電阻和電容信息融合的籽棉回潮率檢測(cè)

宋方丹,張若宇,楊 萍,張夢(mèng)蕓,李 浩,夏 彬

(1.石河子大學(xué) 機(jī)械電氣工程學(xué)院,新疆 石河子 832003;2.農(nóng)業(yè)農(nóng)村部西北農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室,新疆 石河子 832003;3.中華全國(guó)供銷合作總社 鄭州棉麻工程技術(shù)設(shè)計(jì)研究所,鄭州 450004)

0 引言

籽棉回潮率是指籽棉中所含水分的質(zhì)量與干燥籽棉質(zhì)量的百分比。籽棉回潮率的精準(zhǔn)測(cè)定,對(duì)于各單位之間的公平計(jì)算、合理堆放以及進(jìn)一步的合理加工都是至關(guān)重要的[1]。目前,籽棉回潮率測(cè)定主要由棉檢人員使用手持式回潮率測(cè)定儀將電極探針插入運(yùn)棉車中測(cè)得該車棉花的回潮率。由于探針長(zhǎng)度限制,該方法僅能對(duì)運(yùn)棉車表層棉花進(jìn)行檢測(cè),且測(cè)量精度差、效率低[2-3]。

電阻法是發(fā)展較早且屬于比較成熟的棉花回潮率檢測(cè)方法,具有成本低、易實(shí)現(xiàn)和時(shí)間短的優(yōu)點(diǎn),但同時(shí)存在檢測(cè)精度難以保證的問(wèn)題。景軍鋒等[4]依據(jù)電阻法檢測(cè)回潮率的原理,設(shè)計(jì)開(kāi)發(fā)了織物回潮率在線測(cè)量裝置的軟件程序來(lái)計(jì)算織物回潮率。賈冬等[5]基于電阻法測(cè)量原理設(shè)計(jì)了一種棉包回潮率自動(dòng)檢測(cè)裝置。電容法檢測(cè)精度較高,但由于使用的不穩(wěn)定性,發(fā)展還不成熟,在棉花回潮率的檢測(cè)中相關(guān)研究比較少。吳昕等基于電容法測(cè)濕的原理,設(shè)計(jì)了一種結(jié)構(gòu)簡(jiǎn)單的微型濕度探針。馬廣宇[7]根據(jù)水稻含水率介電特性差異性變化,對(duì)平行板電容式水稻含水率在線檢測(cè)裝置進(jìn)行了優(yōu)化設(shè)計(jì)。信息融合技術(shù)是一種數(shù)據(jù)處理的新興技術(shù),在近幾年得到驚人發(fā)展并已進(jìn)入諸多應(yīng)用領(lǐng)域。多傳感器信息融合具有增強(qiáng)數(shù)據(jù)真實(shí)性、增加數(shù)據(jù)可用性、提高目標(biāo)檢測(cè)準(zhǔn)確率和可靠性等優(yōu)勢(shì)[8]。Palacios-Morillo使用顏色與光譜信息數(shù)據(jù)融合的方法來(lái)對(duì)不同辛辣程度的辣椒進(jìn)行分級(jí)。金作徽等利用加速度傳感器對(duì)稱重傳感器信號(hào)的動(dòng)態(tài)補(bǔ)償校準(zhǔn)和支持向量回歸方法,開(kāi)發(fā)了一個(gè)用于在線核桃質(zhì)量檢測(cè)的多傳感器信息融合系統(tǒng)來(lái)實(shí)現(xiàn)對(duì)核桃質(zhì)量的在線檢測(cè)。

