基于HHT的小麦碰撞声识别技术：特征提取与分类研究

该论文研究主要探讨了利用基于希尔伯特-黄变换(Hilbert-Huang Transform, HHT)的方法对小麦碰撞声信号进行识别的可行性。研究背景指出，由于自然灾害和虫害，粮仓中的小麦可能会出现霉变粒、虫害粒等问题，传统的检测方法如近红外光谱法、机器视觉法和核磁共振光谱法虽然能区分不同类型，但速度慢且成本高，不适合商业大规模应用。因此，作者试图通过分析碰撞声来区分受损和完好小麦。 首先，研究者采用了EMD(经验模态分解)，这是HHT的核心技术，其能够分解信号中的不同尺度波动和趋势。他们选取了300粒小麦样本，包括完好粒、虫害粒和霉变粒，让它们撞击钢板，记录下每类麦粒的碰撞声波形。然后，使用HHT对这些声信号进行处理，提取了五个关键的频域特征，这些特征可能反映了不同类型麦粒在声学特性上的差异。 接下来，通过BP神经网络进行分类训练，这是一种人工神经网络模型，具有较强的非线性拟合能力和学习能力。通过对大量碰撞声信号数据的学习，BP神经网络能够有效地识别出不同类型的麦粒。实验结果显示，这种方法能够有效地区分完好粒、虫害粒和霉变粒，准确率较高，为实现小麦损伤粒的自动识别提供了一种新的、低成本的解决方案。 这项研究的创新之处在于结合了HHT的信号处理技术和神经网络的分类能力，不仅克服了超声检测方法的局限性，还提高了检测效率和准确性。这为粮食仓储行业的自动化管理和品质控制提供了新的思路和技术支持，有助于减少因受损麦粒而造成的面粉质量下降，降低生产成本，并有望推动相关领域的发展和应用。