多源信息融合技術的豬肉新鮮度檢測方法研究

摘要：隨著豬肉產量的提高和人們對食品安全的重視，快速準確地檢測肉新鮮度越來越有著重要的現實意義。針對豬肉腐敗過程中氣味與顏色的變化，本文設計了豬肉圖像采集裝置和氣體采集裝置，對１０個不同時間段采集到的各２４０份豬里脊肉樣品圖像信息和氣體信息進行特征層的融合，基于最小二乘支持向量機方法（ＬＳ－ＳＶＭ）建立多源信息融合的豬肉新鮮度評價模型，結合二步格點搜索法（Ｇｒｉｄ Ｓｅａｒｃｈｉｎｇ Ｔｅｃｈｎｉｑｕｅ）和交叉驗證方法（Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ），對該模型參數γ和σ２進行選擇和優化，分析比較了機器視覺系統、電子鼻系統及其兩者融合系統所建立的豬肉新鮮度評價模型，３個模型對豬肉新鮮度的識別率分別為達到７７．３３％、９１．６７％和９７．３３％。結果表明，基于機器視覺和電子鼻多源信息融合系統可顯著提高豬肉新鮮度的識別率。

關鍵詞：信息融合；豬肉新鮮度；計算機視覺；電子鼻；最小二乘支持向量機

中圖分類號：ＴＰ２７４＋．３； ＴＰ３９１．４ 文獻標識碼：Ａ文章編號：0439－８114（２０11）12－2536-03

Ｍｅａｓｕｒｅｍｅｎｔ ｏｆ Ｐｏｒｋ Ｆｒｅｓｈｎｅｓｓ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉ－ｓｅｎｓｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｉｎｔｅｇｒａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ

ＨＵＡＮＧ Ｙｉ，Ｌｉ Ｘｉａｏ－ｙｕ，ＷＡＮＧ Ｗｅｉ，ＺＨＯＵ Ｗｅｉ，ＺＨＯＵ Ｚｈｕ

（Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｔｅｃｈｎｏｌｏｇｙ， Ｈｕａｚｈｏｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｕｈａｎ ４３００７０， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｉｔ ｉｓ ｉｍｐｏｒｔａｎｔ ｔｏ ｄｅｖｅｌｏｐ ａ ｆａｓｔ ａｎｄ ｐｒｅｃｉｓｅ ｍｅｔｈｏｄ ｆｏｒ ｄｅｔｅｃｔｉｏｎ ｏｆ ｍｅａｔ ｆｒｅｓｈｎｅｓｓ ｗｉｔｈ ｔｈｅ ａｎｎｕａｌｌｙ ｉｎｃｒｅａｓｉｎｇ ｏｕｔｐｕｔ ｏｆ ｍｅａｔ ａｎｄ ｃｏｎｃｅｒｎｓ ｏｎ ｆｏｏｄ safety． Ｉｎ ｔｈｅ ｌｉｇｈｔ ｏｆ ｃｏｌｏｒ ａｎｄ ｏｄｏｕｒ ｃｈａｎｇｅ ｄｕｒｉｎｇ ｍｅａｔ ｔａｉｎｔ， ａ ｍｅａｔ ｆｒｅｓｈｎｅｓｓ ｔｅｓｔ ｓｙｓｔｅｍ ｄｅｖｉｃｅ ｆｏｒ ｉｍａｇｅ ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ ｏｄｏｕｒ ｃｏｌｌｅｃｔｉｏｎ ｗａｓ ｄｅｓｉｇｎｅｄ， ａｎｄ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌｓ ｗｅｒｅ ｄｅｖｅｌｏｐｅｄ ｗｉｔｈ ２４０ ｐｏｒｋ ｓａｍｐｌｅｓ ｄａｔａ ｆｕｓｉｏｎ ｏｆ ｃｏｌｏｒ ａｎｄ ｏｄｏｕｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐａｒａｍｅｔｅｒｓ ａｔ ｆｅａｔｕｒｅ ｌｅｖｅｌ ｂａｓｅｄ ｏｎ ｌｅａｓｔ－ｓｑｕａｒｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ． Ｔｏ ｅｎｈａｎｃｅ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｌｅａｓｔ ｓｑｕａｒｅｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ （ＬＳ－ＳＶＭ）， ｔｗｏ ｐａｒａｍｅｔｅｒｓ （γ ａｎｄ σ２） ｏｆ ｔｈｅ ｌｅａｓｔ ｓｑｕａｒｅｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｍｏｄｅｌ ｗｅｒｅ ｏｐｔｉｍｉｚｅｄ ｂｙ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｔｗｏ－ｓｔｅｐ Gｒｉｄ Sｅａｒｃｈｉｎｇ Tｅｃｈｎｉｑｕｅ ａｎｄ Cｒｏｓｓ－Vａｌｉｄａｔｉｏｎ． Ｔｈｅｎ， ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｍｏｄｅｌｓ ｗｅｒｅ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ａｓｓｅｓｓ ｐｏｒｋ ｆｒｅｓｈｎｅｓｓ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ， ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ ａｎｄ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｔｈｅ ｔｗｏ， ｇｉｖｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅｓ ｏｆ ７７．３３％， ９１．６７％ ａｎｄ ９７．３３％， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｍｕｌｔｉ－ｓｏｕｒｃｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ ａｎｄ ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ ｃｏｕｌｄ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｐｏｒｋ ｆｒｅｓｈｎｅｓｓ．

