烟叶分级中红外光谱信号处理与诊断方法研究

论文摘要

本文主要研究基于红外吸收谱的神经网络烟叶自动分级中的应用。烟叶的主要成分中包含碳、氢基团（如C-O、C-H基团）,其吸收光谱主要表现在红外波段范围内,因此烟叶的红外吸收光谱可以表征与烟叶等级密切相关厚度、叶片结构、含油量、成熟度等因素。据此本文提出基于红外吸收谱信号的概率神经网络烟叶分组分级方法。目前我国烟叶分级方法仍停留在人工分级阶段。专业人员依据大量的经验,运用眼,鼻,手等从感观上判断烟叶等级。这种传统的“师傅带徒弟”的分级方式具有很强的主观随意性,或者造成国家经济损失,或者引起纠纷,打击烟农的积极性。客观公正的机器智能分级成为研究热点。现国内外有关烟叶智能分级的研究主要集中在利用图像处理方面,研究如何提取图像特征,分级方法绝大部分采用紧邻分类法。图像特征如长度,面积,长宽比,残损比等,然后运用这些图像特征来分级。但有些与烟叶等级密切相关的特征都无法用图像来表示,比如厚度,叶片结构等。相反,这些因素如果运用红外光谱反而能被更好的体现。烟叶光谱信号被广泛地应用于烟叶成分的定性和定量分析,但这些研究在获取红外谱时都对烟叶进行了粉碎和过筛等制作样品处理,这种采集,不仅丢失了烟叶的厚度信息,更重要的是这种有损采集显然不适用于烟叶的收购过程。本文采集光谱时对烟叶不做任何处理,做到真正无损检测。考虑到收购需要的快速,对光谱数据的预处理也仅仅进行去基线和平滑处理。将处理后的数据输入到分级模型,利用概率神经网络（PNN）、支持向量机（SVM）和径向基函数神经网络（RBF）建立烟叶分组分级模型,进行分组和分级判断,实验结果表明,分组和分级的正确吻合率均在90%以上。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 光谱学发展史
• 1.2 红外光谱信号处理极其应用
• 1.3 红外光谱在烟草行业中的应用
• 1.4 本论文的研究内容及章节安排
• 2 红外吸收谱数据获取及预处理
• 2.1 烟叶特征谱选择
• 2.2 获取光谱特征系统原理
• 2.3 样本来源及数据获取
• 2.4 预处理
• 3 基于概率神经网络诊断的烟叶分级方法
• 3.1 人工神经网络基本概念
• 3.2 PNN网络结构及原理
• 3.3 PNN网络模型在分组分级中的应用
• 3.4 PNN网络模型的分色可行性分析
• 3.5 PNN的分组分级级联诊断
• 3.6 本章小结
• 4 其他神经网络光谱诊断方法应用
• 4.1 RBF网络对烟叶红外吸收谱分组分级应用
• 4.1.1 RBF网络的结构及原理
• 4.1.2 分级结果
• 4.2 SVM网络对烟叶红外吸收谱分级应用
• 4.2.1 SVM网络的结构及原理
• 4.2.2 分级结果
• 4.3 三种网络分级结果比较
• 5 总结与展望
• 参考文献
• 致谢
• 个人简历、攻读硕士期间发表论文