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。

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。