基于高光谱成像技术的蓝莓内部品质检测方法的研究

发布时间：2017-09-08 15:42

  本文关键词：基于高光谱成像技术的蓝莓内部品质检测方法的研究

  更多相关文章： 蓝莓 高光谱成像技术 品质检测 连续投影法 BP神经网络

【摘要】：近年来,蓝莓以其丰富的营养价值和保健价值一直受到广大消费者的青睐,随着物质生活的提高,人们对蓝莓的品质要求逐渐增高。而人工分拣、分级只能依靠蓝莓的大小,颜色,形状来筛选,而蓝莓的内部品质无法分辨。高光谱成像技术是近几年来新兴起的一门融合了图像技术和光谱技术的学科,许多海内外研究学者将其应用到水果品质的检测之中,提出了很多水果无损检测的方法,并且已取得很好的研究成果。本研究利用高光谱成像技术对蓝莓内部品质(糖度和硬度)进行无损检测。为实现蓝莓在线无损检测提供技术和理论的依据,对提高蓝莓分级精度和品质检测水平有重要意义。本研究以浆果之中最具有代表性的蓝莓作为研究对象,首先采用自主搭建的高光谱成像设备,对蓝莓进行高光谱图像采集,将采集后的蓝莓立即测定其糖度、硬度实测值。其次,将采集的蓝莓高光谱图像进行校正,利用软件选取30×30的矩形感兴趣区域(ROIs),计算ROIs内的所有点的平均光谱反射率,观察平均光谱反射率曲线去除受噪声影响较大的区域,选取500nm-1000nm之间的数据作为全光谱数据。然后,研究提出简化数据和优化数据降维的方法—连续投影算法(SPA)做特征光谱提取,在糖度预测研究中,选取出12个特征波长,数据量减少了96.92%。在硬度预测实验中,选取8个特征波长,数据量减少了97.95%。最后,采用BP神经网络建立预测模型：基于全波段-BP神经网络糖度、硬度预测模型,基于SPA-BP神经网络糖度、硬度预测模型,并对所建模型的预测结果进行了比较。研究结果表明,所建模型都取得了较好的预测结果,相较于基于全波段的BP神经网络模型,基于特征波段的BP神经网络预测模型的预测结果更好。采用提取特征波段的方法建立蓝莓糖度、硬度预测模型,不仅可以降低数据维数,减少模型的计算量,而且还取得了较好的预测结果。
【关键词】：蓝莓 高光谱成像技术 品质检测 连续投影法 BP神经网络
【学位授予单位】：沈阳农业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要8-9
• Abstract9-11
• 第一章 绪论11-25
• 1.1 课题研究的背景、目的及意义11-15
• 1.2 高光谱成像技术在水果品质检测的国内外研究进展15-22
• 1.3 研究目标及具体内容22-24
• 1.4 本章小结24-25
• 第二章 实验材料和研究方法25-35
• 2.1 实验材料25-30
• 2.1.1 高光谱成像硬件设备组成25-26
• 2.1.2 高光谱图像采集软件平台26-27
• 2.1.3 高光谱图像数据处理软件平台27-29
• 2.1.4 糖度仪29
• 2.1.5 硬度计29-30
• 2.2 实验样本30
• 2.3 实验分析方法30
• 2.4 实验数据处理方法30-34
• 2.4.1 图像光谱校正方法30-31
• 2.4.2 光谱特征提取方法31-32
• 2.4.3 建模方法32-34
• 2.5 本章小结34-35
• 第三章 基于高光谱成像技术的蓝莓糖度无损检测研究35-45
• 3.1 实验样本采集35-38
• 3.1.1 蓝莓样本划分35
• 3.1.2 高光谱图像采集35-37
• 3.1.3 糖度值的采集37-38
• 3.2 数据处理及分析检测38-41
• 3.2.1 光谱校正38
• 3.2.2 光谱数据分析38-40
• 3.2.3 光谱特征提取40-41
• 3.2.4 预测模型41
• 3.3 结果与讨论41-44
• 3.4 本章小结44-45
• 第四章 基于高光谱成像的蓝莓硬度无损检测研究45-55
• 4.1 实验样本采集45-48
• 4.1.1 蓝莓样本划分45
• 4.1.2 高光谱图像采集45-47
• 4.1.3 蓝莓样本硬度值的采集47-48
• 4.2 数据处理及分析检测48-51
• 4.2.1 光谱校正48
• 4.2.2 光谱数据分析48-50
• 4.2.3 光谱特征提取50-51
• 4.2.4 预测模型51
• 4.3 结果与讨论51-54
• 4.4 本章小结54-55
• 第五章 结论与展望55-57
• 5.1 主要研究结论55-56
• 5.2 展望56-57
• 参考文献57-62
• 致谢62-63
• 攻读硕士学位期间论文发表情况63