Ｋｅｙ ｗｏｒｄｓ： ｍｕｌｔｉ－ｓｅｎｓｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｉｎｔｅｇｒａｔｉｏｎ； ｐｏｒｋ ｆｒｅｓｈｎｅｓｓ； ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ； ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ； ＬＳ－ＳＶＭ

新鮮度是豬肉及其制品質量的重要指標，隨著我國豬肉產量的提高和人們食用安全意識的增強，傳統的豬肉新鮮度檢測方法如感官評定法和生化指標的實驗室測定方法，均難以滿足當前社會的需要，開發快速準確的檢測肉類新鮮度方法越來越具有重要的現實意義。針對豬肉在腐敗過程中的變化特性，通過測定某一相關指標實現豬肉內部品質檢測或外部品質檢測，分析方法包括：近紅外漫反射［１］、電子舌［２］、電子鼻［３］以及機器視覺［４］等，然而豬肉的腐敗變質是一個復雜的過程，受多種因素的影響，單靠某一種手段或某一指標的測定很難從整體上實現豬肉新鮮度的準確評價。為了避免單一測量手段的局限性，應用多信息融合技術將有效提升農產品品質評測的效果。例如：陳全勝等人［５］融合近紅外光譜和機器視覺技術對茶葉品質進行評價，其結果的準確性和穩定性都優于單個信息模型。但是，目前多傳感器技術用于肉類新鮮度檢測上的報道比較少，雖然曲世海等構建了一套基于電子信息技術與光電檢測技術多信息融合的肉類新鮮度檢測系統，其報道的檢測精度優于單一傳感器［６］，然而多傳感器信息融合問題至今沒有形成基本理論框架和有效的廣義融合模型，對特定研究領域多傳感器特征量的選擇，融合模型、融合層次和融合算法有所不同，進而導致評價結果的識別精度和識別率也有較大差異。

本試驗針對豬肉在腐敗過程中的色澤和氣味為特征指標，構建機器視覺與電子鼻融合系統，通過對融合模型特征量的選擇，特征的提取，以及融合算法的研究，以期獲得更高的識別率，同時也為多源信息融合模型在豬肉新鮮度檢測上的開發和應用提供理論依據。