綜上所述,國(guó)內(nèi)外學(xué)者在棉花回潮率檢測(cè)方面的相關(guān)研究較多,且大多依據(jù)單一原理進(jìn)行回潮率檢測(cè)。針對(duì)以上問(wèn)題,本文使用信息融合技術(shù)對(duì)籽棉回潮率檢測(cè)方法進(jìn)行探索,為開(kāi)發(fā)一種基于電阻和電容信息融合的籽棉回潮率檢測(cè)系統(tǒng)提供基礎(chǔ)。首先,提出采用平行板結(jié)構(gòu)集成電阻檢測(cè)板與電容檢測(cè)板采集回潮率信息,使用標(biāo)準(zhǔn)電阻和標(biāo)準(zhǔn)電容分別對(duì)電阻檢測(cè)板和電容檢測(cè)板進(jìn)行可靠性驗(yàn)證;然后,進(jìn)行單一電阻法、單一電容法、電阻電容信息融合法與八籃烘箱方法的籽棉回潮率檢測(cè)對(duì)比試驗(yàn)。同時(shí),采用有監(jiān)督的機(jī)器學(xué)習(xí)算法通過(guò)數(shù)據(jù)訓(xùn)練對(duì)籽棉樣本的電阻值、電容值和八籃烘箱測(cè)量值進(jìn)行信息融合,利用多元線性回歸(MLR)、偏最小二乘回歸(PLSR)、支持向量回歸(SVR)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)算法進(jìn)行信息融合建模,并通過(guò)建立評(píng)價(jià)指標(biāo)體系選出較優(yōu)的模型。

1 材料與方法

1.1 基于電阻電容信息融合的籽棉回潮率檢測(cè)原理及試驗(yàn)平臺(tái)

1.1.1檢測(cè)原理

依據(jù)電阻法和電容法檢測(cè)籽棉回潮率的原理及特點(diǎn),提出了一種平行板傳感器。該傳感器整體設(shè)計(jì)為平行板式,分為上下兩個(gè)空心圓板,上圓板為電容的正電極,下圓板為電容的負(fù)電極,而兩電極間的介質(zhì)空腔為電容的介質(zhì)層,如圖1所示。根據(jù)試驗(yàn)平臺(tái)的壓棉裝置結(jié)構(gòu),設(shè)置平行板傳感器的正負(fù)極之間的距離L=20mm,設(shè)置平行極板外徑D=290mm。當(dāng)內(nèi)徑d=270mm時(shí),測(cè)得的電阻值與電容值的預(yù)測(cè)回潮率可覆蓋被測(cè)棉樣的回潮率區(qū)間為4%～14%。

圖1 平行板傳感器結(jié)構(gòu)Fig.1 Parallel plate sensor structure

融合檢測(cè)原理示意圖如圖2所示。檢測(cè)時(shí),使用自制平行極板同時(shí)作為電阻檢測(cè)正負(fù)極和平行板電容器上下極板,設(shè)置切換電路使電阻值檢測(cè)與電容值檢測(cè)交替進(jìn)行,電阻值通過(guò)電阻檢測(cè)板的串口返回,電容值通過(guò)電容檢測(cè)板自帶的LabView軟件讀取;將電阻值和電容值保存在同個(gè)文件夾內(nèi),使用python軟件提取電阻值與電容值并在原始數(shù)據(jù)上進(jìn)行信息融合與回潮率預(yù)測(cè)。

圖2 信息融合檢測(cè)原理示意圖Fig.2 Schematic diagram of information fusion detection principle

1.1.2試驗(yàn)平臺(tái)

籽棉回潮率檢測(cè)系統(tǒng)結(jié)構(gòu)如圖3所示。其硬件部分主要包括傳送模塊、壓棉模塊、棉樣盒、平行極板、光電傳感器、機(jī)架、PLC控制單元和計(jì)算機(jī)等;軟件部分主要包括系統(tǒng)控制模塊和回潮率預(yù)測(cè)模塊。

1.光軸固定板 2.電動(dòng)推桿 3.光軸 4.定位座 5.壓棉板 6.平行極板 7.機(jī)架 8.傳送帶 9.對(duì)射型光電傳感器 10.棉樣盒圖3 籽棉回潮率檢測(cè)系統(tǒng)結(jié)構(gòu)示意圖Fig.3 Structure diagram of cotton moisture regain detection system

