一、粮食水分快速检测中的几个关键问题（论文文献综述）
王启阳[1]（2021）在《基于机器学习的储粮品质预测方法及应用研究》文中研究表明粮食是关系国计民生的战略物资,是人类赖以生存的必需品。粮食安全关涉经济发展、社会稳定,是国家安全的重要基础。粮食储备是保障国家粮食安全的重要物质基础,是从生产到消费中不可或缺的环节。在粮食储备过程中会发生数量损失和质量损失,其中质量损失会造成粮食的变质和腐败,如果人类食用了腐败变质的粮食,会对健康产生不良的影响。因此,研究如何减少储粮质量损失、提高储粮品质在提升国家粮食安全水平、保障人民身体健康等方面具有重要的理论价值和现实意义。随着机器学习方法的不断发展和创新,计算机硬件与软件的快速提升、云计算的逐步应用,机器学习在粮情大数据分析和预测方面的应用前景更加广阔。传统的储粮品质通过物理、化学等实验室检测方法获得,该方法需要经过繁杂的扦样、检测等步骤,增加了储备粮管理的操作决策周期以及粮食严重变质的风险。粮情大数据具有数据采集快、数据量大等特点,本文以机器学习方法为基本思想,提出了2种基于支持向量回归的储粮品质预测模型及其相应的优化算法。在充分考虑储粮数据特性的基础上,选择出相关的储藏因子作为模型的输入特征,对储存期间稻谷的脂肪酸值和品尝评分值的预测展开深入研究,充分发挥了机器学习方法在储粮状态判别与品质预测方面的优势。本文的重要研究结果总结如下:（1）基于粮情数据的储粮品质分析与建模方法研究通过收集大量的储粮数据,对稻谷储藏期间品质的变化规律展开研究。探讨了储粮品质的传统数据拟合方法、机器学习预测方法,对比了传统数据拟合预测方法和机器学习预测方法在储粮品质预测中的优点与不足,讨论了机器学习预测方法在储粮品质预测中的适用性。基于该认知,给出了基于机器学习的储粮品质预测的一般过程,在粮情数据的基础上,给出了建模过程中的输入特征参数、预测目标等问题。（2）数据预处理方法研究对储粮温度历史数据中出现的重复、缺失和异常情况进行了分析和处理,利用均值法修复重复检测数据、采用线性插值法对缺失的温度数据进行修复,提出一种基于滑动窗口的粮温预测算法对异常温度数据进行判断。对粮库经度、纬度、仓房类型、初始水分、测量水分、入仓月份、扦样月份、粮食平均温度、粮仓平均温度、储藏周期、粮食有效积温、粮仓有效积温、初始品尝分值、初始脂肪酸值等储藏因子间的相互作用进行综合分析,确定了储藏因子之间存在着强相关性,采用主成分分析法（PCA）对原始储藏因子进行降维和压缩处理,从14个储藏因子中提取前6个主成分作为新的模型自变量,为储粮品质预测模型的参数选择提供了依据。（3）基于多核学习的储粮品质预测模型单核学习模型的预测精度很大程度上取决于核函数及其参数的选择,而核函数的选择及构造尚未有统一的理论依据,用单一的核函数建立的模型往往难以得到理想的拟合精度。因此,本文在单核支持向量回归（SKSVR）的基础上构建多核支持向量回归（MKSVR）,采用Simple MKL算法对MKSVR模型进行参数寻优,将MKSVR模型用于稻谷储存品质的预测。基于东北地区稻谷储存品质数据集,建立了PCA-MKSVR模型,并与单径向基核函数的PCA-SKSVR模型、线性回归的PCA-MLR模型以及未经过储藏因子筛选的MKSVR模型、SKSVR模型、MLR模型进行了比较。实验结果表明,多核学习模型在预测精度、拟合优度上均优于单核学习模型。对比同类模型,即PCA-MKSVR模型与MKSVR模型、PCA-SKSVR模型与SKSVR模型、MLR模型与PCA-MLR模型进行比较,采用PCA对储藏因子降维处理后的模型,预测精度与拟合优度均高于用原始储藏因子直接建立的预测模型。因此,多核学习模型适用于储藏期间稻谷储存品质的预测。（4）基于多任务与多核学习的储粮品质预测模型常规的单任务学习方法需要对不同的预测模型进行单独训练,往往忽略了多个模型之间来的潜在联系,限制了模型的泛化性能。而多任务学习（MTL）是将多个任务放在一起同时学习,充分挖掘不同任务之间的相关性,实现多个模型或任务之间的信息共享。针对稻谷储存品质的两个关键指标,本文在单任务学习的基础上提出多任务学习的储粮品质预测方法,建立了多任务与多核学习模型（MTMKL）,采用一种基于镜面下降算法的交替优化算法对所提出的模型进行参数优化,并将MTMKL模型用于稻谷储存品质的预测。实验结果表明,MTMKL模型对稻谷脂肪酸值的预测相关系数达到了0.885,对品尝评分值的预测相关系数达到了0.933。相比MKSVR模型,脂肪酸值预测的MAE,RMSE,MAPE结果分别降低了9.48%,6.05%,9.60%,R2提升了0.009;品尝评分值预测的MAE,RMSE,MAPE结果分别降低了11.66%,12.39%,11.97%,R2提升了0.005,这说明MTMKL模型能够有效提高稻谷储存品质的预测精度,可以作为储粮品质预测的一种新方法。（5）储粮安全预警系统的开发与模拟应用通过系统的需求分析和功能设计,设计了储粮安全风险预警策略,预警等级总共可分:Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级。在此基础上,提出储粮安全预警系统的设计框架,基于Lab VIEW语言和机器学习模型,设计和开发了一套储粮安全预警与品质预测软件,实现了储粮品质的预测。以吉林省榆树市某粮库的实际粮仓为例对系统进行了验证,结果表明,系统运行情况良好,对脂肪酸值的预测误差在±1.5 mg/100g以内,品尝评分值预测误差在±1分以内。该系统以粮情大数据和机器学习为基础,实现了对储粮品质的准确、快速预测,大大降低了储粮品质检测过程中的经济成本,降低粮食储存过程中严重变质的风险,为储粮质量的精确控制提供了技术支持,对储粮安全管理具有指导意义。
贾鹏禹[2]（2021）在《植物激素与品质高效检测方法的建立及其在大豆中的应用》文中指出植物激素是作物生长和种子品质形成的重要生命调节物质,种子品质的形成是不同生长历程的最终反馈。调研发现,现行植物激素和品质检测方法很难满足深层次研究需求,大豆植物激素随不同时空、不同胁迫和化学调控的变化规律尚不明确,大豆中重要的品质化合物受化学调控变化研究尚有不足,因此新方法建立及其应用具有重要意义。本研究以提升检测方法为基础,以目标化合物的变化规律为方法应用目标,在生理方面建立了高效经济的植物激素检测方法,在品质方面建立了快速有效的脂肪酸和植物甾醇测定方法,考察了不同测试方法的检测效果;以黑龙江主栽品种合丰50和垦丰16为研究对象对方法进行了应用,揭示了植物激素含量的时空变化、胁迫变化和化学调控变化规律,探讨了烯效唑调控对大豆脂肪酸和植物甾醇品质形成的影响。主要研究结果和结论如下:1.比较了不同检测方法对4种植物激素（ZT、IAA、GA3和ABA）检测的方法学能力。结果表明,超快速液相色谱较高效液相色谱法的分离速度快、灵敏度高,但受检测器灵敏度的限制,样品基体干扰较大;三甲基重氮甲烷衍生结合气质联用具有方法适用性,但仅适用于含羧酸基团的目标化合物;采用液质联用方法灵敏度得到进一步提高,但样品前处理操作步骤较为繁琐,检测效率受样品前处理影响较大;在线固相萃取方法自动化能力强,检测限在0.20 ng/m L～1.01 ng/m L之间,重复性相对标准偏差在2.54%～4.83%之间,但方法有设备依赖性。2.创建了基于超高效液相色谱-质谱联用的高效经济检测方法。采用真空冷冻干燥技术处理样品,超声波辅助溶剂提取目标化合物,改进的Qu ECh ERS方法净化基体,色谱分离采用Phenomenex Kinetex F5色谱柱（50 mm×3.0 mm ID,2.6μm,100?）,以甲酸/水体系梯度洗脱目标组分,质谱检测器采用正负同时扫描MRM模式。该方法4种植物激素在3 min内完成分离,各目标组分在0.1 ng/m L～100 ng/m L浓度范围内呈现良好的线性关系,方法检测限在0.015 ng/m L～0.078 ng/m L之间,相对标准偏差在0.16%～0.25%之间。方法样品前处理简便经济,检测效率高,样品用量少。3.基于气相色谱结合高压转印样品前处理方式建立了大豆中脂肪酸组成的快速测定方法,采用介质阻挡放电氦等离子体结合短柱恒压分离模式以提升方法的灵敏度、分离效果和分析效率。大豆样品中10种脂肪酸组分在30 min完成高分辨率检测,各目标化合物检测限在0.105μg/m L～0.196μg/m L之间,相对标准偏差在1.04%～1.35%之间。方法所需样品量小,化学试剂消耗少,样品前处理简单快速,测定结果重现性好。4.基于气相色谱-质谱联用建立了大豆中植物甾醇含量的快速测定方法,样品中目标物采用异辛烷萃取,氢氧化钾-乙醇-水体系超声波辅助皂化脂肪,萃取物无需硅烷化衍生直接上机分析。大豆样品中4种植物甾醇检测灵敏度在0.098μg/m L～0.206μg/m L之间,相对标准偏差在1.16%～1.97%之间。所建方法样品前处理简单快速,无需衍生化处理,能够精确测定植物甾醇含量。5.采用新方法对大豆植物激素进行了时空变化、胁迫变化和化学调控变化规律考察。结果表明,大豆植物激素在日间发生快速和系统性变化,受光温变化敏感;不同植物激素在不同生长时期呈现其独有的时空特性,含量水平随生理部位和个体存在差异;在受到逆境胁迫后,植物激素的平衡被快速打破,不论是低温还是干旱胁迫,促进型植物激素和抑制型植物激素基本表现为相反的变化趋势,其中促进型植物激素含量普遍降低;在烯效唑对大豆生长的调控中,烯效唑发挥延缓作用的关键植物激素是赤霉素和生长素,其调控机制相当于对植物的一种定向胁迫,通过外源生长素和赤霉素可快速解除烯效唑的药效。6.对初花期喷施烯效唑对大豆脂肪酸和植物甾醇品质影响进行了考察。结果表明,烯效唑对不同品种大豆脂肪酸和植物甾醇组成均产生了显着影响。在脂肪酸组成方面,外源烯效唑降低了大豆多不饱和脂肪酸的含量,烯效唑的调控过程可能参与了脂肪的降解;在植物甾醇含量变化方面,烯效唑的调控显着降低了不同品种大豆中菜油甾醇、豆甾醇和谷甾醇的含量,对不同含油品种的植物甾醇影响略有差异,表现为对高油品种的影响偏弱。烯效唑对品质形成的影响小于品种基因,对大豆生产具有安全性。综合以上结果,本研究通过技术集成创新建立了植物激素、脂肪酸和植物甾醇高效检测方法,利用新方法的技术优势深入揭示了大豆生长发育和化学调控中植物激素与品质变化规律,为大豆栽培研究提供了新的方法策略和规律认知。