１材料與方法

１．１試驗材料

試驗樣品為湖北白豬的里脊肉，樣品大小長×寬×厚約為４ ｃｍ × ４ ｃｍ × ２ ｃｍ，樣品平均重量約為５０ ｇ，另取同一部位豬里脊肉５０ ｇ用于化學檢測試驗。

１．２試驗裝置

１．２．１計算機視覺圖像采集系統圖像采集系統主要由攝像頭、光源、采集箱、圖像采集卡和計算機等幾部分構成，包括：Ｓｃｏｕｔ系列的ｓｃＡ １３９０－１７ｆｃ ＣＣＤ攝像頭（德國ＢＡＳＬＥＲ公司）；Ｍｅｔｅｏｒ２／１３９４數字圖像采集卡（加拿大Ｍａｔｒｏｘ公司）；國產普通ＬＥＤ環形光源，圖像采集裝置如圖１（ａ）所示。

１．２．２電子鼻氣體采集系統豬肉在腐敗過程中主要產生含硫產物、胺、氨和醇類等物質，根據這些特征，本實驗選擇電子鼻傳感器包括：ＴＧＳ８２５硫化氫型傳感器（日本ＦＩＧＡＲＯ公司）、ＴＧＳ８２６氨氣及胺類型傳感器（日本ＦＩＧＡＲＯ公司）、ＴＧＳ８２２乙醇類及有機溶劑氣體型傳感器（日本ＦＩＧＡＲＯ公司）等３類傳感器作為豬肉新鮮度測量的電子鼻氣體陣列，采用Ｌａｂｖｉｅｗ虛擬儀器軟件（美國國家儀器公司）開發豬肉新鮮度電子鼻測量系統。３類傳感器信號通過ＮＩ ＰＣＩ６０２４Ｅ采集卡（美國國家儀器公司）傳送至計算機。

目前電子鼻測量系統中氣體的采樣方式有靜態和動態的頂空生成法，傳統的頂空生成法需要添加比較復雜的吸氣和清洗裝置，并且這種方法受容器中的氣壓影響較大，因此試驗采用簡單的自由擴散法（靜態頂空生成法）。由于電子鼻的響應信號受樣品的揮發速率、容器內壓強和揮發性氣體濃度的影響比較大，較小的容器易造成信號波動，因此根據前期的試驗結果確定采用５００ ｍＬ的玻璃容器作為豬肉電子鼻的氣體收集裝置［７］，電子鼻采集裝置如圖１（ｂ）所示。

１．３不同新鮮度樣品的制備和評價

取２４份里脊肉，置于培養皿中，分別用食品保鮮膜封裝存于４ ℃的人工氣候箱中。每隔１２ ｈ對豬里脊肉樣品采集一次圖像，圖像采集之后立即進行氣體采集，５ ｄ內總共進行１０次圖像與氣體采集，各建立２４×１０個豬里脊肉圖像樣品集與氣體樣品集。

試驗按照國家標準（ＧＢ ９９５９．１－２００１）選取揮發性鹽基氮（Ｔｏｔａｌ Ｖｏｌａｔｉｌｅ ｂａｓｉｃ ｎｉｔｒｏｇｅｎ，ＴＶＢ－Ｎ）作為肉類鮮度評價指標。使用半微量凱氏定氮法測量貯存過程中的豬里脊肉的ＴＶＢ－Ｎ含量。豬肉新鮮度標準（ＧＢ ９９５９．１－２００１）規定，豬肉樣品中ＴＶＢ－Ｎ含量大于２０ ｍｇ／１００ ｇ 為腐敗類豬肉，在２０ ｍｇ／１００ ｇ與１５ ｍｇ／１００ ｇ之間為次新鮮類豬肉，小于１５ ｍｇ／１００ ｇ為新鮮類豬肉。化學試驗與圖像采集試驗和氣體采集試驗同時進行。