1.2 電阻與電容檢測(cè)板可靠性驗(yàn)證試驗(yàn)

1.2.1電阻檢測(cè)板可靠性驗(yàn)證試驗(yàn)

使用標(biāo)準(zhǔn)電阻對(duì)試驗(yàn)平臺(tái)中采用的電阻檢測(cè)板(MJAZ-I-R型,鄭州棉麻工程技術(shù)研究所)進(jìn)行可靠性驗(yàn)證。標(biāo)準(zhǔn)電阻采用民中電工儀器廠ZX21型旋轉(zhuǎn)式電阻箱,準(zhǔn)確度等級(jí)0.1級(jí),測(cè)量范圍0～99999.9Ω,標(biāo)準(zhǔn)溫度20℃。試驗(yàn)主要利用單因素試驗(yàn)的方法,研究標(biāo)準(zhǔn)電阻與測(cè)量電阻值之間的關(guān)系。標(biāo)準(zhǔn)電阻使用旋轉(zhuǎn)式電阻箱調(diào)節(jié)獲得,測(cè)量電阻值使用MAJZ-I-R型電阻檢測(cè)板測(cè)得,使用數(shù)據(jù)分析軟件SPSS對(duì)測(cè)得的兩組數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。

1.2.2電容檢測(cè)板可靠性驗(yàn)證試驗(yàn)

使用標(biāo)準(zhǔn)電容對(duì)試驗(yàn)平臺(tái)中采用的電容檢測(cè)板(AD7746EB,Analog Devices)進(jìn)行可靠性驗(yàn)證。電容檢測(cè)板滿刻度電容變化范圍±4pF,準(zhǔn)確度4fF,工作溫度-40～125℃,標(biāo)準(zhǔn)電容采用瓷片電容器(電容大小1pF、2pF、4pF)。利用單因素試驗(yàn)的方法,研究標(biāo)準(zhǔn)電容與測(cè)量電容值的關(guān)系。測(cè)量電容值使用AD7746EB電容檢測(cè)板,由于電容檢測(cè)數(shù)值微有浮動(dòng),每個(gè)電容值測(cè)10組數(shù)據(jù)取其均值;使用數(shù)據(jù)分析軟件SPSS對(duì)兩組數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。

1.3 試驗(yàn)樣本制備

以收購(gòu)環(huán)節(jié)籽棉為研究對(duì)象,試驗(yàn)所用籽棉均來(lái)自新疆石河子總場(chǎng),如圖4所示。所有樣本制備前置于干燥環(huán)境中3個(gè)月,使得所有樣本的初始條件相同(回潮率均低于4%)。在此,共制備100組籽棉樣本,回潮率水平在4%～14%之間,此時(shí)的樣本水分含量能夠覆蓋籽棉在自然情況下所能達(dá)到的水分含量區(qū)間。通過(guò)全自動(dòng)智能型恒溫恒濕培養(yǎng)箱(HWS-80B,北京市恒諾利興科技有限公司)調(diào)濕來(lái)制備棉樣,具體制備方法如下:

圖4 籽棉樣本Fig.4 Seed cotton samples

1)將棉樣分成10組,每組3500g,制備回潮率水平為4%～14%之間的籽棉樣本;

2)將3500g棉樣分成10份,使用精度0.01g的電子天平(天孚牌系列天平,常熟市金羊砝碼儀器有限公司)每份稱取350g,分別編號(hào)1～100;

3)將分好的棉樣置于恒溫恒濕箱中調(diào)濕,恒溫恒濕箱參數(shù)設(shè)置:溫度30℃,濕度調(diào)節(jié)45%～90%RH,培養(yǎng)時(shí)間為2h;

4)培養(yǎng)完成后重新稱重,取350g棉樣裝入密封袋中靜置。

所有棉樣靜置3h以上,在精度為0.01g的天平上定期稱重;當(dāng)連續(xù)3次所稱質(zhì)量與前次質(zhì)量之間的變化小于0.01 g時(shí)認(rèn)為棉樣達(dá)到了吸濕平衡[11]。