王冬,吴静珠,韩平,王坤[3]（2021）在《光谱关键变量筛选在农产品及食品品质无损检测中的应用进展》文中研究表明农产品及食品的品质与安全一直以来都是人们关注的焦点,不仅关系着人们的身体健康,而且关系着社会稳定甚至国家安全。由于农产品及食品的品质不合格引发的安全事件备受社会各界的广泛关注。对农产品及食品的品质的监管长久以来都是分析检测领域的重点和难点。我国人口众多,对农产品和食品的消费量非常大。面对如此大量农产品及食品品质的无损快速检测需求,光谱法以其快速、无损、高效、环境友好、可现场检测等诸多特点,为农产品及食品品质的无损快速分析提供了良好的解决方案。然而,传统的光谱法在检测过程中所使用的数据量十分庞大,不仅在建立校正模型过程中会消耗大量时间,而且难以完成大量农产品及食品的品质在线高通量无损快速检测。大量数据的计算成为限制光谱类分析仪器工作效率的主要瓶颈之一,并且大量数据的计算对仪器设备的硬件配置也提出了非常高的要求,从而间接地提高了光谱分析技术的应用成本。近年来,关键变量筛选技术脱颖而出,并成为光谱分析的一个新热点。通过筛选,采用少量关键变量建立校正模型即可得到和全谱数据建模准确度相差无几的分析结果,从而可以有效提高分析仪器的工作效率并间接地降低光谱分析技术的应用成本,进而为农产品及食品品质的高通量检测提供了可靠的技术支持、为满足人民日益增长的美好生活需要提供科技保障。针对光谱关键变量筛选在粮食及粮食作物、蔬菜、水果、经济作物、肉类、食品品质与安全领域的无损检测应用进行综述,对光谱关键变量筛选技术的应用从筛选方法、应用范围、应用效果等方面进行了分类总结归纳,并就光谱关键变量筛选技术在农产品及食品品质无损检测中的应用从变量筛选方法特点及趋势、所选变量的稳定性和可靠性、所选变量的实际意义等方面进行了展望。
韩伟[4]（2021）在《淀粉水分在线测量系统的研究与设计》文中研究说明淀粉是我们生产和生活中一种常见的原料,它在很多领域都有着重要的应用价值。淀粉含水量是判断淀粉品质的一项重要指标,为了保证质量,国家标准规定成品淀粉的含水量不得超过14%。国内的大多数淀粉厂商对生产线上淀粉含水量的检测通常是用人工经验检测或者离线检测,难以保证淀粉水分检测的可靠性与实时性,国外科技含量较高的在线水分检测系统价格昂贵,难以普及到国内的诸多淀粉生产线。而且淀粉水分的检测在整个淀粉生产环节中起到至关重要的作用,生产线上的各种仪器参数都要根据淀粉的实时水分来调节。所以,为了满足国家标准,同时使淀粉成品的含水量尽量接近14%,使得淀粉厂商的利益达到最大值,利用现有的技术手段和先进算法,研究设计出一款性能可靠,低成本的淀粉水分在线检测系统具有重要意义。本文依据不同含水量的淀粉具有不同的物理性质,利用多传感器信息融合,采用神经网络算法与虚拟仪器技术相结合,设计了满足淀粉厂现场生产要求的淀粉水分在线测量系统。在课题研究中,本人首先了解了玉米淀粉的生产流程与淀粉中水分的存在形式,以及依据不同原理的粮食水分测量方法,从中选取了电阻法、电容法和超声波法融入所设计的系统中。其次系统的介绍了淀粉水分测量系统的硬件系统和软件系统设计,硬件系统与课题要求相匹配,自主设计了用于淀粉测量的电容传感器和电阻传感器,对传感器的转换电路,电路各个部分的原理和参数选择进行了介绍,对超声波传感器、数据采集卡等其它硬件设备进行了选型;软件系统以Lab VIEW为基础搭建上位机平台,包括数据的采集,数据运算处理,数据的存储等,设计了功能丰富的人机界面,对神经网络进行了设计,使其匹配水分检测系统。最后,通过实验,测得不同淀粉所对应的电阻值,电容值,超声波速度,以及在不同温度下对这些参数的影响,建立了淀粉水分与其多个物理性质之间的数学模型,发现在淀粉含水量为10%-20%的范围内,随着淀粉水分含量的升高,淀粉的电阻值呈对数关系下降,淀粉的电容值会升高,淀粉的超声波速会降低,为不同含水量淀粉的传感器参数的融合提供了理论依据,通过电子卤素水分测定仪的离线水分测量,对系统进行了对比验证,证明了本文所设计的系统性能可靠,实现了淀粉水分的在线测量。同时总结了在这个过程中的工作,对下一步的研究进行了展望。本课题所设计的淀粉水分在线测量系统具有高可靠性,成本低,满足淀粉生产线对淀粉水分检测设备的要求,对其它食品生产线的水分检测也有重要意义。
付兴兰[5]（2020）在《LIBS快速测量土壤元素的影响因素及方法研究》文中认为实现农业现代化是我国农业发展的重要发展战略,而现代农业的发展依赖于精细化管理和科学化指导。土壤元素的精准感知可以为科学管控提供可靠的数据支撑,对指导精细农业生产非常重要。然而常用的土壤元素检测方法测量时间久,过程繁琐,虽然精度较高,但无法满足现代农业现场快速检测的要求。因此急需开发一种快速、高效和精准的土壤元素分析方法。激光诱导击穿光谱（Laser-induced breakdown spectroscopy,LIBS）技术具有检测快速,几乎无需样品预处理,可实现现场原位分析等优点,目前已经成功的应用于环境监测、太空探索、食品安全、工业检测和医学诊断等领域的多元素同时检测,被誉为未来分析领域的“巨星”。目前LIBS技术应用于土壤元素分析已经取得关注和认可。但是由于土壤基体复杂、元素形态各异、部分元素含量低且存在水分和尘土影响等问题,对LIBS技术的灵敏度和精准度提出了挑战,制约了LIBS技术在土壤检测中的发展。因此,探索快速高精度的分析方法及消除影响因素是LIBS应用于土壤元素快速检测的关键。本文基于LIBS技术,采用不同的吸附策略,分别提出了三种LIBS分析方法,实现了对土壤速效钾、不同价态铬和微量镉的快速精准检测。针对实际土壤含水率变化对LIBS土壤元素现场快速检测存在影响的问题,系统研究了含水率的影响规律并有效降低了水分的影响,提高了定量精度。针对LIBS便携式仪器快速测量土壤元素时存在的主要问题,对仪器的样品容纳池进行了改进,提高了样品测量准确性。本文主要研究内容和结果如下:（1）土壤速效钾的LIBS分析方法研究。针对目前LIBS技术难以区分土壤钾元素形态的问题,提出了树脂膜提取结合LIBS的分析方法。利用树脂膜的提取特性对土壤速效钾进行提取,然后通过LIBS烧蚀树脂膜得到土壤速效钾的含量。结果表明,采用树脂膜提取土壤速效钾10分钟,得到了定标曲线的可决系数（Determination coefficient,R2）为0.99,速效钾的检测限和定量限分别为2.2 mg/kg和7.3 mg/kg。该方法用于实际土壤样品速效钾检测,测量平均相对误差（Average relative error,ARE）为2.58%。该方法解决了目前LIBS技术无法测量土壤速效钾的难题,同时避免了常规检测方法的繁琐前处理和化学提取,简化了实验步骤且缩短了检测时间。（2）土壤不同价态铬的LIBS分析方法研究。土壤中六价铬（Cr,VI）毒性是三价铬（Cr,III）的百倍以上,因此有必要对不同价态铬区分检测。但LIBS技术不具备元素价态直接区分检测的能力,因此提出了树脂选择性吸附辅助LIBS的分析方法。利用特异性树脂吸附Cr（VI）,分离土壤中的Cr（VI）和Cr（III）,然后采用LIBS测定吸附前的总Cr溶液和吸附了Cr（VI）的树脂,得到总Cr和Cr（VI）的含量,二者相减得到Cr（III）的含量。结果表明,树脂5分钟可实现Cr（VI）的吸附分离,三种价态铬的定标曲线的R2均大于0.99。该方法用于三种不同地区实际土壤的检测,三种价态铬的测量ARE均小于13.11%。该方法不仅解决了目前LIBS技术无法进行土壤不同价态铬区分检测的困难,还避免了常规检测方法的化学提取,缩短了分析时间。（3）土壤微量镉的LIBS分析方法研究。针对LIBS技术检测灵敏度低,无法满足土壤微量Cd元素高灵敏检测需求的问题,提出树脂吸附结合空间约束装置的LIBS增强新方法。采用树脂吸附土壤中的Cd元素,然后通过空间约束装置辅助LIBS测量树脂,实现了土壤微量Cd元素的高灵敏检测。结果表明,相比于传统压片法,利用树脂吸附后将检测浓度降低了10倍,配合空间约束装置将光谱信号增强了2-5倍。采用该方法进行定量分析,Cd元素定标曲线的R2为0.993,检测限可达0.13 mg/kg,达到我国土壤污染风险管控标准检测要求（0.3 mg/kg）。将该方法应用于三种不同地区实际土壤的检测,Cd元素的测量ARE为8.44%。（4）土壤含水率对LIBS土壤元素分析的影响和消除方法研究。要实现土壤元素的LIBS现场快速检测,难以进行水分的烘干。但实际土壤含水率变化较大,会对测量结果产生影响。因此,系统的研究了土壤含水率对LIBS检测土壤元素的影响规律并消除水分的影响。首先以土壤中Cu、Pb、Cr、Al、Ca、Fe、Na、Si、Mg、K和H元素为例进行分析,结果表明随着土壤含水率的增加,除H元素外,其他元素光谱信号的强度和SBR均呈现下降趋势,所有元素的相对标准偏差（Relative standard deviation,RSD）均呈上升趋势。然后以土壤中Cu、Pb、Cr和K元素为例进行定量分析,结合不同的化学计量学算法对光谱数据进行预处理,有效的降低了含水率的影响。经对比,最大值归一化算法的消除效果最佳,将各个元素校正集的RV2从0.86-0.89提高至0.97-0.99,交叉验证集的RP2从0.85-0.88提高至0.92-0.95,校正集均方根误差（Root-mean-square-error of calibration,RMSEC）和预测集均方根误差（Root mean square error of prediction,RMSEP）分别降低了54%-67%和22%-43%。（5）LIBS便携式仪器快速测量土壤元素误差分析及样品容纳池改进。LIBS便携式仪器快速测量土壤元素时存在尘土飞溅和同一样品难以多次测量等问题,导致土壤元素定量精度低。针对上述问题,对仪器的样品容纳池进行了改进。以土壤中Cu、Cr、Pb和Cd元素为例进行了对比定量分析,结果表明,采用改进后的样品容纳池进行检测,将四种元素的定标曲线的R2从0.521-0.675提高到0.993-0.998,四种元素交叉验证的RSD分别小于15.5%、17.3%、13.3%和19.7%,RE分别小于12.5%、13.4%、13.3%和15.3%。相比于原始的样品容纳池,改进后的样品容纳池不仅减少了尘土飞溅,同时实现了样品多次测量,减少了样品装样次数,提高了样品测量准确性。本论文围绕LIBS应用于土壤元素分析存在的技术性难题,提出了土壤速效钾、不同价态铬和微量镉的快速精准分析方法;为了实现LIBS土壤元素的现场快速测量,分析了土壤含水率对LIBS土壤元素分析的影响规律和物理机制,采用化学计量学算法有效的降低了含水率的影响;通过改进LIBS便携式仪器的样品容纳池,减少了尘土飞溅,实现了一次装样多次测量,减少了样品装样次数,提高了样品测量准确性,为LIBS技术应用于土壤元素的现场快速检测奠定了技术基础。