１．４基于多源信息融合的豬肉新鮮度識別

多傳感器信息融合又稱多傳感器數據融合，是對不同知識源和多個傳感器所獲得的信息進行綜合處理，消除多傳感器信息之間可能存在的冗余和矛盾，利用信息互補，降低不確定性和提高系統的決策判斷能力。該試驗通過自行設計的圖像采集裝置和氣體采集裝置，對豬肉的顏色信息和氣體信息進行采集，對采集的數字信號進行預處理，以濾除數據采集過程中現場環境下的干擾和噪聲。將處理后的目標信號作特征提取，根據所提取的特征信號，進行數據融合計算，最終輸出結果，融合過程如圖２所示。

在該融合系統中，由于機器視覺和電子鼻系統為兩種不同類型的傳感器，它們的特性不一致，使得它們獲取信息的模式不同，在融合層次上宜選擇特征層融合，即先分別提取機器視覺圖像特征信息和電子鼻氣體的特征信息，然后按特征信息對數據進行分類、綜合和分析。

１．４．１圖像特征參數提取顏色是描述圖像內容的最直接的視覺特征。本試驗以整幅圖像顏色３個刺激值的均值作為豬肉顏色的統計特征，采用ｒｇｂ、Ｌ*ａ*ｂ*和ＹＣｂＣｒ ３種彩色空間模型分別進行統計，即

ｙ＝ｙｉｊ（ｉ，ｊ∈Ｄ）

式中ｉ—像素點水平坐標值

ｊ—像素點垂直坐標值

Ｄ—目標區域

ｎ—Ｄ區域內像素點總數

ｙｉｊ—ｒｉｊ、ｇｉｊ、ｂｉｊ或Ｌｉｊ、ａｉｊ、ｂｉｊ或Ｙｉｊ、Ｃｂｉｊ、Ｃｒｉｊ

ｙ—ｒ、ｇ、ｂ或Ｌ、ａ、ｂ或Ｙ、Ｃｂ、Ｃｒ

為了區分不同的顏色空間對豬肉新鮮度評價效果的影響，取２４個豬肉樣本，利用設計的圖像采集裝置每隔１２ ｈ采集一次圖像，５ ｄ內進行１０次圖像采集，共采集２４０幅圖像。在ｒｇｂ、Ｌ*ａ*ｂ*和ＹＣｂＣｒ ３個顏色空間對采集的圖像進行顏色特征參數的提取，分別利用這３組樣本數據進行ＰＣＡ主成分分析。研究結果表明，基于ｒｇｂ、Ｌ*ａ*ｂ*和ＹＣｂＣｒ三種顏色空間的特征值都能將豬肉分為新鮮、次新鮮和腐敗三類，其中基于Ｌ*ａ*ｂ*顏色空間的分類與其他兩種顏色空間分類相比，類中樣品更緊湊，Ｌ*、ａ*、ｂ*與主成分之間有更高的相關性。

在該試驗中選取Ｌ*ａ*ｂ*顏色空間來描述豬肉的顏色，以每幅圖像中Ｌ*、ａ*、ｂ*各自的平均值作為豬肉顏色評價的特征向量。

１．４．２氣體征值參數提取使用電子鼻系統對２４個豬肉樣本進行氣體采集試驗，每隔１２ ｈ采集一次，５ ｄ內共采集２４０組氣體樣本數據。電子鼻對腐敗豬肉氣體的響應信號為一條曲線，需要對響應曲線進行特征信號提取，該試驗分別選取氣體傳感器電壓數據穩定值（最后５ ｓ電壓平均值）與氣體傳感器電壓數據的最大值作為特征參數，通過ＰＣＡ主成分分析方法對兩種特征參數豬肉新鮮度的識別結果進行分析比較。研究結果表明，采用電壓數據穩定值作為特征參數比最大值作為特征參數能更有效的區分不同新鮮度豬肉，因此，本試驗選取電壓數據穩定值作為豬肉氣體特征參數。