1.4 數(shù)據(jù)采集

1.4.1籽棉電阻值與電容值采集試驗(yàn)

室內(nèi)溫度24～28℃,室內(nèi)濕度27%～28%RH。制備好的100組棉樣,每組350g,取300g用于籽棉回潮率檢測(cè)試驗(yàn)平臺(tái)測(cè)得棉樣的電阻值與電容值。電阻值通過(guò)電阻檢測(cè)板測(cè)得,因?yàn)闇y(cè)得數(shù)據(jù)有輕微浮動(dòng),故測(cè)3次取其平均值。電容值通過(guò)電容檢測(cè)板測(cè)得,因?yàn)殡娙輸?shù)據(jù)易受周圍環(huán)境影響而變化,故對(duì)電容值變化曲線進(jìn)行濾波處理以獲得較穩(wěn)定的電容值。

1.4.2籽棉真實(shí)回潮率采集試驗(yàn)

烘箱法[12](GB/T 6102.1-2006)是國(guó)家標(biāo)準(zhǔn)規(guī)定的棉花回潮率檢測(cè)方法。剩余的50g棉樣用于八籃恒溫烘箱(YG767,常州市第一紡織設(shè)備有限公司)檢測(cè),其硬件參數(shù)如下:室溫-150℃,控溫精度 ±1℃,干燥時(shí)間不超過(guò)40min,可測(cè)得被測(cè)棉樣的真實(shí)回潮率。制備好的100組棉樣其真實(shí)回潮率數(shù)據(jù)分布覆蓋了回潮率4%～14%的區(qū)間。真實(shí)回潮率的計(jì)算公式[13]為

(1)

式中W—棉樣所含水分的質(zhì)量對(duì)棉樣干燥質(zhì)量的百分比,即回潮率;

W2—棉樣實(shí)際質(zhì)量,即實(shí)重或濕重;

W1—棉樣干燥質(zhì)量,即干重。

1.5 數(shù)據(jù)預(yù)處理方法

1.5.1歸一化

歸一化是數(shù)據(jù)標(biāo)準(zhǔn)化的方法之一,將有量綱的數(shù)據(jù)轉(zhuǎn)換為無(wú)量綱的數(shù)據(jù),把數(shù)據(jù)映射到[0,1]范圍內(nèi)[14]。計(jì)算公式為

(2)

其中,x為當(dāng)前值;min為最小值;max為最大值;x*為歸一化值。

1.5.2異常數(shù)據(jù)剔除

馬氏距離(Mahalanobis distance)是度量學(xué)習(xí)中一種常用的距離指標(biāo),基于馬氏距離的異常值檢測(cè)是數(shù)據(jù)處理的常用方法。用于計(jì)算某一點(diǎn)A到某一總體G之間的距離測(cè)度[15],其公式為

(3)

其中,A為某一樣本點(diǎn)的值;G為某一總體;μ為G總體的各維度均值;Σ為F總體的協(xié)方差矩陣。

1.6 信息融合方法

1.6.1硬件條件與數(shù)據(jù)集劃分

硬件環(huán)境為聯(lián)想XiaoXinAir14ALC,CPU為AMD Ryzen 5 500U with Radons Graphhics 2.10GHz處理器,內(nèi)存16G;系統(tǒng)為Windows 11家庭中文版64位。軟件開(kāi)發(fā)的編程軟件環(huán)境為Python3.9,同時(shí)導(dǎo)入NumPy、Pandas、Scikt-Learn、OpenCV-Python和Tkinter等模塊庫(kù)為基礎(chǔ)開(kāi)發(fā)條件。