马广宇[6]（2020）在《平行板电容式水稻含水率在线检测装置的优化设计》文中认为中国是世界水稻产量最高的国家,水稻也是我国的第一大粮食作物。水稻含水率的准确测定是水稻收获后安全贮藏的重要因素。为提高农业智能化程度,提升水稻含水率在线检测精度,根据水稻含水率介电特性差异性变化,对平行板电容式水稻含水率在线检测装置进行了优化设计。本文的主要工作包括以下四个方面:（1）本文以平行板电容式水稻含水率在线检测装置为研究对象,采用Comsol有限元分析软件针对电容极版结构与边缘效应变化关系进行了二维电场分析。利用Design Expert设计专家针对极板厚度、极板间距和相对面积对边缘效应的影响采取了响应面优化的Box-Behnken设计试验,得到边缘效应影响最低的极板结构。（2）对装置的机械结构进行了优化设计。设计了双重极板检测结构和抽拉式排粮机构。选用具有高集成度的MCF51AC125芯片设计了测量电路,配合上位机监测系统实现对水稻含水率数据的实时采集等功能。（3）建立水稻含水率NARX预测模型。对模型的优化算法、神经元数量、滞后阶数进行对比分析,选出模型的最优结构参数。对含水率预测模型进行训练,得出模型的含水率预测误差范围。（4）进行实验室静态含水率检测和水稻烘干现场在线测试。测试结果与105℃恒重法水稻含水率检测结果进行对比分析,验证优化设计后的平行板电容式水稻含水率在线检测装置的稳定性和准确性。
张驰[7]（2020）在《融合微波和声波的粮食水分和温度检测技术研究》文中认为粮食水分和温度是粮食仓储过程中的重要参数,将它们控制在适当范围是保证储粮安全的重要手段,而目前粮食水分检测方法费时费力,无法实现就仓在线检测。虽然有如红外法、谐振腔微扰法、电容法等方法可以实现在线检测,但它们感知区域有限,检测结果对于储粮水分缺乏代表性。微波透射法具有较好的穿透性,可以适用于大范围粮食的水分检测,但是检测结果受粮食体密度和温度影响较大。当前储粮温度检测中大量采用的传感器会严重干扰微波信号,这制约了微波透射法在储粮水分检测领域的应用,因此在粮仓中微波透射法需要与一种非侵入式测温方法配合使用。声波测温法是一种非侵入式的测温方法,因其具有较好的穿透性使它适合与微波透射法结合应用于储粮检测领域。本文为融合微波和声波检测技术实现储粮水分和温度的检测,主要工作和创新成果如下:第一,研究粮食复介电常数测量方法。本文运用仿真方法研究终端开路的同轴复介电常数探头应用于粮食测量领域时的设计约束,研究结果显示探头感知区域半径需达到粮食颗粒长度的2.5倍以上,而且在1～5 GHz频率范围探头感知区域半径近似随着内导体半径的增大而线性增大。在此基础上设计制作了适用于颗粒长度小于10 mm小麦的复介电常数测量探头,并且在考虑样品槽对电磁场影响的情况下,采用模式匹配法建立探头端面反射系数的解析模型,利用最小二乘法实现模型正问题求解（由被测小麦复介电常数计算探头端面反射系数）,利用窄带扫频法和卷积神经网络算法实现模型逆问题求解（由探头端面反射系数计算被测小麦复介电常数）。第二,建立粮食水分、温度、体密度与复介电常数的关系模型。通过测量12组湿基水分在1.1%～25.4%范围的硬白冬小麦样品在15～35℃、1～5 GHz的复介电常数,分析频率、水分和温度对复介电常数的影响。分析结果显示在1～5 GHz范围,小麦介电常数随着频率的增大而减小,小麦损耗因子随频率的变化与水分相关,当湿基水分小于7.9%时损耗因子随着频率的增大而减小,而当湿基水分大于等于7.9%时损耗因子随着频率的增大而增大。频率固定时,小麦介电常数随湿基水分的增大而增大,损耗因子随着湿基水分增大呈现先缓慢增大再快速增大最后慢速增大的趋势。小麦介电常数和损耗因子都随着温度的增大而增大,并且增大程度随频率增大而减小,随湿基水分的增大而增大。在此基础上,将小麦看作干物质、结合水、游离水和空气的混合物建立小麦的复介电常数模型（R2>0.99）,并且温度对模型的影响可以采用一组线性函数修正。此外,通过解耦模型可以分别得到小麦湿基水分模型（R2>0.99）和小麦体密度模型（R2>0.97）。第三,建立粮食水分、温度、体密度与粮食中声速的关系模型。通过测量12组湿基水分在1.1%～25.4%范围的硬白冬小麦在低、中、高三种体密度下和15～25℃下的声速,发现500～1500 Hz声速随着频率的增大而增大,这种变化趋势可以用二次曲线拟合。对于同频率的声波,声速随着湿基水分的增大呈现先减小后增大的特性,这种趋势也可以用二次曲线拟合。对于确定水分的小麦,声速随着温度的增大而增大,随着体密度的增大而减小。在此基础上,本文建立了描述小麦中声速与湿基水分、温度和体密度关系的模型（R2>0.97）。此外,考虑到小麦水分是通过影响小麦堆中的孔隙尺寸进而影响声速,本文利用等效流体JCA（Johnson-Champoux-Allard）模型和粒子群算法实现小麦堆中平均孔隙尺寸的估计,并且研究发现平均孔隙尺寸随着水分的增加呈现先缓慢减小后增大的现象。第四,提出融合微波和声波的粮食水分、温度和体密度检测技术。为解决粮堆水分、温度、体密度对多种电子传感器存在交互影响问题,本文采用微波和声波透射法相结合的检测方法,通过测量粮食的复介电常数和粮食中的声速,并结合复介电常数模型和粮食中声速模型实现水分、温度和体密度的计算。在此基础上,设计搭建实验装置验证本文提出方法的有效性。通过测量实验装置未装入粮食时（空气作为填充介质）微波信号的时延和衰减以及声波信号时延实现实验装置的校准。在考虑仓储小麦常见的湿基水分范围下,采用湿基水分范围:11.8%～17.2%、温度范围:25～35℃、体密度范围:737～790 mg/cm3的12组样品作为实验对象验证本文提出方法的有效性,实验结果显示湿基水分测量绝对误差小于0.7%、温度测量绝对误差小于0.9℃、体密度测量绝对误差小于10mg/cm3。
朱冰洁[8]（2020）在《粮食霉变和芽变的快速检测技术研究》文中研究指明粮食发生霉变或芽变后,各种品质均会严重劣变,这些变质粮食在粮食储藏期间还会影响正常粮食的稳定性,因此,需要在粮食入库环节进行严格检测,避免变质粮食进入粮堆。本课题研究以过氧化氢酶活性作为唯一检测指标,解析粮食的霉变和芽变状况,以期构建一种能替代现有常规方法,满足粮食入库、调运环节现场应用需求的粮食霉变、芽变快速检测技术。研究了粮食霉变、芽变快速检测技术的检测介质制备方法。选用了高速搅拌洗涤工艺制取粮食表面洗涤液,用于检测粮食的霉变状况。与常规液体振荡洗涤制取法相比,高速搅拌洗涤制备工艺的最终检测值变异系数更小,操作时间可缩短10～20倍。粮食表面洗涤液制备检测液工艺的最优条件确定为称取100 g粮食于搅拌容器中,直接添加500 mL自来水,维持搅拌转速2300（r·min-1）40 s,用滤网滤出粮食即为粮食霉变检测液。粮食芽变检测选用籽粒高速粉碎、匀浆提取工艺,称取5 g粮食于搅拌容器中,添加200 mL不超过5℃的水,控制转速18400(r·min-1)、搅拌破碎粮食2 min,悬浊液经4500 rpm离心2 min,取粮食破碎匀浆的上清液作为粮食芽变检测液。研究了本项目新建立的酶活性快速检测方法对霉变粮食的检测效果,结果显示,本方法的检测稳定性高,对不同霉变度的粮食样品分别做8次重复试验,同一霉变度样品的检测值没有显着差异（P>0.05）。本检测法受操作人员的人为因素影响小,3个不同熟练程度的操作人员对同一粮食样品进行酶活性检测,检测值也没有显示显着差异（P>0.05）。将酶活性检测、经典的带菌量检测方法分别与现用的霉变粒计数技术进行比较,发现两种检测方法与不同比例霉变粒小麦检测值的相关性系数分别为0.99与0.97;进一步比较几种检测方法对粮食霉变过程的检测特性,显示酶活性快速检测法更加灵敏,可提前8 d～12 d发现粮食的霉变状态。将酶活性快速检测技术用于不同粮食种类及多个品种的霉变相关性检测,结果表明,品质正常的小麦和稻谷,不同品种间的粮食籽粒外部洗涤液的酶活性检测值有一定的差异,但均低于显着霉变粮食的酶活性检测值:3种正常小麦的外部洗涤液酶活性均未超过300 U/100g,3种正常稻谷的外部洗涤液酶活性值均低于500 U/100 g。当粮食在较高水分条件下发生霉变时,酶活性检测值会大幅度升高,水分18%的小麦在30℃下储藏3 d后的酶活性值升高可超过原始样品的1000倍。