鸡蛋内部含有丰富的营养,是全世界最为广泛的食品,也是很多食品的加工原料,因此,鸡蛋内部品质关系着国家民生和人民的健康。血斑是鸡蛋内部品质的主要检测指标,血斑的检测是保证鸡蛋内部品质的基础。因此,为了保证鸡蛋进入流通领域的品质和质量,对于血斑蛋检测的研究具有直接的现实意义和研究价值。本课题以鸡蛋为研究对象,通过光学技术和模式识别方法对血斑蛋的在线判别模型进行研究,从而对鸡蛋内部的血斑进行判别。本文主要的研究内容和结论如下:(1)在血斑蛋文献的研究基础上,对500nm-599nm范围的血斑蛋和正常蛋的透过率进行分析,发现在这一范围内两种蛋具有诸多差异性,将两种蛋的平均透过率进行分析,本文最终选择500nm-599nm为本课题的全波段,为后续波段特征提取与建模提供理论基础。(2)采用三种算法进行异常样本的剔除,分别是聚类、相似系数和以及箱形图异常值检测,若三种方法中两种及两种以上共同判别为异常样本,则该样本为异常样本,通过打破验证分析异常样本特征。(3)利用多种算法进行数据的预处理,包括数据增强变换、平滑、求导、多元散射校正、标准正态变换,通过建模效果确定最佳的预处理方法为标准正态变换。经过后期对于三种速度模式的光谱差异分析,采用一阶导数和标准正态变换相结合的预处理方法,有效减小由于光谱纵向偏移产生的误差。(4)为了简化全波段光谱特征,利用三种方法筛选特征波长,基于特征波段的筛选是利用iPLS算法,基于特征波长变量的筛选是采用CARS和SPA算法,将三种方法筛选出的特征波长建立校正模型后得到CARS筛选的特征变量建模效果最佳,可代替全波段进行分析。(5)考虑在线检测的特殊要求,选择5种方法建立线性模型,分别是偏最小二乘判别分析(PLSDA),支持向量机(SVM),逐步贝叶斯判别分析(SBDA),二项Logistic回归(BLR),线性判别分析(LDA),通过模型的判别准确率和模型的运行时间,综合考虑适合在线检测的诸多因素,SBDA效果最佳,植入在线检测程序中可以快速实现判别,更加适用流水线的检测模式。因此,本文最终选择SBDA作为的血斑蛋在线判别模型。(6)通过统一条件下模型的更新,寻找最佳的参数匹配设置,通过将速度条件下的样本验证更新后的模型,得出该参数组合更加适合2500枚/小时的检测模式。通过更换新样本代入模型,验证模型的适用性,分析2500枚/小时的血斑蛋和正常蛋的判错的样本图谱和打破后的鸡蛋内部情况,并将判错的样本加入模型的训练过程,对模型进行有针对性,指导性的优化,得到判别模型:其中Y1代表血斑蛋,Y2代表正常蛋。Y1=0.242*X512+0.659*X531+3.482*X558+1.187*X566-2.030*X568-0.402*X580+2.359*X586+4.972*X598-6.327Y2=-1.212*X512-0.961*X531+4.888*X558+3.949*X566+1.298*X568-3.335*X580-0.239*X586+2.598*X598-9.964判别结果为:血斑蛋60枚可以全部判别正确,准确率为100%,正常蛋118枚判错9个,准确率为92.4%,整体准确率为94.9%。因此,考虑将优化的模型植入实际血斑蛋在线检测中。