在訓(xùn)練模型之前,首先對(duì)采集的棉樣數(shù)據(jù)進(jìn)行整理和數(shù)據(jù)集的劃分,以棉樣的電阻值和電容值作為輸入,以棉樣的真實(shí)回潮率作為輸出;之后,將100組樣本按照7:3的比例劃分為訓(xùn)練集和測(cè)試集,將變量和預(yù)測(cè)數(shù)據(jù)分別存入數(shù)據(jù)表。

1.6.2信息融合模型

1)多元線性回歸。回歸分析是用來(lái)評(píng)估變量之間關(guān)系的統(tǒng)計(jì)過(guò)程。線性回歸(Linear regression,LR)可以解釋自變量X與因變量Y之間的關(guān)系,即因變量怎樣隨著自變量的變化而變化。一般線性回歸只有一個(gè)自變量,多元線性回歸(Multiple linear regression,MLR)就是一般線性回歸有多個(gè)自變量的情形[16]。多元線性回歸的表達(dá)式可以寫(xiě)成

y∧=w1·x1+w2·x2+…+wn·xn+b

(4)

其中,x為自變量;w為每個(gè)x的影響力度,即權(quán)重;n為特征的個(gè)數(shù);y＾為預(yù)測(cè)值;b為截距。

2)偏最小二乘回歸。偏最小二乘回歸(Partial least Squares Regression,PLSR)是一種多因變量Y對(duì)多自變量X的回歸建模方法,其在建立回歸的過(guò)程中既考慮了盡量提取Y和X中的主成分(Principal Component Analysis,PCA),又考慮了使分別從X和Y提取出的主成分之間的相關(guān)性最大化[17]。

3)支持向量回歸。支持向量回歸(Support Vector Regression,SVR)是一種回歸算法,工作原則類似于支持向量機(jī)(Support Vector Machine,SVM),可以說(shuō)SVR是SVM在因變量為數(shù)值變量或連續(xù)變量情況下的應(yīng)用。SVR的基本思想是通過(guò)φ(x)將非線性的低維不可分割數(shù)據(jù)x映射到高維特征空間F,并在該特征空間中執(zhí)行線性SVR,支持向量回歸算法主要由核函數(shù)、損失函數(shù)、容量控制來(lái)確定[18]。

4)反向傳播神經(jīng)網(wǎng)絡(luò)。反向傳播神經(jīng)網(wǎng)絡(luò)(BackpropagationNeuralNetwork,BPNN)被認(rèn)為是最常用的預(yù)測(cè)方法,由輸入層、隱藏層和輸出層3層組成,如圖5所示。其中,隱藏層在輸入層和輸出層之間傳遞著重要的信息[19]。

圖5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Neural network structure

1.6.3評(píng)價(jià)指標(biāo)

對(duì)籽棉回潮率檢測(cè)模型的評(píng)測(cè)有兩個(gè)標(biāo)準(zhǔn),即回潮率檢測(cè)準(zhǔn)確率和運(yùn)行效率。檢測(cè)準(zhǔn)確率通過(guò)對(duì)比回潮率預(yù)測(cè)結(jié)果與真實(shí)回潮率檢測(cè)結(jié)果獲得,運(yùn)行效率是通過(guò)對(duì)檢測(cè)程序的運(yùn)行時(shí)間進(jìn)行計(jì)時(shí)獲得。

1)回潮率檢測(cè)準(zhǔn)確率。決定系數(shù)R2在0～1之間,越接近于1,說(shuō)明模型的預(yù)測(cè)效果越好;越接近于0,說(shuō)明模型的預(yù)測(cè)效果越差;當(dāng)然也存在負(fù)值,此時(shí)說(shuō)明模型的效果非常差[20]。

(5)

均方根誤差(RMSE)是計(jì)算每一個(gè)樣本的預(yù)測(cè)值與真實(shí)值差的平方,然后求和再取平均值。該指標(biāo)計(jì)算的是擬合數(shù)據(jù)和原始數(shù)據(jù)對(duì)應(yīng)樣本點(diǎn)誤差的平方和的均值。均方根誤差就是在均方誤差的基礎(chǔ)上再開(kāi)方,其值越小說(shuō)明擬合效果越好[21]。

