术的应用现状。在化学检测和生物污染检测方面,人工智能结合快速检测技术有效提高了食品安全检测的效率和准确性。在食品质量检测方面,人工智能结合快速检测技术被广泛应用于水果、肉制品、水产品以及其他食品的品质评估,通过高效的数据分析和智能识别,实现了对食品品质的精准评价。此外,人工智能在食品真实性鉴别中的应用,包括掺假检测和地理可追溯性技术,保障了食品的真实性和可靠性。特别是当区块链技术与人工智能相结合时,基于区块链的追溯系统通过透明和不可篡改的记录确保食品的全程可追溯性,同时人工智能算法能够实时分析食品流通环节中的数据,识别潜在的风险和异常。这些技术的集成不仅能提升食品检测的整体水平,也可为未来的智能食品检测系统构建奠定基础。

基于热解工艺制备烟熏液对西冷牛排风味特征及消费者接受度的影响

采用热解工艺,在450℃和氮气保护条件下利用桃木制备烟熏液风味剂,研究其对西冷牛排风味特征的影响及消费者接受度。液熏过程采用不同质量分数的烟熏液和腌制时间处理牛排。首先通过焦点小组测试总结描绘牛排感官属性的描述词,并以词云的形式进行可视化呈现。然后基于Check-All-That-Apply法和主成分分析进行风味评价,结果表明,热解烟熏液大幅提升了牛排关于烟熏风味特征的描述词出现次数,包括“温和的烟熏味”“烧烤味”“熟牛肉香味”“肉香味”“深色的外观”“耐咀嚼”和“爆汁”等。相关性分析结果表明液熏牛排的总体偏好与气味偏好和味道偏好呈正相关。化学性质分析表明本研究中使用的烟熏液浓度相对较低,并未对液熏牛排样品的水分含量、脂肪含量和pH值产生显著影响。

基于改进加权融合算法的动力定位数据融合

为提高动力定位的精度,装备有动力定位系统的船舶通常会配备多个相同和不同类型的传感器对其状态进行测量.针对采用不同类型传感器的场合,提出了一种改进自适应加权融合算法.该算法可以更准确地计算各个传感器的方差,提高数据融合的精度.另外,针对采用相同类型传感器的场合,提出了一种改进权值动态分配算法.利用迭代方法解决了权值动态分配法需要保存历史数据的问题,提高了算法的实时性.仿真结果表明,在传感器类型不同时,改进自适应加权融合算法的精度明显高于传统自适应加权融合算法;在传感器类型相同时,改进权值动态分配算法的精度和实时性均高于传统自适应加权融合算法和改进自适应加权融合算法.

动力定位中跟踪环境力突变的自适应无迹卡尔曼滤波（英文）

无迹卡尔曼滤波可以在状态估计中滤去噪声干扰,已经被广泛应用于动力定位系统中。针对复杂海洋情况下动力定位系统需要准确、及时地估计当前时刻的状态而无迹卡尔曼滤波无法跟踪状态突变的问题,为此文章提出了一种自适应无迹卡尔曼滤波。通过及时判断状态值突变并适当调整后验均方差矩阵,可有效地跟踪船舶状态并减小实际位置与定点位置的偏差。仿真实验证明了算法的有效性。

机器学习和大数据在食品领域的应用

近年来,食品行业经历了显著变化。全球化、技术进步以及不断变化的消费者需求推动了该行业的持续发展和创新。作为先进的新兴技术,机器学习和大数据在食品行业中发挥着越来越关键的作用。机器学习和大数据在食品领域的应用密切相关。机器学习通过模式识别和数据分析挖掘食品生产和供应链的关键信息,而大数据技术支持大规模数据处理,提供更全面的决策视角。这两者共同推动了食品研究创新和产业发展。利用机器学习对大数据集进行深入分析,可以预测食品趋势、改进生产流程、优化供应链。该文介绍了机器学习和大数据在食品工业的应用现状,涵盖了机器学习和深度学习技术、自适应神经模糊推理技术以及机器学习在食品检测中的多维应用,如机器学习算法与近红外光谱技术结合的食品检测技术、计算机视觉在食品领域的应用,以及机器学习算法和智能传感器结合的实时食品检测技术。分析了大数据面临的技术挑战(数据缺乏真实性、完整性及数据标注困难等),提出了潜在的解决方案(区块链技术及数据增强与预处理技术),并展望了机器学习技术在食品研究领域的未来发展趋势。此外,随着“食品工业4.0”的到来,食品工业正迎来快速发展,智能农业、机器人农业、无人机、3D打印、数字孪生等由机器学习衍生出的前沿技术将进一步崭露头角。面对如此多的创新和改进机遇,食品行业也将面临智能生产和可持续性等问题。最后,讨论了食品行业未来可能面临的挑战和发展方向。

基于自适应无迹卡尔曼滤波的动力定位状态估计

针对复杂海洋情况下由模型的不准确导致的过程噪声变化使得无迹卡尔曼滤波估计精度下降的问题,提出一种自适应无迹卡尔曼滤波方法.该方法根据一段时间内观测值与后验估计值的偏差,自适应估计出当前时刻的过程噪声.仿真结果表明:当过程噪声发生变化时,自适应无迹卡尔曼滤波可以较为准确估计出变化的过程噪声,提高状态估计的准确性,使滤波结果更加准确.