将酶活性快速检测技术在大型粮库中进行了实际应用试验,采集粮库大批量收购的小麦和玉米样品,分别用粮库常规的霉变粒计数法和本试验的酶活性检测法进行比较,结果表明,当人工计数法未检出霉变粒时,小麦籽粒的外部洗涤液酶活性低于300 U/100 g,玉米籽粒的外部洗涤液酶活性低于500 U/100 g;当人工计数发现粮食的霉变粒含量为>0、<2%时,粮食外部洗涤液的酶活性均超过500 U/100 g,对于霉变粒含量超过2%的不合格粮食,粮食籽粒外部洗涤液的酶活性检测值均超过1000 U/100 g。实际应用效果表明,本项目研究建立的粮食霉变快速检测技术适用于粮食入库现场使用。将粮食粉碎匀浆提取液进行酶活性检测作为粮食芽变的快速检测方法,试验结果表明,虽然不同品种粮食籽粒匀浆提取液的酶活性存在明显的差异,但没有发芽迹象的3种稻谷的破碎匀浆提取液的酶活性均小于150 U/g,10种小麦的破碎匀浆提取液的酶活性均不超过400 U/g。在粮食发芽过程中,酶活性呈快速升高趋势,发芽2 d的小麦较正常小麦的酶活性升高4.25倍。本试验采用的过氧化氢酶快速检测与常规检测粮食发芽的a-淀粉酶活性检测具有较好的相关性,对4个样品的检测比较,检测值的相关性系数均≥0.96,但采用本实验的过氧化氢酶活性检测具有简便、快速的特征,可使检测耗时降低5倍。对酶活性法检测粮食芽变的效果进行研究发现,本项目方法可检出肉眼不易发现的粮食芽变,小麦浸水3～15 h的无芽颗粒的匀浆提取液的酶活性可分别升高9%～89%。进一步分析芽麦经干燥和去芽处理对粮食籽粒匀浆提取液的酶活性检测和生芽粒检测的影响,结果表明,干燥去芽处理会隐藏粮食的生芽迹象,人工肉眼检测的粮食生芽粒含量将显着降低,但采用本项技术检测的酶活性值均明显高于正常小麦,说明酶活性快速检测法对于粮食的芽变有较好的甄别效果。
申婷婷[9]（2020）在《水稻叶片逆境胁迫生理与重金属信息快速检测方法研究》文中研究表明水稻是我国重要粮食作物,种植面积约占世界水稻总面积的1/6。水稻种植过程中,重金属污染会严重毒害水稻组织,激发逆境生理响应抵御重金属胁迫伤害,影响植株正常生长,造成水稻产量品质下降。重金属从生态环境向水稻根-茎-叶-籽粒组织进行传递积累,通过食物链影响人体健康。快速检测重金属污染胁迫下水稻叶片逆境生理信息和重金属积累规律,既有利于及时有效监测水稻生长逆境胁迫效应和重金属污染,又便于水稻绿色生产的精准管理和调控,保证粮食安全。本研究综合应用高光谱成像技术和激光诱导击穿光谱技术,重点开展重金属（Cd、Cu）胁迫下水稻叶片逆境生理信息和重金属积累量快速检测方法研究,构建水稻叶片还原型抗坏血酸（As A）、还原型谷胱甘肽（GSH）和游离脯氨酸（FP）等逆境生理信息高光谱快速检测方法和可视化技术,研究基于不同激光波长、环境气氛和热解处理的水稻叶片重金属Cd和Cu快速定量检测方法,构建重金属元素特征指数检测方法体系,实现重金属早期胁迫下水稻叶片逆境生理和重金属元素的快速检测。主要研究结论如下:（1）建立了重金属胁迫下水稻叶片逆境生理信息的高光谱成像快速检测方法和分布可视化模型。应用高光谱成像技术跟踪检测了不同重金属胁迫（Cd和Cu）、胁迫时间（5、10、15和20 d）、胁迫浓度（0、5、25、50和100μM）下水稻叶片生理信息As A、GSH和FP含量变化,发现随胁迫时间增加As A和GSH含量间相关性逐渐增加,叶片光谱强度呈显着性差异。建立了基于全谱和特征变量的偏最小二乘（PLS）、最小二乘支持向量机（LS-SVM）和极限学习机（ELM）模型,实现了As A、FP和GSH含量快速定量检测模型,Cd胁迫下全谱模型Rp分别为0.9623、0.9566和0.9190,Cu胁迫下全谱模型Rp分别为0.8965、0.9501和0.9082;采用遗传算法（GA）、竞争性自适应加权采样法（CARS）和PLS加权回归系数（Bw）三种特征变量筛选方法,Cd胁迫下最佳模型Rp分别为0.9684、0.9624和0.9426,Cu胁迫下最佳模型Rp分别为0.9235、0.9576和0.104;应用最佳检测模型,实现了水稻叶片As A、FP和GSH含量可视化分布。（2）建立了三种不同激光波长参量优化的水稻叶片Cd和Cu元素LIBS检测方法。采用三种（1064、532和266 nm）激光波长,系统分析比较了不同延时时间和激光能量下Cd和Cu信号强度、稳定性（相对标准偏差）和灵敏性（SBR和SNR）变化规律及对等离子体温度和密度的影响规律,确定了LIBS最优系统参量,建立了水稻叶片重金属快速定量检测的单变量和多变量模型。结果表明,检测Cd的三种波长（1064、532和266 nm）最优延时时间均为2μs,能量分别为80、80和21 m J,波长为532 nm时PLS模型预测精度最高,Rp为0.9883;检测Cu的三种波长（1064、532和266 nm）最优延时时间均为3μs,能量分别为80、80和21 m J,波长为266 nm时PLS模型预测精度最高,Rp为0.9813。（3）提出了基于氩气环境调控增强的水稻叶片Cd和Cu元素LIBS快速定量检测方法。研发了氩气环境调控装置,探明了氩气环境和空气环境下Cd和Cu信号随延时时间和激光能量变化规律,明确氩气环境可明显提升Cd和Cu信号强度、SBR和SNR,比空气环境下信号增强3倍以上;确定了氩气环境下Cd和Cu检测最佳延时时间均为3μs,积分时间分别为9和16μs,激光能量分别为80和21 m J。建立了氩气环境下水稻叶片Cd和Cu的定量检测模型,单变量分析下Cd I 228.80 nm最佳检测效果Rp为0.9809,多变量分析下LS-SVM模型最佳检测精度Rp为0.9913;单变量分析下Cu I 327.39最佳检测效果Rp为0.9485,多变量分析下PLS模型最佳检测精度Rp为0.9655。（4）提出了基于热解处理信号增强的水稻叶片Cd和Cu元素LIBS快速定量检测方法。探明了不同热解升温速率、升温终点温度对Cd和Cu信号强度、稳定性和灵敏性的影响规律,发现热解处理可以明显降低水稻叶片检测的RSD,稳定性明显增强,SBR和SNR逐渐增加,确定Cd和Cu最佳升温速率均为10℃/min,终点温度均为300℃。建立了热解处理质量损失率换算模型和重金属含量定量检测模型,单变量分析中Cd I 228.80nm最佳预测Rp为0.9801,多变量分析下LS-SVM模型最佳预测Rp为0.9933;单变量分析下Cu I 327.39最佳预测Rp为0.9598,多变量分析下PLS模型最佳预测Rp为0.9853。（5）建立了水稻叶片Cd和Cu元素LIBS特征指数方法体系。通过LIBS全光谱变量挖掘发现,水稻叶片Cd在211.48-232.46 nm波段LS-SVM模型最佳Rp为0.8949,Cu在319.48-339.95 nm波段PLS模型最佳Rp为0.9557;建立了区间偏最小二乘（i PLS）、后向间隔偏最小二乘算法（bi PLS）、GA和Bw特征变量筛选定量模型,结果表明单色仪光谱下i PLS筛选85个变量获得Cd最佳检测模型Rp为0.9425,中阶梯光谱下bi PLS筛选1835个变量获得Cu最佳检测模型Rp为0.9383;首次构建了Cd和Cu定量检测的特征指数模型,其中基于i PLS-GA的特征指数Cd1最高Rp为0.9259,基于i PLS-Bw的特征指数Cu3最高Rp为0.9540。构建了全光谱分析、特征变量筛选、灵敏谱线定位、元素特征指数构建的重金属LIBS快速定量检测方法体系,有利于作物重金属污染检测和防治。
朱洁[10]（2020）在《基于高光谱的单粒软硬麦鉴别及水分预测方法》文中研究指明小麦是我国重要的农作物之一,在现代农业中占有重要的地位。小麦硬度的遗传比较简单,早代选择有效,同时软硬麦在颗粒度、吸水能力等方面具有较大差异,导致用途不同。而且当单粒小麦籽水分偏离正常值时会引起自身一系列反应,高水分小麦籽极易发生冻害从而使发芽率降低,若不及时处理会造成大量的损失。本文将高光谱技术应用于单粒软硬麦鉴别及水分检测,为挑选优质小麦种子提供一种快速鉴别方法。主要研究内容和结论如下:1.基于高光谱成像技术结合化学计量学方法,应用于单粒软硬麦鉴别。建立了基于SVM、KNN、CNN和CNN迁移学习的单粒软硬麦鉴别模型。收集国内外不同产地、不同品种、不同收获年份的小麦样品共50份,挑选出2500粒小麦籽进行高光谱图像采集,使用物性分析仪测出小麦样品硬度,其中软麦有781粒,混合麦有113粒,硬麦有1606粒。探讨不同化学计量学方法对单粒软硬麦鉴别模型的影响。基于SVM方法建立的单粒软硬麦定性鉴别模型,其准确率为83.21%,而基于KNN方法建立的单粒软硬麦定性鉴别模型,其准确率为85.21%。同时设计了适用于本课题的卷积神经网络结构,建立单粒软硬麦定性鉴别模型,其准确率达到了88.50%。也使用卷积神经网络迁移学习,实现了基于高光谱成像技术的单粒软硬麦鉴别,最终InceptionNet-V3网络模型预测集上的准确率上升至94.00%,在测试集上的识别率为92.80%。有效地完成了对单粒软硬麦的鉴别。研究表明,使用基于高光谱成像技术对单粒小麦籽进行无损软硬鉴别,可取得较精确和稳定的检测结果,基于高光谱图像对单粒软硬麦鉴别在方法上是可行的。2.基于高光谱技术结合偏最小二乘回归法对单粒小麦籽水分进行定量预测。将小麦籽分为腹沟向上（记为A面）和腹面向上（记为B面）分别进行光谱扫描。利用A面与B面的光谱数据分别构成MA、MB、MC和MD 4种预测模型,其中模型MA与模型MB分别由A面与B面的光谱数据构成,模型MC由单粒小麦籽A面与B面的平均光谱构成,模型MD由A面与B面光谱共同构成。使用偏最小二乘回归法建立预测单粒小麦籽水分的模型,实验结果表明,这4个模型的预测性能由高到低的次序是模型MD、模型MC、模型MA和模型MB,即模型MD具有最佳预测效果,因为模型MD将A面与B面小麦的光谱数据混合在一起具有较好的鲁棒性。对于模型MD,经过1阶微分和标准正态变换预处理后,其RMSEC为1.20%,RC为0.93;而RMSEP为1.36%,RP为0.90。结果表明,利用高光谱对单粒小麦籽水分检测在方法上是可行的。同时还利用已经建立的基于PLSR的单粒小麦籽水分预测模型MD,结合高光谱成像技术去获得单粒小麦籽的水分分布图,实现了整盘的单粒小麦籽水分可视化。研究表明,利用高光谱技术对单粒软硬麦鉴别及水分检测在方法上是可行的。此外利用高光谱成像技术结合已建立的PLSR水分预测模型,绘制出小麦籽水分分布图,将单粒小麦籽的水分可视化,通过单粒小麦籽的水分分布图能定位水分不正常的粒籽,为今后研究在线检测和自动剔除水分异常的单粒小麦籽提供参考。