(6)

2)運(yùn)行效率。主要指運(yùn)行時(shí)間t,對(duì)系統(tǒng)軟件的運(yùn)行時(shí)間測(cè)試?yán)肞ython中的time()函數(shù)實(shí)現(xiàn)的。

2 結(jié)果與分析

2.1 電阻與電容檢測(cè)板可靠性驗(yàn)證

在ZX21型旋轉(zhuǎn)式電阻箱的量程內(nèi)取14個(gè)值測(cè)量,獲得標(biāo)準(zhǔn)電阻與測(cè)量電阻數(shù)據(jù)。對(duì)標(biāo)準(zhǔn)電阻與測(cè)量電阻值進(jìn)行回歸擬合,結(jié)果如圖6(a)所示。由圖6(a)可知:測(cè)量電阻值隨著標(biāo)準(zhǔn)電阻的增加而增加,其擬合曲線為y=0.976x-0.310,決定系數(shù)R2=0.9998。這表明,電阻檢測(cè)板可靠,可用于籽棉回潮率的檢測(cè)試驗(yàn)中。

圖6 可靠性驗(yàn)證回歸分析結(jié)果Fig.6 Reliability verification regression analysis results

對(duì)標(biāo)準(zhǔn)電容與測(cè)量電容值進(jìn)行回歸擬合。結(jié)果如圖6(b)所示。由圖6(b)可知:測(cè)量電容隨著標(biāo)準(zhǔn)電容的增加而增加,且兩組數(shù)據(jù)基本一致,其擬合曲線為y=0.9603x+ 0.07558,決定系數(shù)R2=0.9662。這表明,電容檢測(cè)板可靠,可用于籽棉回潮率的檢測(cè)試驗(yàn)中。

2.2 數(shù)據(jù)預(yù)處理結(jié)果

2.2.1數(shù)據(jù)歸一化

在進(jìn)行數(shù)據(jù)分析之前,對(duì)收集的數(shù)據(jù)進(jìn)行了整理和描述性的統(tǒng)計(jì)分析。試驗(yàn)獲得的數(shù)據(jù)中,電阻值的單位為0.1kΩ,電容值的單位為 pF,八籃烘箱獲得的回潮率測(cè)量值單位為 %。因此,需要對(duì)采集到的3組數(shù)據(jù)進(jìn)行歸一化處理,統(tǒng)一量綱。在此,數(shù)據(jù)預(yù)處理采用數(shù)據(jù)分析軟件SPSS,數(shù)據(jù)采集及其歸一化數(shù)據(jù)統(tǒng)計(jì)結(jié)果如表1所示。

表1 數(shù)據(jù)采集及其歸一化Table 1 Collected data and normalization

2.2.2異常數(shù)據(jù)剔除

對(duì)歸一化后的3組數(shù)據(jù)進(jìn)行三維馬氏距離判別剔除異常樣本,判別結(jié)果如圖7所示。其中,x軸R_ko為歸一化后的電阻值,y軸C_pF為歸一化后的電容值,z軸M_eb為歸一化后的八籃烘箱測(cè)量回潮率值。使用這3組數(shù)據(jù)在三維空間中畫(huà)出散點(diǎn)圖,用圓形(o)繪制所有樣本點(diǎn),星號(hào)(*)代表檢測(cè)出的異常值。由判別結(jié)果圖可以看出:本數(shù)據(jù)中無(wú)異常值,無(wú)需進(jìn)行異常樣本剔除處理。

2.3 不同模型結(jié)果對(duì)比

采用多元線性回歸模型MLR、偏最小二乘回歸模型PLSR、支持向量回歸模型SVR和反向傳播神經(jīng)網(wǎng)絡(luò)模型BPNN對(duì)測(cè)試集數(shù)據(jù)分別進(jìn)行單一電阻、單一電容和信息融合建模,測(cè)試集模型評(píng)價(jià)結(jié)果如表2所示。由表2以看出:基于電阻電容信息融合的籽棉回潮率檢測(cè)方法預(yù)測(cè)效果優(yōu)于單一電阻和單一電容的檢測(cè)方法。

