碳转移与消费者低碳偏好双重影响下供应链异质性产品定价与协调研究

准确提炼碳转移和消费者低碳偏好对供应链异质性产品定价影响机理,不但有助于优化供应链企业间碳排放转移行为,而且也有助于协调供应链主体的定价行为。本文通过构建供应商主导的Stackelberg博弈模型,并将供应链企业间碳排放转移和消费者低偏好纳入到该模型中,分别在分散和集中情景下分析了碳转移和消费者低碳偏好对供应链异质性产品销售价和批发价的影响;针对分散情景下供应链整体利润损失,采用Shapley值协调供应链。研究表明：供应链企业间碳排放转移会正向影响普通产品批发价,但针对低碳产品而言,批发价会先短暂下降后上升;供应链企业间碳排放转移的存在会使得供应链产品销售价先下降后上升,其中普通产品销售价变化幅度更大;消费者低碳偏好对供应链产品定价的影响与碳转移量有关,其中低碳产品定价对消费者低碳偏好的敏感度高于普通产品;碳转移量和消费者低碳偏好达到一定值时,低碳产品会对普通产品产生市场挤兑效应。     

关键点引导相位测量的三维人脸表情获取

三维人脸表情捕获在影视、游戏、医学、社交等领域有广泛的应用。为了实现无标记自由运动中的人脸表情三维信息高精度采集,提出了基于人脸关键点检测与匹配的条纹投影三维人脸测量方法。首先,采用三频外差法获取待测对象准静态三维信息作为参考模型,并利用基于深度学习的人脸关键点检测算法从调制度图中得到初始关键点及对应的三维坐标。然后,在动态测量过程中,仅投影两幅或三幅具有相移的条纹。利用改进的傅里叶变换轮廓术或相位测量轮廓术获得变形条纹截断相位及调制度。在调制度图中检测人脸关键点并将其与初始关键点匹配得到其与参考模型中关键点坐标对应关系。计算该时刻人脸相对于参考模型的运动参数并进一步利用参考模型计算近似相位图。最终,利用近似相位图展开截断相位并实现三维形貌的重建,获得该时刻人脸三维表情。利用DLP投影仪及高速摄像机搭建了三维人脸表情捕获系统,实现了130万像素,100 fps三维数据采集。实验结果表明,该系统能够进行正脸偏转±45°内,俯仰±30°内,侧倾±45°内,大幅度变化的无标记三维表情正确捕获。     

PLS和SMLR建模方法在水蜜桃糖度无损检测中的比较研究

在实际应用中,一些实验条件往往不能严格控制而存在变化,从而影响近红外光谱检测模型的稳健性。文章以50个常温和50个冷藏后的奉化水蜜桃样品组成温度混合样品集,经光谱杠杆值和狄克松检验法进行异常光谱剔除后,采用偏最小二乘法(PLS)和逐步多元线性回归(SMLR)对水蜜桃糖度进行建模分析。PLS的建模结果：校正集相关系数R_C=0.965, 校正均方根标准误差RMSEC=0.301°Brix,交叉验证R_CV=0.812,交叉验证均方根标准误差RMSECV=0.67°Brix,标准偏差与交叉验证均方根标准误差的比值RPD=1.72;SMLR的建模结果：校正集R_C=0.929,RMSEC=0.424°Brix, 交叉验证R_CV=0.887, RMSECV=0.532°Brix, RPD=2.16。SMLR的预测结果要优于PLS的预测结果,在SMLR分析中,在3个不同的光谱区域4 290～7 817,7 817～10 725,4 290～10 725 cm-1的RPD值分别为1.97,1.89,2.16。试验结果表明,将不同温度条件下的样品组成温度混合样品集,用PLS和SMLR建立的模型具有较好的预测效果。     

梨可溶性固形物含量的在线近红外光谱检测

应用近红外透射检测技术在线检测梨的可溶性固形物(SSC)。在实验台上以0.5 m·s-1的速度,300 W的光照强度,采用半透射方式检测梨的光谱。实验采用的梨样品为187个,其中147个样品为校正集,40个样品为预测集,应用偏最小二乘回归(PLS)和主成分回归(PCR)建立梨可溶性固形物的在线预测模型。选取550～700 nm, 700～850 nm, 550～850 nm为建模波段范围,发现无论对于PLS还是PCR,都是550～850 nm波段的建模结果好。本实验还研究对比不同的光谱预处理方法(光谱平滑,一阶微分,二阶微分等)对预测模型性能的影响,其中5点S-G(Savitzky-Golay)光谱平滑能有效地提高光谱的信噪比,改善模型预测精度,而一阶微分、二阶微分对模型性能改善基本上没有影响;最好的预测模型相关系数r=0.948 8, 校正标准差RMSEC=0.236,预测标准差RMSEP=0.548。结果表明：PLS模型预测性能较好,梨可溶性固形物的在线检测具有可行性。     

基于可见/近红外光谱的水稻品种快速鉴别研究

提出了一种应用可见/近红外光谱技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法。收集了5个品种水稻共150个样本作为实验样本,通过可见/近红外光谱仪扫描这些样本获得了从350 nm到1 075 nm波长范围的光谱信息。将样本的光谱信息进行小波分解以消除高频噪声。将去噪声后的光谱数据经主成分分析压缩成数目较少的新变量(主成分),压缩得到的前4个主成分能够解释99.891%的原始光谱信息。将前4个主成分作为BP神经网络的输入,不同水稻品种值的二进制代码值作为BP神经网络的输出,建立稻谷品种的模式识别模型。模型的预测误差阈值是0.2,模型是3层网络结构,各层的节点分别是4,9和3。150个样本被随机的分成包含100个样本的建模集和50个样本的预测集。结果表明,预测未知的50个样本的正确率达到96%。说明该方法具有较高的鉴别准确度,为稻谷品种的快速无损鉴别提供了一种新的方法。