二、粮食水分快速检测中的几个关键问题（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、粮食水分快速检测中的几个关键问题（论文提纲范文）
（1）基于机器学习的储粮品质预测方法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 粮食安全问题仍是中国未来发展面临的挑战 |
| 1.1.2 储存损失已成为中国粮食安全的潜在威胁 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 储粮品质研究现状 |
| 1.3.2 机器学习算法 |
| 1.3.3 机器学习在粮食储藏中的应用 |
| 1.4 论文的研究目标与研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 本文的结构 |
| 第2章 基于粮情数据的储粮品质分析与建模方法研究 |
| 2.1 引言 |
| 2.2 储粮生态区的选择 |
| 2.3 数据检测方法与标准 |
| 2.3.1 粮情数据采集 |
| 2.3.2 扦样方法 |
| 2.3.3 水分测定 |
| 2.3.4 品尝评分值测定 |
| 2.3.5 脂肪酸值测定 |
| 2.4 储粮数据处理与统计规律分析 |
| 2.4.1 储藏温度变化规律 |
| 2.4.2 储粮水分变化规律 |
| 2.4.3 储粮品质变化规律 |
| 2.5 数据驱动的储粮品质预测方法研究 |
| 2.5.1 储粮品质预测方法研究 |
| 2.5.2 数据驱动的预测方法分析 |
| 2.6 基于机器学习方法的储粮品质预测过程 |
| 2.6.1 建模过程 |
| 2.6.2 预测过程 |
| 2.7 本章小结 |
| 第3章 数据预处理方法研究 |
| 3.1 引言 |
| 3.2 粮温数据预处理方法研究 |
| 3.2.1 重复及缺失的历史温度数据修复方法 |
| 3.2.2 异常的历史温度数据判断方法 |
| 3.3 基于滑动窗口的粮温预测算法 |
| 3.3.1 预测模型的建立 |
| 3.3.2 滑动窗口算法 |
| 3.3.3 不同参数选择分析与讨论 |
| 3.4 预测因子的筛选与处理 |
| 3.4.1 数据统计 |
| 3.4.2 主成分分析法的基本原理与过程 |
| 3.4.3 主成分分析结果 |
| 3.5 本章小结 |
| 第4章 基于多核学习的储粮品质预测模型研究 |
| 4.1 引言 |
| 4.2 多核学习理论 |
| 4.2.1 多核学习方法 |
| 4.2.2 单步多核学习算法 |
| 4.2.3 两步多核学习算法 |
| 4.3 基于多核学习的储粮品质预测模型 |
| 4.3.1 多核支持向量回归模型 |
| 4.3.2 模型优化算法 |
| 4.4 实验与分析 |
| 4.4.1 实验数据介绍 |
| 4.4.2 实验设置与评价指标 |
| 4.4.3 多核学习模型的影响因素 |
| 4.4.4 脂肪酸值预测结果分析 |
| 4.4.5 品尝评分值预测结果分析 |
| 4.4.6 不同模型的对比实验 |
| 4.5 本章小结 |
| 第5章 基于多任务与多核学习的储粮品质预测模型研究 |
| 5.1 引言 |
| 5.2 多任务学习理论 |
| 5.2.1 基本概念 |
| 5.2.2 多任务学习的正则化模型 |
| 5.3 基于多任务与多核学习的储粮品质预测模型 |
| 5.3.1 多任务与多核学习框架 |
| 5.3.2 模型优化算法 |
| 5.4 实验与分析 |
| 5.4.1 实验设置与评价指标 |
| 5.4.2 多任务与多核学习模型的影响参数分析 |
| 5.4.3 样本数量对多任务与多核学习模型的影响 |
| 5.4.4 多任务与多核学习模型预测结果分析 |
| 5.5 本章小结 |
| 第6章 储粮安全预警系统的设计与开发 |
| 6.1 引言 |
| 6.2 储粮安全预警系统的构建 |
| 6.2.1 软件系统需求分析 |
| 6.2.2 系统功能分析 |
| 6.2.3 系统功能设计 |
| 6.2.4 警级规则制定 |
| 6.2.5 系统流程图 |
| 6.3 系统功能模块实现 |
| 6.3.1 登陆访问模块 |
| 6.3.2 数据连接 |
| 6.3.3 数据清洗 |
| 6.3.4 预测模块 |
| 6.3.5 文件保存 |
| 6.4 系统运行效果的验证及分析 |
| 6.4.1 实仓基本信息 |
| 6.4.2 结果与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 特色与创新 |
| 7.3 本文工作不足与展望 |
| 参考文献 |
| 作者简介及在学期间研究成果 |
| 攻读博士学位期间参与的项目 |
| 致谢 |
（2）植物激素与品质高效检测方法的建立及其在大豆中的应用（论文提纲范文）
| 中英文缩略语对照表 |
| 摘要 |
| Abstract |
| 1 文献综述 |
| 1.1 研究背景 |
| 1.2 植物激素检测方法的研究进展 |
| 1.2.1 早期检测方法 |
| 1.2.2 高效液相色谱法 |
| 1.2.3 气相色谱-质谱联用法 |
| 1.2.4 液相色谱-质谱联用法 |
| 1.2.5 样品前处理方法 |
| 1.3 部分品质检测方法的研究进展 |
| 1.3.1 气相色谱法测定大豆中脂肪酸的含量 |
| 1.3.2 气相色谱-质谱联用法测定大豆中植物甾醇的含量 |
| 1.4 大豆生长发育特点和常见的非生物胁迫 |
| 1.5 生长调节剂烯效唑对植物激素和品质的调控效应 |
| 1.5.1 烯效唑在作物生产中的应用和效果 |
| 1.5.2 烯效唑对植物激素的调控效应 |
| 1.5.3 烯效唑对大豆相关品质的调控效应 |
| 1.6 本研究的目的和意义 |
| 1.7 本研究的内容和技术路线 |
| 1.7.1 本研究的主要内容 |
| 1.7.2 本研究的技术路线 |
| 2 材料与方法 |
| 2.1 试剂与材料 |
| 2.2 主要仪器设备 |
| 2.3 供试样品品种及实验基地情况 |
| 2.4 检材培养方法 |
| 2.5 实验设计与方法 |
| 2.5.1 液相色谱测定植物激素的方法 |
| 2.5.2 气相色谱-质谱联用测定植物激素的方法 |
| 2.5.3 超高效液相色谱-质谱联用测定植物激素的方法 |
| 2.5.4 在线固相萃取-液相色谱-质谱联用测定植物激素的方法 |
| 2.5.5 快速样品前处理-液相色谱-质谱联用测定植物激素的方法 |
| 2.5.6 气相色谱测定大豆中脂肪酸的方法 |
| 2.5.7 气相色谱-质谱联用测定大豆中植物甾醇的方法 |
| 2.5.8 不同生长状况下大豆植物激素的测定 |
| 2.5.9 烯效唑调控下大豆脂肪酸含量的测定 |
| 2.5.10 烯效唑调控下大豆中植物甾醇含量的测定 |
| 3 结果与分析 |
| 3.1 液相色谱测定植物激素的含量 |
| 3.1.1 方法的系统适应性比较 |
| 3.1.2 不同分离通道对植物激素测定的比较 |
| 3.1.3 超快速液相色谱系统的优化 |
| 3.1.4 检测方法学比较 |
| 3.1.5 检测性能比较 |
| 3.2 气相色谱-质谱联用测定植物激素的含量 |
| 3.2.1 系统适应性 |
| 3.2.2 衍生化方法的选择和优化 |
| 3.2.3 方法学考察 |
| 3.3 超高效液相色谱-质谱联用测定植物激素的含量 |
| 3.3.1 系统适应性 |
| 3.3.2 样品前处理方法和检测系统的优化 |
| 3.3.3 方法学考察 |
| 3.4 在线固相萃取-液相色谱-质谱联用测定植物激素的含量 |
| 3.4.1 系统适应性 |
| 3.4.2 在线SPE柱的选择和分离系统的优化 |
| 3.4.3 在线SPE与检测系统阀切换的优化 |
| 3.4.4 方法学考察 |
| 3.5 快速样品前处理-超高效液相色谱-质谱联用测定植物激素的含量 |
| 3.5.1 系统适应性 |
| 3.5.2 样品前处理方法的优化 |
| 3.5.3 溶剂效应对目标化合物响应的影响 |
| 3.5.4 方法学考察 |
| 3.6 气相色谱测定大豆中脂肪酸的含量 |
| 3.6.1 不同载气输送模式下的系统适应性考察 |
| 3.6.2 不同检测器的灵敏度比较 |
| 3.6.3 快速测定方法的系统优化 |
| 3.6.4 方法学考察 |
| 3.7 气相色谱-质谱联用测定大豆中植物甾醇的含量 |
| 3.7.1 系统适应性 |
| 3.7.2 样品前处理方法的优化 |
| 3.7.3 方法学考察 |
| 3.8 植物激素测试方法的应用及其含量变化 |
| 3.8.1 不同生长时期大豆叶片植物激素的含量变化 |
| 3.8.2 大豆功能叶片中植物激素日间含量变化 |
| 3.8.3 低温胁迫下大豆苗期叶片植物激素含量变化 |
| 3.8.4 干旱胁迫下大豆苗期植物激素含量变化 |
| 3.8.5 烯效唑对大豆苗期植物激素的调控及其恢复 |
| 3.9 脂肪酸测试方法的应用及其含量变化 |
| 3.10 植物甾醇测试方法的应用及含量变化 |