表2 信息融合模型回潮率評(píng)價(jià)結(jié)果Table 2 Evaluation results of moisture regain of information fusion model

4種模型中的信息融合模型預(yù)測(cè)結(jié)果均優(yōu)于單一電阻或單一電容的模型預(yù)測(cè)結(jié)果。其中,MLR由于使用線性函數(shù)對(duì)數(shù)據(jù)進(jìn)行擬合,擬合結(jié)果對(duì)數(shù)據(jù)的表達(dá)度不高,因此MLR的評(píng)價(jià)結(jié)果均低于其他3種。PLSR是在MLR的基礎(chǔ)上增加了主成分分析和相關(guān)性最大化的基本算法,由于模型參數(shù)較少,不用提取主成分,因此PLSR的檢測(cè)結(jié)果與MLR基本一致。SVR允許在不改變解釋變量的情況下構(gòu)建非線性模型,由于其對(duì)模型的解釋度較好,SVR的單一電阻模型、單一電容模型和信息融合模型的RMSE和R2相對(duì)于MLR和PLSR都有了明顯的提高。BPNN信息融合模型的RMSE為0.0504%,均方根誤差相對(duì)于MLR和PLSR降低了0.0738個(gè)百分點(diǎn)、相對(duì)于SVR降低了0.0583個(gè)百分點(diǎn);決定系數(shù)R2為0.8966,決定系數(shù)相對(duì)于MLR和PLSR提高了0.1656,相對(duì)于SVR提高了0.1028。PLSR的程序運(yùn)行時(shí)間為0.0100s,SVR的程序運(yùn)行時(shí)間為0.0898s,BPNN的程序運(yùn)行時(shí)間為0.6690s,由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性,BPNN的運(yùn)行時(shí)間相對(duì)于PLSR和SVR較高,但低于1s,在人的感官上區(qū)別不明顯。也就是說(shuō),BPNN模型能夠有效提升籽棉回潮率的檢測(cè)精度且檢測(cè)速度較快,從而驗(yàn)證了提出方法的有效性。

3 結(jié)論

1)使用標(biāo)準(zhǔn)電阻和標(biāo)準(zhǔn)電容分別對(duì)基于電阻法和電容法的籽棉回潮率檢測(cè)板進(jìn)行可靠性驗(yàn)證試驗(yàn),利用SPSS對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行回歸分析,結(jié)果決定系數(shù)R2分別為0.9998、0.9662,證明了以上兩個(gè)檢測(cè)板的可靠性。

2)對(duì)比分析了單一電阻法、單一電容法、電阻電容信息融合法檢測(cè)數(shù)據(jù)的決定系數(shù)和均方根誤差,表明電阻電容信息融合方法的回潮率檢測(cè)效果較好。對(duì)比了線性回歸方法(MLR)、偏最小二乘回歸(PLSR)、支持向量回歸(SVR)、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)等4種算法的籽棉回潮率檢測(cè)系統(tǒng)決定系數(shù)R2、均方根誤差RMSE和運(yùn)行時(shí)間t,結(jié)果表明:BPNN算法的各項(xiàng)評(píng)價(jià)指標(biāo)最高,決定系數(shù)R2為0.8966,均方根誤差RMSE為0.0504%,程序運(yùn)行時(shí)間t為0.6690 s。

3)提出的電阻電容信息融合的籽棉回潮率檢測(cè)方法適用于收購(gòu)環(huán)節(jié)的機(jī)采籽棉。該方法優(yōu)于傳統(tǒng)的單一電阻和單一電容籽棉回潮率檢測(cè)方法,能更快速、準(zhǔn)確地測(cè)得籽棉回潮率,為收購(gòu)環(huán)節(jié)籽棉回潮率檢測(cè)提供了新思路。