基于ANN与HSI的苹果机械损伤检测与评估

发布时间：2020-06-08 12:26

【摘要】：由于苹果采摘、运输过程中工人操作不当,道路颠簸等因素,苹果表面容易产生不同程度的机械损伤。苹果的损伤不仅会造成营养流失,还会带来巨大的经济损失。损伤时间和损伤程度是常见的苹果机械损伤的评价指标,对于苹果品质分级具有重要的现实意义。本文基于高光谱成像技术,通过采集不同损伤时间和不同损伤程度的高光谱成像数据,对其进行分析,得到以下成果:(1)提取苹果机械损伤的区域。基于RELIEF算法,根据其特征权重得到了468.04 nm、549.96 nm、621.64 nm、683.08 nm、974.92 nm五个敏感波长。随后,在所选波长建立了像素级别的苹果损伤识别逻辑回归分类模型,识别率为99.12%。并对图像进行形态学操作,得到更加完整、准确的损伤区域。结果表明,该方法能有效地检测出损伤部位。(2)估计苹果机械损伤的时间。对苹果损伤区域进行重采样,得到苹果损伤区域的特征光谱,建立关于其光谱与损伤后时间的人工神经网络模型,可以对未知的苹果损伤时间进行估计,精度可达91%。(3)苹果机械损伤程度判别。在已有的机械损伤时间估计模型的基础之上,对苹果机械损伤程度进行迁移学习,得到关于苹果机械损伤程度的人工神经网络模型,该模型对苹果损伤的判别精度可达88%。
【图文】：

光谱曲线,高光谱,关键步骤,偏最小二乘回归

于偏最小二乘回归的预测模型，，用于区分损伤苹果和非损伤苹果。如图 1-，该方法通过对光谱曲线的主成分变换得到了其右上角的图，该图反映了损与非损伤区域的差异，并通过偏最小二乘回归和图像重构最终确立了损伤。在像素级别上，对光谱建立模型，从而区分损伤区域和非损伤区域也同样当重要的现实意义，Janos 等人开发了一种如图 1-2 的基于像素的 HSI 短波果早期损伤实时检测系统，该系统对 HSI 数据进行了矫正，并通过一阶导值处理的操作降低了传感器、眩光和空间水平上不必要的变化，使基于像素小二乘回归预测准确率达到 96.25%[12]。

高光谱图像,早期损伤,苹果,实时检测系统

的方式进行噪声的消除，刘晶晶等人研究表明高光谱图像上部分光苹果损伤检测，因而其分析了图像中光斑的图像特征，结合二阶巴器，实践了图像频域内光斑信号的消除，与此同时损伤区域的边缘强[14]。吴小华等将单积分球系统和反向倍增法等结合起来，通800 nm 波段下苹果的一系列光学指标，并基于此波段下的吸收系数，利用主成分分析和概率神经网络建立了苹果损伤的判别模型[1长在基于高光谱的苹果损伤区域提取中十分重要，张保华等基于 I正常表皮和损伤区域的光谱进行分析得出权值系数图，依据该系数５个特征波段(560，660，720，820 和 960nm)，并利用 MNF 的方像进行变换，采用大津阈值法对所得的 MNF3 图像进行二值化，区域。如图 1-3 所示的实验流程所得出的结论表明这种方法对苹果可达 97.1%[16]。
【学位授予单位】：黑龙江大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S661.1;TP391.41;TP183

【相似文献】