| 4 讨论 |
| 4.1 植物激素检测方法的建立 |
| 4.1.1 植物激素检测方法效能的比较和影响因素 |
| 4.1.2 目标化合物与仪器配置要素的关系 |
| 4.1.3 样品处理方法的选择与优化 |
| 4.1.4 自动化样品前处理方法的选择与优化 |
| 4.1.5 植物激素检测方法的最优化策略 |
| 4.1.6 植物激素检测方法的检测流程 |
| 4.2 大豆品质检测方法的建立 |
| 4.3 不同生理状态下大豆植物激素的变化规律 |
| 4.4 脂肪酸的调控响应变化规律和影响 |
| 4.5 植物甾醇调控响应及变化规律 |
| 4.6 大豆植物激素与品质的内在联系 |
| 5 结论 |
| 6 创新与展望 |
| 6.1 创新点 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（3）光谱关键变量筛选在农产品及食品品质无损检测中的应用进展（论文提纲范文）
| 引言 |
| 1 光谱关键变量筛选在粮食及粮食作物品质无损检测中的应用 |
| 2 光谱关键变量筛选在蔬菜品质无损检测中的应用 |
| 3 光谱关键变量筛选在水果品质无损检测中的应用 |
| 4 光谱关键变量筛选在经济作物品质无损检测中的应用 |
| 5 光谱关键变量筛选在肉类品质无损检测中的应用 |
| 6 光谱关键变量筛选在食品品质与安全无损检测中的应用 |
| 7 结论 |
（4）淀粉水分在线测量系统的研究与设计（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景和意义 |
| 1.3 国内外研究现状 |
| 1.4 本文研究内容与章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 第二章 淀粉水分在线检测方法研究 |
| 2.1 玉米淀粉的生产及应用 |
| 2.1.1 玉米淀粉的生产流程 |
| 2.1.2 玉米淀粉的应用 |
| 2.2 常见水分测量方法 |
| 2.2.1 淀粉中水分存在形式 |
| 2.2.2 水分检测方法 |
| 2.3 在线测量系统概述 |
| 2.4 本章小结 |
| 第三章 淀粉水分测量系统硬件设计 |
| 3.1 测量系统硬件总体设计 |
| 3.2 电容传感器设计 |
| 3.2.1 常见电容检测电路 |
| 3.2.2 CAV444介绍及应用 |
| 3.2.3 电容信号转换成电压信号电路设计 |
| 3.2.4 边缘效应的去除 |
| 3.3 电阻传感器设计 |
| 3.3.1 电阻测量方法介绍 |
| 3.3.2 电阻信号转换成电压信号电路设计 |
| 3.4 超声波传感器 |
| 3.5 其它硬件选型 |
| 3.5.1 数据采集卡 |
| 3.5.2 电子卤素水分测量仪 |
| 3.5.3 计算机配置 |
| 3.5.4 温湿度传感器 |
| 3.6 本章小结 |
| 第四章 淀粉水分测量系统软件设计 |
| 4.1 虚拟仪器 |
| 4.1.1 Lab VIEW开发环境简介 |
| 4.1.2 数据采集 |
| 4.1.3 基于Lab VIEW的 GUI界面设计 |
| 4.2 BP神经网络 |
| 4.2.1 BP算法理论 |
| 4.2.2 BP神经网络的程序实现 |
| 4.2.3 BP神经网络设计 |
| 4.3 本章小结 |
| 第五章 实验及分析 |
| 5.1 实验样品处理 |
| 5.2 实验数据采集 |
| 5.3 实验数据处理与分析 |
| 5.4 神经网络训练 |
| 5.5 误差分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文及其它成果 |
（5）LIBS快速测量土壤元素的影响因素及方法研究（论文提纲范文）
| 主要英文缩写表 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 土壤元素检测方法 |
| 1.3 LIBS技术的发展 |
| 1.3.1 LIBS技术简介 |
| 1.3.2 LIBS技术的优势 |
| 1.3.3 LIBS技术的发展历程及应用 |
| 1.4 LIBS技术检测土壤元素的研究进展 |
| 1.4.1 土壤营养元素检测的研究进展 |
| 1.4.2 土壤重金属元素检测的研究进展 |
| 1.4.3 土壤元素的LIBS检测灵敏度提升方法的研究进展 |
| 1.4.4 LIBS便携式仪器检测土壤元素的研究进展 |
| 1.4.5 问题与不足 |
| 1.5 研究内容及方法 |
| 1.6 本章小结 |
| 第2章 实验装置及分析方法 |
| 2.1 实验装置 |
| 2.1.1 激光器 |
| 2.1.2 光谱仪 |
| 2.1.3 系统的时序控制 |
| 2.1.4 样品检测室与数据处理软件 |
| 2.2 LIBS基本原理 |
| 2.2.1 LIBS测量原理 |
| 2.2.2 LIBS等离子体的形成原理和展宽机制 |
| 2.2.3 LIBS光谱产生原理及强度计算 |
| 2.2.4 等离子体温度和电子密度求解 |
| 2.3 LIBS分析方法 |
| 2.3.1 土壤元素特征谱线的确定 |
| 2.3.2 光谱数据预处理 |
| 2.3.3 定量分析及评价指标 |
| 2.4 本章小结 |
| 第3章 土壤速效钾的LIBS分析方法 |
| 3.1 引言 |
| 3.2 实验材料与方法 |
| 3.2.1 实验材料 |
| 3.2.2 实验方法 |
| 3.3 树脂膜对速效钾提取的有效性 |
| 3.3.1 树脂膜提取速效钾的原理 |
| 3.3.2 树脂膜对速效钾的提取特性 |
| 3.4 关键参数优化 |
| 3.5 定量分析 |
| 3.6 真实样本验证 |
| 3.6.1 真实样本检测 |
| 3.6.2 分析性能对比 |
| 3.7 本章小结 |
| 第4章 土壤不同价态铬的LIBS分析方法 |
| 4.1 引言 |
| 4.2 实验材料和方法 |
| 4.2.1 实验材料 |
| 4.2.2 实验方法 |
| 4.3 树脂对三价铬和六价铬的吸附特异性 |
| 4.3.1 树脂对三价铬和六价铬吸附分离的原理 |
| 4.3.2 树脂对三价铬和六价铬的吸附特异性 |
| 4.4 条件优化 |
| 4.4.1 树脂吸附参数优化 |
| 4.4.2 总铬溶液承载基板的选择 |
| 4.5 不同价态铬的定量分析 |
| 4.6 实际样本验证 |
| 4.6.1 加标样本分析 |
| 4.6.2 分析性能对比 |
| 4.7 本章小结 |
| 第5章 土壤微量镉的LIBS分析方法 |
| 5.1 引言 |
| 5.2 实验材料与方法 |
| 5.2.1 实验材料 |
| 5.2.2 实验方法 |
| 5.3 树脂吸附结合空间约束测量镉元素的原理 |
| 5.3.1 树脂吸附土壤镉元素的原理 |
| 5.3.2 空间约束对镉元素光谱信号的增强原理 |
| 5.4 树脂吸附结合空间约束对镉元素的增强效应 |
| 5.4.1 传统压片法测量土壤镉元素 |
| 5.4.2 树脂吸附法对土壤镉元素的增强效应 |
| 5.4.3 空间约束对土壤镉元素的增强效应 |
| 5.5 定量分析 |
| 5.6 真实样本验证 |
| 5.6.1 加标样本分析 |
| 5.6.2 分析性能对比 |
| 5.7 本章小结 |
| 第6章 土壤含水率对LIBS土壤元素分析的影响和消除 |
| 6.1 引言 |
| 6.2 实验材料与方法 |
| 6.2.1 实验材料 |
| 6.2.2 实验方法 |
| 6.3 含水率对LIBS发射谱线的影响 |
| 6.3.1 含水率对光谱强度的影响 |
| 6.3.2 含水率对谱线的相对标准偏差和信背比的影响 |
| 6.4 含水率对土壤和激光相互作用过程的影响机制 |
| 6.5 土壤含水率对定量分析的影响和消除 |
| 6.5.1 原始光谱定量结果 |
| 6.5.2 最大值归一化对土壤含水率影响的消除效果 |
| 6.5.3 标准正态变换对土壤含水率影响的消除效果 |
| 6.5.4 多元散射校正对土壤含水率影响的消除效果 |
| 6.5.5 移动平均平滑对土壤含水率影响的消除效果 |
| 6.5.6 不同预处理算法对土壤含水率影响的消除效果对比 |
| 6.6 本章小结 |
| 第7章 LIBS便携式仪器快速测量土壤元素误差分析及样品容纳池改进 |
| 7.1 引言 |
| 7.2 实验材料与方法 |
| 7.3 改进前样品容纳池土壤元素分析性能 |
| 7.3.1 定量分析 |
| 7.3.2 存在的问题与不足 |
| 7.4 样品容纳池改进设计 |
| 7.5 改进后样品容纳池土壤元素分析性能 |
| 7.5.1 定性分析 |
| 7.5.2 定量分析 |
| 7.6 本章小结 |
| 第8章 结论与展望 |
| 8.1 主要结论 |
| 8.2 主要创新点 |
| 8.3 进一步工作的展望 |
| 参考文献 |
| 在读期间发表文章及参与课题 |
| 致谢 |
（6）平行板电容式水稻含水率在线检测装置的优化设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 含水率检测方法及仪器 |
| 1.2.2 含水率在线检测装置研究现状 |
| 1.2.3 含水率预测研究现状 |
| 1.3 研究内容与方法 |
| 1.4 技术路线 |
| 2 电容极板结构优化分析 |
| 2.1 基于Comsol的电容极板边缘散射电场分析 |
| 2.2 电容器极板结构有限元分析 |
| 2.2.1 电容极板厚度有限元分析 |
| 2.2.2 电容极板间距有限元分析 |
| 2.2.3 电容极板相对面积有限元分析 |
| 2.3 电容极板结构参数优化试验 |
