基于力-声学特性的鸡蛋微小裂纹在线检测方法

针对目前国内外禽蛋流水线在线裂纹检测中微小裂纹检测的难题,通过外部压力增大微小裂纹信息,并结合声学方法实现多维度禽蛋微小裂纹的无损检测。对20枚不同位置的微小裂纹蛋进行压碎实验,选取压力范围为0~6 N,采集无损蛋与微小裂纹蛋的振动音频信号,结合功率谱分析、PCA主成分分析,选出工业流水线条件下最适宜增大微小裂纹信息的外部压力为5 N,最佳扫频范围为3 000~7 500 Hz。实验中,对320枚鸡蛋进行检测,分别构建基于反向传播神经网络（BPNN）、概率神经网络（PNN）和最小二乘支持向量机（LS-SVM）的鸡蛋微小裂纹检测模型,其中,基于LS-SVM的鸡蛋微小裂纹检测模型最优,测试集中无损蛋与微小裂纹蛋的识别率分别达到98.3%和95%,且流水线每小时可在线检测约3 600枚鸡蛋。

基于振动及EEMD-CMAC算法的鸭蛋散黄在线检测

针对鸭蛋长期存储以及运输过程中造成的散黄问题,构建一种基于振动信息的鸭蛋散黄在线检测流水线,可实现鸭蛋的自动触压和随动检测。通过磁致伸缩振子对鸭蛋扫频振动进行音频信息增强,对音频振动信号进行集合经验模态分解,并通过主成分分析进行降维提取主要特征,基于此,构建基于小脑神经网络的鸭蛋散黄检测模型。试验中,对320枚鸭蛋进行检测(训练集200枚,测试集120枚),结果表明,基于累积贡献率达98.14%的前5个主成分的鸭蛋散黄检测模型训练集和测试集识别率分别达98.66%和97.03%,每枚鸭蛋在线检测时间约1 s。研究表明,所研制的检测流水线基于磁致伸缩振子扫频激励未知品质鸭蛋,再结合EEMD-CMAC进行鸭蛋散黄检测是可行的,可满足流水线在线检测的要求。

群贤共聚 同商共计

在专利战“烽烟四起”的背景下,我们邀请以下专家学者和企业代表参与讨论,为国内企业的知识产权之路出谋划策。

基于气流脉冲和结构光成像的牛肉嫩度检测方法

针对传统牛肉嫩度检测速度慢、精度低的问题,提出了基于气流脉冲结合结构光3D成像的牛肉嫩度快速无损检测方法。首先,利用脉冲气流对牛肉表面进行冲击,同时通过结构光3D成像获取待测牛肉表面凹陷区域的三维点云信息;然后,采用去噪、点云分割、贪婪投影三角化、Delaunay三角化、曲面拟合等算法进行点云处理,获得牛肉表面凹陷区域的深度、映射面积、表面积和体积等信息;基于此,分别建立基于最小二乘支持向量机回归(LSSVR)、BP神经网络和广义回归神经网络(GRNN)的生鲜牛肉剪切力预测模型;结果表明,GRNN模型预测表现最佳,预测集相关系数为0.975,均方根误差为5.307 N。采用基于Kfold交叉验证的GRNN神经网络对牛肉嫩度等级进行预测,结果显示该方法对较嫩牛肉分级效果较好,为100%,对较老牛肉分级效果稍差,为91.3%。研究表明,基于气流脉冲结合结构光3D成像进行牛肉剪切力以及嫩度快速、无损检测是可行的。

基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究（英文）

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7d后,以5min为间隔在纯净水中分别浸泡5~30min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据Rp的变化趋势,得到最佳浸泡时间为22.1min,实际上,精确度超过0.95(Rp)需要5min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。