１．４．３揮發性鹽基氮（ＴＶＢ－Ｎ）測量的結果依據國標ＧＢ／Ｔ ５００９．４４-2003，使用半微量凱氏定氮法測量貯存過程中豬肉的ＴＶＢ－Ｎ含量，并依據國標ＧＢ ９９５９．１－２００１對不同新鮮度的豬肉進行分類；ＴＶＢ－Ｎ測量試驗與豬肉圖像采集試驗和豬肉氣體采集試驗同步進行，測定結果如表１所示。

１．４．４基于最小二乘支持向量機的識別模型的建立支持向量機（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ，ＳＶＭ）是近幾年來應用于建模的一種新的學習方法，與傳統的神經網絡相比，支持向量機算法最終將轉化為一個二次型尋優問題，從理論上可得到全局的最優點，解決了在神經網絡中無法避免的局部極小值問題。隨著對支持向量機建模方法的深入研究和廣泛應用［８－１１］，許多學者對支持向量機的算法進行了開發和改進，提出了新的改進支持向量機的算法［１２－１３］。

最小二乘支持向量機（ＬＳ－ＳＶＭ）是支持向量機的一種改進方法［１４］，它是將傳統支持向量機中的不等式約束改為等式約束，且將誤差平方和（Ｓｕｍ Ｓｑｕａｒｅｓ Ｅｒｒｏｒ）損失函數作為訓練集的經驗損失，這樣就把求解二次規劃問題轉化為求解線性方程組問題，提高了求解問題的速度和收斂精度。本研究采用最小二乘支持向量機建立豬肉新鮮度評價模型。

最小二乘支持向量機模型（ＬＳ－ＳＶＭ）的建立主要考慮輸入層、輸出層單元數以及正則化參數、核函數及參數取值等網絡特征參數。在本研究中，ＬＳ－ＳＶＭ模型的輸入層單元數為６，包括：機器視覺系統顏色特征參數Ｌ*、ａ*、ｂ*值及電子鼻測量系統的ＴＧＳ８２２、ＴＧＳ８２５、ＴＧＳ８２６特征值；它的輸出層單元數為１，即為豬肉新鮮度等級（通過化學檢測方法ＴＶＢ－Ｎ的測定的新鮮度等級），選擇徑向基函數（ＲＢＦ）作為模型的核函數。

在最小二乘支持向量機方法中，正則化參數γ和ＲＢＦ核函數參數ｓｉｇ２（σ２）是兩個重要參數。它們的取值將直接決定模型的訓練和泛化性能。γ取值小，則樣本數據懲罰就小，訓練誤差則變大，算法泛化能力增強；γ取值大，算法的泛化能力則減弱。而σ２取值過大或過小，則會對樣本數據造成過學習或欠學習的現象。

本研究采用二步格點搜索法（Ｇｒｉｄ Ｓｅａｒｃｈｉｎｇ Ｔｅｃｈｎｉｑｕｅ）和交叉驗證方法（Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ）相結合的方法選擇參數γ和σ２。為了在選擇中有適當的增量，γ的選擇范圍定為１～１０ ０００，σ２的選擇范圍為０．０１～１００。在最優參數的選擇過程中，以每組γ和σ２組合獲得的訓練集交叉驗證誤差均方根（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ ｏｆ Ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ，ＲＭＳＥＣＶ）的最小值作為指標，尋優過程包括粗選和精選兩個步驟，即：粗選格點數１０×１０，如圖３中“·”所示，搜索步長較大，采用誤差等高線確立最優參數范圍；精選格點數仍為１０×１０，如圖３中“×”所示，在粗選基礎上，以較小步長更加細致地搜索，確定最優模型參數。對γ和σ２作對數處理，γ和σ２的尋優過程如圖３所示。本文采用最小輸出編碼方式（Ｍｉｎｉｍｕｍ Ｏｕｔｐｕｔ Ｃｏｄｉｎｇ）對三類數據分類，最后需獲得兩組最優γ和σ２參數，表２給出了兩組參數（γ，σ２）的尋優結果。