| 2.3.1 试验方法 |
| 2.3.2 样品制备 |
| 2.3.3 试验结果分析 |
| 2.3.4 响应面优化分析及最佳参数确定 |
| 2.4 本章小结 |
| 3 含水率检测装置的设计 |
| 3.1 平行板电容器检测原理 |
| 3.2 含水率检测装置机械结构设计 |
| 3.2.1 采样装置结构设计 |
| 3.2.2 排粮结构设计 |
| 3.2.3 整机实验台的搭建 |
| 3.3 硬件电路设计 |
| 3.4 检测电路主控芯片的选择 |
| 3.5 水稻含水率检测电路设计 |
| 3.5.1 电容传感器测量电路的比较分析 |
| 3.5.2 运算放大电路 |
| 3.5.3 温度测量传感器 |
| 3.5.4 A/D转换电路 |
| 3.5.5 电源稳压电路 |
| 3.5.6 电源管理模块及整流 |
| 3.5.7 通讯模块设计 |
| 3.6 监测系统的设计 |
| 3.6.1 基于VB的上位机设计 |
| 3.6.2 上位机主程序界面设计 |
| 3.6.3 数据校正模块 |
| 3.6.4 Modbus通讯测试 |
| 3.6.5 下位机数据传输 |
| 3.7 本章小结 |
| 4 基于神经网络的水稻含水率预测与校正 |
| 4.1 人工神经网络概述 |
| 4.2 NARX神经网络模型建立 |
| 4.3 预测模型相关参数的分析与确定 |
| 4.3.1 优化算法的对比分析 |
| 4.3.2 神经元数量及滞后阶数的选择 |
| 4.4 含水率预测模型结果分析 |
| 4.5 本章小结 |
| 5 含水率检测装置在线测试试验 |
| 5.1 水稻含水率在线测试 |
| 5.1.1 试验条件及评价指标 |
| 5.1.2 试验设备 |
| 5.1.3 试验结果 |
| 5.2 现场实测 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（7）融合微波和声波的粮食水分和温度检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粮食水分检测技术研究现状 |
| 1.2.2 粮食温度检测技术研究现状 |
| 1.3 课题主要研究内容 |
| 1.4 论文结构 |
| 第二章 粮食复介电常数测量技术研究 |
| 2.1 引言 |
| 2.2 复介电常数测量方法概述 |
| 2.3 终端开路的同轴探头测量复介电常数原理 |
| 2.3.1 同轴线传播TEM模式理论 |
| 2.3.2 终端开路的同轴反射法原理 |
| 2.4 终端开路的同轴探头设计约束 |
| 2.4.1 终端开路的同轴探头结构介绍 |
| 2.4.2 TEM波单模传输约束 |
| 2.4.3 50欧姆阻抗匹配约束 |
| 2.4.4 感知区域半径约束 |
| 2.4.5 内外导体半径对感知区域半径的影响 |
| 2.4.6 法兰盘半径约束 |
| 2.5 探头尺寸参数选取及仿真分析 |
| 2.5.1 探头结构尺寸参数选取 |
| 2.5.2 探头电磁场仿真分析 |
| 2.5.3 考虑样品槽影响的电磁场仿真分析 |
| 2.6 同轴端面反射系数模型 |
| 2.6.1 同轴端面反射系数解析模型 |
| 2.6.2 同轴端面反射系数模型参数选择 |
| 2.7 同轴端面反射系数模型求解方法 |
| 2.7.1 模型的正问题求解方法及性能 |
| 2.7.2 模型的逆问题求解方法及性能 |
| 2.8 复介电常数探头性能测试 |
| 2.9 本章小结 |
| 第三章 粮食复介电常数、水分和体密度模型研究 |
| 3.1 引言 |
| 3.2 粮食复介电常数测量 |
| 3.2.1 小麦样品水分调质 |
| 3.2.2 粮食复介电常数变温测量装置及测量步骤 |
| 3.2.3 小麦复介电常数测量结果及分析 |
| 3.3 粮食复介电常数、水分和体密度建模 |
| 3.3.1 粮食中的水分种类概述 |
| 3.3.2 根据水分分段的小麦复介电常数模型及性能分析 |
| 3.3.3 小麦水分和体密度模型及性能分析 |
| 3.4 本章小结 |
| 第四章 粮食水分、温度和体密度对声速影响研究 |
| 4.1 引言 |
| 4.2 粮食中声波传播常数测量方法 |
| 4.2.1 声波在粮食中传播理论概述 |
| 4.2.2 传统声学阻抗管检测原理 |
| 4.2.3 粮食中声波传播常数测量装置 |
| 4.2.4 传递函数测量方法 |
| 4.2.5 拾音器校准方法 |
| 4.2.6 粮食中声波传播常数测量步骤 |
| 4.3 小麦中声波传播常数测量及小麦中声速模型建立 |
| 4.3.1 小麦中声波传播常数测量过程 |
| 4.3.2 频率、水分对小麦中声速和衰减系数的影响 |
| 4.3.3 温度对小麦中声速的影响 |
| 4.3.4 体密度对小麦中声速的影响 |
| 4.4 小麦水分对粮食平均孔隙尺寸的影响 |
| 4.4.1 粮食的等效流体JCA模型 |
| 4.4.2 基于JCA模型和粒子群算法的粮食平均孔隙尺寸估计方法 |
| 4.4.3 仿真分析粒子群算法估计JCA模型参数性能 |
| 4.4.4 流阻率测量及小麦水分对流阻率的影响 |
| 4.4.5 孔隙率测量及小麦水分对孔隙率的影响 |
| 4.4.6 小麦平均孔隙尺寸计算结果及分析 |
| 4.5 本章小结 |
| 第五章 融合微波和声波的粮食多参数检测方法研究 |
| 5.1 引言 |
| 5.2 融合微波和声波的粮食多参数检测原理 |
| 5.2.1 基于微波和声波透射法的粮食复介电常数和声速测量原理 |
| 5.2.2 粮食水分、温度和体密度计算方法 |
| 5.3 实验验证 |
| 5.3.1 实验装置 |
| 5.3.2 声波时延估计 |
| 5.3.3 微波衰减及时延测量 |
| 5.3.4 实验设备校准 |
| 5.3.5 实验样品及模型标定 |
| 5.3.6 实验结果及误差分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）粮食霉变和芽变的快速检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 前言 |
| 1.1 项目研究的意义、必要性及应用前景 |
| 1.2 粮食霉变和芽变的危害 |
| 1.2.1 粮食霉变的危害 |
| 1.2.2 粮食芽变的危害 |
| 1.3 粮食霉变检测技术的发展 |
| 1.3.1 平板计数法 |
| 1.3.2 电子鼻检测法 |
| 1.3.3 过氧化氢酶活性检测法 |
| 1.3.4 PCR技术 |
| 1.3.5 高光谱成像技术 |
| 1.4 粮食芽变程度检测技术的发展 |
| 1.4.1 a-淀粉酶活性检测 |
| 1.4.2 激光成像检测技术 |
| 1.5 本课题的研究内容与目的 |
| 2 试验材料与方法 |
| 2.1 试验材料 |
| 2.1.1 试验粮食 |
| 2.1.2 试验试剂 |
| 2.1.3 试验仪器 |
| 2.2 试验方法 |
| 2.2.1 培养基和检测试剂的制备 |
| 2.2.2 霉变粮食的获取 |
| 2.2.3 粮食检测液的制备方法 |
| 2.2.4 过氧化氢酶活性检测 |
| 2.2.5 平板计数法检测 |
| 2.2.6 霉变粮食感官品质鉴定 |
| 2.2.7 芽变粮食的获取 |
| 2.2.8 生芽粒的检测 |
| 2.2.9 a-淀粉酶活性的检测 |
| 2.2.10 试验数据处理方法 |
| 3 粮食霉变程度的快速检测技术研究 |
| 3.1 粮食霉变检测方法的选择 |
| 3.2 粮食籽粒外部洗涤液制备方法的研究 |
| 3.3 影响粮食籽粒外部洗涤检制备的因素 |
| 3.3.1 洗涤转速对洗涤液制备的影响 |
| 3.3.2 洗涤时间对洗涤液制备的影响 |
| 3.3.3 洗涤溶剂对洗涤液制备的影响 |
| 3.3.4 粮食浸泡时间对洗涤液制备的影响 |
| 3.4 粮食霉变程度快速检测技术的特性 |
| 3.4.1 检测人员对粮食霉变程度检测的影响 |
| 3.4.2 粮食霉变快速检测技术对粮食霉变程度检测的灵敏度 |
| 3.4.3 粮食霉变快速检测系统对粮食霉变程度检测的稳定性 |
| 3.5 粮食霉变快速检测技术的应用 |
| 3.5.1 不同品种小麦的检测效果 |
| 3.5.2 对不同品种稻谷的检测效果 |
| 3.5.3 不同储藏条件下霉变粮食的检测效果 |
| 3.6 粮食霉变快速检测技术的示范应用 |
| 3.6.1 示范应用基本情况 |
| 3.6.2 示范应用的检测结果 |
| 3.6.3 示范应用的结论 |
| 4 粮食芽变程度的快速检测技术研究 |
| 4.1 粮食芽变程度检测体系的组成 |
| 4.2 粮食籽粒匀浆提取液制备的影响因素 |
| 4.2.1 粮食籽粒破碎程度对籽粒匀浆提取液制备的影响 |
| 4.2.2 机器产热对籽粒匀浆提取液制备的影响 |
| 4.2.3 离心参数的选择对检测液制备的影响 |
| 4.3 芽变快速检测法的应用 |
| 4.3.1 对不同品种正常品质粮食的检测 |
| 4.3.2 对不同发芽程度粮食的检测 |
| 4.3.3 对不同芽变阶段粮食的检测 |
| 4.3.4 具有发芽倾向粮食的检测 |
| 4.3.5 发芽粮食经过干燥处理后的检测效果 |
| 5 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（9）水稻叶片逆境胁迫生理与重金属信息快速检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 主要英文缩写表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 重金属胁迫对植物毒害机制 |