【相似文献】

中国期刊全文数据库 前10条

1 李庆利;薛永祺;王建宇;岳小强;;高光谱成像系统在中医舌诊中的应用研究[J];红外与毫米波学报;2006年06期

2 田有文;程怡;吴琼;牟鑫;;农产品病虫害高光谱成像无损检测的研究进展[J];激光与红外;2013年12期

3 徐爽;易东;;利用高光谱成像技术检测长枣表面虫伤[J];电子制作;2013年21期

4 高国龙;用高光谱成像荧光成像仪观察海底情况[J];红外;2003年05期

5 单佳佳;彭彦昆;王伟;李永玉;吴建虎;张雷蕾;;基于高光谱成像技术的苹果内外品质同时检测[J];农业机械学报;2011年03期

6 高国龙;;美国高光谱成像技术获资金支持[J];红外;2009年11期

7 蔡健荣;韩智义;;碧螺春茶叶的真伪鉴别技术——基于漫反射式高光谱成像技术[J];农机化研究;2013年04期

8 高国龙;;采用静态傅里叶变换光谱仪的星载高光谱成像技术[J];红外;2013年05期

9 孙梅;陈兴海;张恒;陈海霞;;高光谱成像技术的苹果品质无损检测[J];红外与激光工程;2014年04期

10 罗阳;何建国;贺晓光;王松磊;刘贵珊;;农产品无损检测中高光谱成像技术的应用研究[J];农机化研究;2013年06期

中国重要会议论文全文数据库 前7条

1 卢云龙;刘志刚;;高光谱成像技术及其在目标检测中的应用进展[A];国家安全地球物理丛书（九）——防灾减灾与国家安全[C];2013年

2 马本学;应义斌;饶秀勤;;高光谱成像在水果表面缺陷及污染检测中的研究进展[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年

3 何宝琨;;使用曲面棱镜的高光谱成像系统设计[A];中国空间科学学会空间探测专业委员会第二十六届全国空间探测学术研讨会会议论文集[C];2013年

4 孙向军;刘凯龙;赵志勇;李雪涛;;高光谱成像及仿真技术途径探索[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

5 颜昌翔;;星载高光谱成像及数据应用[A];第十届全国光电技术学术交流会论文集[C];2012年

6 肖功海;舒嵘;薛永祺;;显微成像光谱技术及其应用[A];成像光谱技术与应用研讨会论文集[C];2004年

7 赖建军;陈四海;陈坦;易新建;;基于MEMS微镜阵列的高光谱成像技术研究[A];中国宇航学会深空探测技术专业委员会第三届学术会议论文集[C];2006年

中国博士学位论文全文数据库 前9条

1 葛明锋;基于轻小型无人机的高光谱成像系统研究[D];中国科学院研究生院(上海技术物理研究所);2015年

2 何青;多类型高光谱成像集成系统的研制及其应用研究[D];暨南大学;2015年

3 王彩玲;干涉高光谱成像中的信息提取技术[D];中国科学院研究生院(西安光学精密机械研究所);2011年

4 朱逢乐;基于光谱和高光谱成像技术的海水鱼品质快速无损检测[D];浙江大学;2014年

5 马m，

本文编号：814881