２結果與分析

本研究對２４個豬肉樣本各進行１０次圖像采集和氣體采集，獲得了的２４０組顏色特征參數及２４０組氣體特征參數，將各個參數進行特征層的融合，得到２４０組特征融合數據（每組特征融合數據包括顏色及氣體共６個特征參數）。根據豬肉的ＴＶＢ－Ｎ含量測量結果，對２４０組豬肉樣品特征融合數據進行分類，共獲得新鮮類豬肉樣品、次新鮮類豬肉樣品和腐敗類豬肉樣品數據的組數分別為１４４，４８和４８，對數據進行歸一化，用于后續模型建立。

從上述２４０組豬肉樣品融合數據中隨機挑選１００組新鮮數據，３４組次新鮮數據和３１組腐敗數據作為校正集，剩余７５組數據作為測試集。以顏色特征參數Ｌ*、ａ*、ｂ*值及氣體特征參數ＴＧＳ８２２、ＴＧＳ８２５和ＴＧＳ８２６值作為ＬＳ－ＳＶＭ的輸入值，以新鮮度類別（新鮮、次新鮮和腐敗）作為輸出，采用最小二乘支持向量機方法對３類決策模式進行學習，獲得最優統計學習決策超平面，建立豬肉新鮮度信息融合識別模型。

本研究在建立機器視覺與電子鼻豬肉新鮮度識別融合模型的同時，也采用類似方法建立了單一機器視覺圖像特征豬肉新鮮度識別模型和單一電子鼻氣體特征的豬肉新鮮度識別模型。表２分析比較了使用ＬＳ－ＳＶＭ方法所建立三種模型的最優參數及識別結果。

由表可知，融合模型系統對豬肉新鮮度識別的正確率要優于單一識別模型。

３結論

１）試驗分析比較了ｒｇｂ、Ｌ*ａ*ｂ*、ＹＣｂＣｒ三種不同的顏色空間對豬肉新鮮度分類效果的影響，確定了Ｌ*ａ*ｂ*顏色空間為最佳顏色特征空間，以Ｌ*、ａ*、ｂ*的各自均值作為豬肉新鮮度評價指標的顏色特征參數。

２）對豬肉腐敗氣體的電壓響應曲線進行特征提取，分析比較了電壓響應曲線的穩定值（最后５ ｓ平均值）和最大值兩種不同的特征參數對豬肉新鮮度評價指標的影響，確定了以電壓響應曲線的穩定值作為豬肉新鮮度評價指標的氣體特征參數。

３）對機器視覺和電子鼻的豬肉新鮮度的信息進行了特征層的融合，建立了基于ＬＳ－ＳＶＭ法的多源信息融合的豬肉新鮮度評價模型，采用二步格點搜索法和交叉驗證方法相結合的方法，對最小二乘支持向量機模型的參數γ和σ２進行優化選擇，模型識別的正確率為９７．３３％。

４）試驗比較了機器視覺系統、電子鼻系統及其二者的融合系統在同處理條件下，對豬肉新鮮度的識別率差異，結果表明，３個模型對豬肉新鮮度識別率分別為７７．３３％、９１．６７％和９７．３３%，即基于最小二乘支持向量機方法建立的機器視覺和電子鼻多源信息融合系統可獲得比單一傳感器系統更高的識別率。