| 1.2.1 植物逆境生理信息应激机制 |
| 1.2.2 重金属元素在植物中的积累机制 |
| 1.3 植物生理信息检测研究现状 |
| 1.3.1 传统检测方法 |
| 1.3.2 可见/近红外光谱分析技术 |
| 1.3.3 高光谱成像技术 |
| 1.4 重金属元素检测研究现状 |
| 1.4.1 常规检测技术 |
| 1.4.2 新型检测技术 |
| 1.5 激光诱导击穿光谱检测技术 |
| 1.5.1 LIBS技术原理概述 |
| 1.5.2 LIBS技术优势 |
| 1.5.3 LIBS植物检测研究现状 |
| 1.6 主要研究内容 |
| 1.7 本章小结 |
| 第二章 材料与方法 |
| 2.1 实验材料 |
| 2.2 实验设备 |
| 2.2.1 高光谱成像系统 |
| 2.2.2 激光诱导击穿光谱检测平台 |
| 2.2.3 其他仪器 |
| 2.3 化学值测量方法 |
| 2.3.1 逆境生理指标测量方法 |
| 2.3.2 重金属元素测量方法 |
| 2.4 数据处理方法 |
| 2.4.1 光谱预处理方法 |
| 2.4.2 特征变量筛选方法 |
| 2.4.3 定量建模方法 |
| 2.5 主要评价指标 |
| 2.6 数据处理软件 |
| 2.7 本章小结 |
| 第三章 重金属胁迫下水稻叶片生理信息高光谱成像快速检测方法 |
| 3.1 引言 |
| 3.2 实验设计与样本获取 |
| 3.2.1 水稻栽培试验 |
| 3.2.2 高光谱数据采集 |
| 3.2.3 生理信息参考值获取 |
| 3.3 逆境生理信息动态变化规律 |
| 3.3.1 还原型抗坏血酸 |
| 3.3.2 还原型谷胱甘肽 |
| 3.3.3 游离脯氨酸 |
| 3.3.4 相关性分析 |
| 3.4 光谱特征分析 |
| 3.5 基于全光谱的逆境生理信息快速检测方法 |
| 3.6 基于特征波长的逆境生理信息快速检测方法 |
| 3.6.1 Cd胁迫下水稻叶片生理信息 |
| 3.6.2 Cu胁迫下水稻叶片生理信息 |
| 3.7 水稻叶片生理信息可视化分布检测 |
| 3.8 本章小结 |
| 第四章 基于不同激光波长的水稻叶片Cd和 Cu元素LIBS检测方法 |
| 4.1 引言 |
| 4.2 实验设计与测量方法 |
| 4.2.1 水稻栽培与样本制备 |
| 4.2.2 LIBS光谱数据采集 |
| 4.2.3 重金属元素参考值测定 |
| 4.3 LIBS延时时间和能量参数优化分析 |
| 4.3.1 1064 nm激光波长 |
| 4.3.2 532 nm激光波长 |
| 4.3.3 266 nm激光波长 |
| 4.3.4 等离子体特性分析 |
| 4.3.5 光谱特性对比分析 |
| 4.3.6 烧蚀坑分析 |
| 4.4 水稻叶片Cd快速定量检测方法 |
| 4.4.1 不同激光波长下Cd单变量分析 |
| 4.4.2 不同激光波长下Cd多变量分析 |
| 4.5 水稻叶片Cu快速定量检测方法 |
| 4.5.1 不同激光波长下Cu单变量分析 |
| 4.5.2 不同激光波长下Cu多变量分析 |
| 4.6 本章小结 |
| 第五章 基于氩气环境的水稻叶片Cd和 Cu元素LIBS快速检测方法 |
| 5.1 引言 |
| 5.2 实验设计与方法 |
| 5.2.1 水稻样本制备 |
| 5.2.2 LIBS光谱数据采集 |
| 5.2.3 重金属元素参考值测定 |
| 5.3 氩气环境下LIBS参数优化 |
| 5.3.1 LIBS信号随延时时间变化规律 |
| 5.3.2 LIBS信号随激光能量变化规律 |
| 5.3.3 等离子特性分析 |
| 5.4 氩气/空气环境下的水稻Cd元素快速定量检测方法 |
| 5.4.1 氩气/空气环境Cd单变量分析 |
| 5.4.2 氩气/空气环境Cd多变量分析 |
| 5.5 氩气/空气环境下的水稻Cu元素快速定量检测方法 |
| 5.5.1 氩气/空气环境Cu单变量分析 |
| 5.5.2 氩气/空气环境Cu多变量分析 |
| 5.6 本章小结 |
| 第六章 基于热解处理的水稻叶片Cd和 Cu元素LIBS快速检测方法 |
| 6.1 引言 |
| 6.2 实验设计与方法 |
| 6.2.1 水稻样本制备 |
| 6.2.2 热重分析试验 |
| 6.2.3 热解处理试验 |
| 6.2.4 LIBS光谱数据采集 |
| 6.2.5 重金属元素参考值测定 |
| 6.3 水稻叶片热解过程分析 |
| 6.4 热解参数对谱线信号影响分析 |
| 6.4.1 信号稳定性分析 |
| 6.4.2 信号强度分析 |
| 6.4.3 信号灵敏性分析 |
| 6.5 水稻叶片基质分析 |
| 6.6 热解处理下水稻叶片Cd和Cu快速定量检测方法 |
| 6.6.1 热解处理下单变量分析 |
| 6.6.2 热解处理下多变量分析 |
| 6.7 本章小结 |
| 第七章 水稻叶片Cd和 Cu元素LIBS特征指数建模方法体系研究 |
| 7.1 引言 |
| 7.2 实验设计与方法 |
| 7.2.1 水稻样本栽培和样品制备 |
| 7.2.2 LIBS光谱数据采集 |
| 7.2.3 重金属元素参考值测定 |
| 7.3 水稻叶片中重金属元素动态变化规律分析 |
| 7.4 基于全光谱的早期胁迫水稻叶片Cd和Cu元素快速检测方法 |
| 7.4.1 基于全光谱Cd快速检测 |
| 7.4.2 基于全光谱Cu快速检测 |
| 7.5 基于特征变量的早期水稻叶片Cd和Cu元素快速检测方法 |
| 7.5.1 基于特征变量Cd快速检测 |
| 7.5.2 基于特征变量Cu快速检测 |
| 7.6 基于单变量的早期水稻叶片重金属元素快速检测方法 |
| 7.7 水稻叶片Cd和 Cu元素LIBS特征指数方法体系构建 |
| 7.8 本章小结 |
| 第八章 结论与展望 |
| 8.1 主要研究结论 |
| 8.2 主要创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简介 |
（10）基于高光谱的单粒软硬麦鉴别及水分预测方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 小麦硬度研究现状 |
| 1.2.2 小麦水分研究现状 |
| 1.3 当前研究存在的主要问题 |
| 1.4 研究目的与意义 |
| 1.5 主要研究内容 |
| 1.6 技术路线 |
| 第2章 模式识别方法 |
| 2.1 支持向量机 |
| 2.2 K最邻近分类算法 |
| 2.3 卷积神经网络 |
| 2.3.1 深度学习简介 |
| 2.3.2 卷积神经网络 |
| 2.3.3 Inception Net-V3 网络 |
| 2.3.4 Tensor Flow框架简介 |
| 2.3.5 Tensor Flow框架的优势 |
| 2.4 偏最小二乘回归 |
| 2.5 小结 |
| 第3章 基于高光谱图像的单粒软硬麦鉴别方法 |
| 3.1 单粒小麦籽高光谱图像库构建 |
| 3.1.1 小麦样品收集 |
| 3.1.2 高光谱成像采集系统 |
| 3.1.3 单粒小麦籽高光谱图像提取 |
| 3.2 单粒小麦籽硬度检测 |
| 3.3 单粒小麦籽图像数据增强 |
| 3.4 基于高光谱图像的单粒软硬麦鉴别方法 |
| 3.4.1 基于支持向量机的单粒软硬麦鉴别方法 |
| 3.4.2 基于K最邻近的单粒软硬麦鉴别方法 |
| 3.4.3 基于卷积神经网络的单粒软硬麦鉴别方法 |
| 3.4.4 三种方法鉴别结果对比分析 |
| 3.5 基于卷积神经网络迁移学习的单粒软硬麦鉴别方法 |
| 3.5.1 迁移学习 |
| 3.5.2 本文设计的Inception Net-V3 网络模型 |
| 3.5.3 实验结果 |
| 3.6 小结 |
| 第4章 基于PLSR的单粒小麦籽水分预测方法 |
| 4.1 单粒小麦籽高光谱光谱数据提取 |
| 4.2 单粒小麦籽水分检测 |
| 4.3 基于高光谱的单粒小麦籽水分预测方法 |
| 4.3.1 光谱数据预处理方法 |
| 4.3.2 偏最小二乘法回归法建模 |
| 4.3.3 实验结果与分析 |
| 4.4 单粒小麦籽水分分布图预测 |
| 4.5 小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 附录 |
| 附表1 |
| 致谢 |
| 攻读学位期间所发表论文及参与课题 |
四、粮食水分快速检测中的几个关键问题（论文参考文献）
- [1]基于机器学习的储粮品质预测方法及应用研究[D]. 王启阳. 吉林大学, 2021(01)
- [2]植物激素与品质高效检测方法的建立及其在大豆中的应用[D]. 贾鹏禹. 黑龙江八一农垦大学, 2021(01)
- [3]光谱关键变量筛选在农产品及食品品质无损检测中的应用进展[J]. 王冬,吴静珠,韩平,王坤. 光谱学与光谱分析, 2021(05)
- [4]淀粉水分在线测量系统的研究与设计[D]. 韩伟. 天津职业技术师范大学, 2021(06)
- [5]LIBS快速测量土壤元素的影响因素及方法研究[D]. 付兴兰. 西南大学, 2020
- [6]平行板电容式水稻含水率在线检测装置的优化设计[D]. 马广宇. 黑龙江八一农垦大学, 2020(10)
- [7]融合微波和声波的粮食水分和温度检测技术研究[D]. 张驰. 北京邮电大学, 2020(01)
- [8]粮食霉变和芽变的快速检测技术研究[D]. 朱冰洁. 河南工业大学, 2020
- [9]水稻叶片逆境胁迫生理与重金属信息快速检测方法研究[D]. 申婷婷. 浙江大学, 2020
- [10]基于高光谱的单粒软硬麦鉴别及水分预测方法[D]. 朱洁. 西南大学, 2020(01)