论文部分内容阅读
小麦在储藏过程中如果管理不当极易受仓虫侵蚀形成虫蚀小麦,严重降低了小麦的使用品质和商品价值。为了保障储粮安全和食品安全,必须采取有效措施对小麦虫蚀粒进行快速检测。本文将激光超声技术应用于小麦虫蚀粒的检测,基于有限元分析对激光作用于小麦的过程进行了数值模拟;研究了小麦超声信号的时域波形特征、基于小波包能量熵的信号频谱特性、基于经验模态分解(Empirical Mode Decomposition,EMD)和Hilbert变换的信号时频谱特性;结合BP神经网络模型和ELM模型对小麦籽粒进行分类识别,小麦虫蚀粒分类检测的准确率分别为97.39%和95.65%,小麦虫蚀状态的分类检测准确率分别为91.59%和87%,检测效果较好。本文的主要工作如下:1.本文提出将激光超声技术应用于小麦虫蚀粒的检测,并基于有限元方法模拟了激光作用于小麦籽粒模型的物理过程。数值计算的结果表明激光超声信号波形携带有小麦参数变化的信息,这一结论为激光超声检测小麦虫蚀粒方法奠定了基础。2.研究小麦激光超声信号波形的时域统计特征。结果表明峰值因子(1)、脉冲因子(、波形因子(、裕度因子(和短时能量特征值(1、2)的区分度较高,并且随着虫蚀半径的增大区分度增大。3.结合小波包能量分布和信息熵理论探究小麦激光超声信号的时频特征。选择能反映出信号频段能量分布集中程度的能量熵数值()作为特征参数,结果表明虫蚀小麦小波包分解节点5信号的能量分布比较集中,熵值较小。4.基于Hilbert-Huang变换探究小麦激光超声信号的时频分布特征。信号的EMD分解结果表明第一阶IMF分量的能量占比最大,正常小麦的IMF1分量的能量大于虫蚀小麦,且正常小麦超声信号的IMF1分量频谱幅值大于虫蚀粒小麦;Hilbert谱分析结果表明正常小麦和虫蚀小麦的超声信号能量主要集中在0~50Hz的低频段中,且正常小麦的边际谱重心频率、最大幅值均大于虫蚀小麦。5.基于提取的特征参量分别构建了三种基于BP神经网络和极限学习机(ELM)的小麦虫蚀粒识别模型。识别结果表明,综合时域和频域特征作为网络的输入时识别准确率最高;BP网络对正常粒的检测结果为100%,虫蚀粒的检测结果为95.62%,总体的检测准确率为97.39%;ELM网络对正常粒的检测结果为100%,虫蚀粒的检测结果为92.31%,总体的检测准确率为95.65%。6.在正确识别虫蚀粒的基础上,建立了基于BP神经网络和ELM的小麦虫蚀状态分类模型。BP网络对虫蚀初期、中期、后期的检测结果分别为90.45%、100%、96.50%,总体的检测准确率为91.59%;ELM网络对虫蚀初期、中期、后期的检测结果分别为66.67%、96%、88%,总体的检测准确率为87%。BP网络和ELM对小麦虫蚀粒的分类识别效果显著,这表明本文所提出的激光超声检测方法可以用于小麦虫蚀粒的检测。本文的上述研究成果为建立小麦虫蚀粒快速识别模型提供了新的思路。