基于高光谱分析的蔬菜品质检测方法研究

发布时间：2020-06-30 00:12

【摘要】：以结球甘蓝、马铃薯、马铃薯微型种薯为研究对象,开展了高光谱分析的蔬菜品质检测方法研究,为蔬菜产品规格、等级、外部缺陷检测和品种识别提供理论和技术支持。论文的主要研究内容如下:[1]基于机器视觉技术的结球甘蓝外观品质检测机器视觉技术结合BP神经网络,建立了结球甘蓝叶球形状的BP神经网络识别模型。结球甘蓝的叶球形状,分为尖头,平头,圆头三种。传统叶球形状识别由人工完成。运用图像处理技术,提取了结球甘蓝图像的高度、宽度、长轴、面积4个绝对形状参数,定义了高宽比、圆形度、矩形度、椭形度、球顶形状指数5个相对形状参数。分别以4个绝对参数,5个相对参数,以及上述9个参数作为网络输入,建立BP神经网络叶球形状识别模型,正确识别率分别为62.5%,100%和100%。9个参数作为输入参数构建的BP网络识别模型可用于生产实践。机器视觉技术结合模糊聚类分析方法,建立了结球甘蓝等级划分模型。国标“NY/T 1586—2008结球甘蓝等级规格”中,将结球甘蓝分为3级。运用图像处理技术,提取结球甘蓝图像中反映外观特征的形状、颜色、纹理特征,通过模糊聚类分析方法将校正集样本分为3个类别。3个类别形状、颜色、纹理图像特征参数平均值和方差的统计结果表明,第3类样本是特级结球甘蓝,第2类样本是一级结球甘蓝,第1类样本是二级结球甘蓝。通过计算待测结球甘蓝与各等级样本中心的欧氏距离,以最小距离确定待测样品的等级归属。[2]基于近红外光谱分析的结球甘蓝内在品质检测近红外光谱分析技术结合多元回归和偏最小二乘回归方法,建立了结球甘蓝维生素C预测模型。原始光谱经过一阶导数处理,利用7个主成分建立偏最小二乘回归(Partial least squares,PLS)模型,检测精度高,可以代替传统检测方法。逐步回归方法选择的8,6,5个优选波长建立多元线性回归模型,利用较少的波长变量来预测维生素C含量,降低模型复杂度,可以为便携式检测仪器开发提供技术支持。近红外光谱分析技术结合竞争性自适应重加权采样波长优选方法和偏最小二乘回归方法,建立了结球甘蓝可溶性糖含量预测模型。利用竞争性自适应重加权采样法(Competitive adaptive reweighted sampling,CARS)共优选了 84 个建模波数,CARS 算法选取的波数,可以同时引入与化学值和背景信息相关的光谱信息,减少了建模变量,降低了模型的复杂度,提高了模型的预测精度。所建立的CARS-PLS结球甘蓝可溶性糖含量预测模型可用于生产实践。[3]基于高光谱的马铃薯干腐、疮痂病检测光谱曲线上的极值点和极值点间的中点,这些关键点最能体现反射光谱的“指纹”效应。找出正常、干腐、疮痂马铃薯平均光谱曲线上的这些关键点,以平均光谱曲线上的关键点对应的反射率形成标准模式特征向量,通过计算待测样本的对应模式特征向量与3个标准向量的马氏距离,以最小距离判定待测样本的归属,正常、干腐、疮痂马铃薯样本的正确识别率均为100%。正常、干腐、疮痂马铃薯样本平均光谱曲线上共有6个相同极值点,相邻两点间连线的斜率可以体现这种变化,利用斜率形成识别的模式特征向量,同样以最小马氏距离判定待测样本的归属。波长911,1 269,1455nm处两点间的斜率形成的模式特征向量,正常和疮痂样本的正确识别率为100%,干腐样本的正确识别率为97.6%。[4]基于高光谱的马铃薯微型种薯分类检测以前3个主成分作为分类变量,应用判别分析,BP神经网络,支持向量机,对大西洋、荷兰-14、荷兰十五041、荷兰十五Q8、冀张薯12号、冀张薯8号、兴佳2号和Y2共8种马铃薯微型种薯分类问题进行研究。由于类别较多,对8个品种建立单一分类模型,分类效果较差,采用分层次的分类建模,提高泛化能力。
【学位授予单位】：中国农业大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：S635.1;S532;TP391.41
【图文】：

叶球,图像分割,球形

位论文逦第二章基于机器视觉技术的结球甘量范围为５００￣３１００ｇ，所有样品室温保存。逡逑图像采集在白炽灯光源、背景为黑色的试验箱内进行。相机放置，调整物距和焦距，使相机采集到的图像达到最图像采集，并将采集到的图像数据保存至计算机存储。逡逑蓝球形的因素是叶球的宽和高的比例关系，以及叶球顶部是确定叶球类型的关键步骤。逦逦逡逑

示意图,叶球,结球甘蓝,球形

将叶球上部１／５定义为叶球上部，球顶形状指数定义为：叶球最高点分别和叶球逡逑顶部最左点和最右点两条连线的夹角度数与１８０°的比值，球顶形状指数效果示意图见逡逑图２－２，图中虚线连接三角形，左右两条边所夹角即为所求角度。逡逑图２－邋２叶球球顶形状指数示意图逡逑对获得的结球甘蓝球形特征进行模式识别可以确定具体球形。本文采用分别ＢＰ逡逑神经网络模式识别方法和判别分析两种方法。逡逑训练集样本由三类球形的甘蓝组成，网络训练结束后每一类球形的甘蓝都有一个逡逑样本中心，可以用一个一维向量表示，向量的每一项就是各参数的样本均值。本文使逡逑用欧氏距离计算样本与样本中心的距离，解释样本错误识别的原因。为了去量纲，消逡逑除大数据对计算结果的影响，所有数据线经过标准化处理。逡逑２．２．２结果与分析逡逑表２－１列出了邋１２个特征参数的最小值、最大值和均值的取值情况。逡逑三类球形长轴和宽度的取值范围比较窄，尖、平、圆形球结球甘蓝长轴最值分别逡逑相差２２、２０、２７像素，宽度最值分别相差３５、２３、２３。短轴和高度的取值范围相对逡逑较宽，尖、扁、圆形球结球甘蓝短轴最值相差分别为８５、７９、８５，高度最值相差８０、逡逑８３、８２。３类球形的长轴、短轴、高度、宽度４个参数最小值、均值、最大值的大小逡逑关系一致

【参考文献】