參考文獻：

［１］ 侯瑞峰，黃嵐，王忠義，等．用近紅外漫反射光譜檢測肉品新鮮度的初步研究［Ｊ］． 光譜學與光譜學分析，２００６，２６（１２）：２１９３－２１９６．

［２］ 韓劍眾，黃麗娟，顧振宇，等．基于電子舌的肉品品質及新鮮度評價研究［Ｊ］． 中國食品學報，２００８，８（３）：１２6－１３３．

［３］ 孫鐘雷．基于遺傳組合網絡的豬肉新鮮度人工嗅覺系統［D］． 吉林：吉林大學圖書館，２００６．

［４］ 郭培源，畢松．基于神經網絡的豬肉新鮮度檢測分級系統［Ｊ］． 農機化研究，２０１０，（０６）：１０９－１１３．

［５］ 陳全勝，趙杰文，蔡健榮．基于近紅外光譜和機器視覺的多信息融合技術評判茶葉品質［Ｊ］． 農業工程學報，２００８，２４（３）：５－１０．

［６］ 曲世海，郭培源．基于多信息處理的肉類新鮮度檢測方法研究［Ｊ］． 北京工商大學學報（自然科學版），２００６，２４（５）：２６－３1．

［７］ 張軍，李小昱，王為，等．基于虛擬儀器的淡水魚鮮度電子鼻測量系統［Ｊ］．農業工程學報，２００９，２５（３）：１１０－１１３．

［８］ Ｍ．ＴＵＺ－ＣＨＡＯＬＩＮ，Ｍ．ＰＯＡ－ＴＡＹＵ． Ａｄａｐｔｉｖｅ ｔｗｏ－Ｐａｓｓ ｍｅｄｉｎａ ｆｉｌｔｅｒ ｂａｓｅｄ ｏｎ Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｆｏｒ ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ［Ｊ］． Ｎｅｕｒａｌ ＣｏｍＰｕｔａｔｉｏｎ， ２００４，１６（２）：３３３－３５４．

［９］ 田有文，李天來，李成華，等．基于支持向量機的葡萄病害圖像識別方法［Ｊ］．農業工程學報，２００７，２３（６）：１７５－１８０．

［１０］ Ｊ． Ｈ． ＭIM，Ｙ－Ｃ． Ｌｅｅ． Ｂａｎｋｒｕｐｔｃｙ Ｐｒｅｄｉｃｔｉｏｎ ｕｓｉｎｇ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｗｉｔｈ ｏｐｔｉｍａｌ ｃｈｏｉｃｅ ｏｆ ｋｅｒｎｅｌ ｆｕｎｃｔｉｏｎ Ｐａｒａｍｅｔｅｒｓ［Ｊ］． Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００５，２８（４）： ６０３－６１４．

［１１］ ＰAI Ｐ Ｆ，Ｈｏｎｇ Ｗ Ｃ． Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ｗｉｔｈ Ｓｉｍｕｌａｔｅｄ Ａｎｎｅａｌｉｎｇ Ａｌｇｏｒｉｔｈｍｓ ｉｎ Ｅｌｅｃｔｒｉｃｉｔｙ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］. Ｅｎｅｒｇｙ Ｃｏｎｖｅｒｓｉｏｎ＆Ｍａｎａｇｅｍｅｎｔ，２００５，４６（１７）：２６６９－２６８８．

［１２］ Ｄ． ＡＮＧＵＩＴＡ， Ｓ． ＲＩＤＥＬＬＡ， Ｆ， ＲＩＶＩＥＣＣＩＯ， ｅｔ ａｌ． Ｈｙｐｅｒ ｐａｒａｍｅｔｅｒ ｄｅｓｉｇｎ ｃｒｉｔｅｒｉａ ｆｏｒ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｃｌａｓｓｉｆｉｅｒｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００３，５５（1）：１０９－１３４．

［１３］ Ｕ．Ｖ ＬＵＸＢＵＲＧ， Ｏ． ＢＯＵＳＱＵＥＴ， Ｂ． ＳＣＨＯＫＯＰＦ． Ａ ｃｏｍｐｒｅｓｓｉｏｎ ａｐｐｒｏａｃｈ ｔｏ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍｏｄｅｌ ｓｅｌｅｃｔｉｏｎ［Ｊ］． Ｊｏｕｒａｎｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ，２００４（５）：２９３－３２３．

［１４］ 閻威武，邵惠鶴．支持向量機和最小二乘支持向量機的比較及應用研究［Ｊ］． 控制與決策，２００３，１８（３）：３５８－３６０．

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文