基于高光谱成像苹果外观与内部多指标检测研究

发布时间：2018-02-04 15:44

本文关键词： 苹果高光谱成像多指标外观品质内部品质分级　出处：《沈阳农业大学》2017年博士论文　论文类型：学位论文

【摘要】：我国是苹果种植大国,产量近10年高居世界首位,各种苹果需要精确分级以适应不同人群的需求。面对庞大的数量,有必要建立精度高、速度快、指标全的检测线,以实现智能化分级,对于提高分级效率、节省劳动成本、保障我国优质苹果与进口品种的竞争力具有重要意义。本文以寒富苹果为研究对象,利用高光谱成像系统中图像与光谱相结合的特点,检测苹果外观与内部的多项指标。根据指标特征开发针对性的检测技术与方法,并通过挖掘检测中的共用信息建立多指标综合分级仿真系统。主要研究内容如下:(1)分析苹果的指标特性,根据指标的重要性确定检测流程。外观指标包括大小、外形与病害,内部指标包括糖度与硬度,颜色作为辅助指标参考内部指标检测的光谱信息验证分级结果。建立大小→外形→病害→糖度→硬度→颜色的检测顺序,实现外观状态与内部品质综合评价。(2)依据765nm与904nm两个最佳波长信息检测大小、外形与病害3项外观指标。图像预处理环节中,采用中值滤波法增强904nm图像以检测大小与外形;获取765nm的掩膜图像应用于病害检测。检测过程中,各类指标开发了针对性的描述方法与数学方法。采用MER矩判别法与像素点统计法检测大小,准确率为98.75%。通过苹果轮廓最小外接圆与最大内切圆的相关信息判别果形指数、偏心度与对称度,其中以两圆的面积比描述果形指数,以两圆的极限距离比描述偏心度,以内切圆切点连线对轮廓的分割区域比描述对称度,实现三角度外形检测,准确率为95%。病害检测中,根据病害区域与正常区域的反射光谱差异提出改进流行距离算法,通过比较流行距离L值开发了 3个适合病害检测的特征波长—700nm、765nm和904nm。根据不同波长下的光谱信息组合,建立BP神经网络检测模型,发现765nm结合904nm的反射光谱可以更好的检测病害特征,准确率为96.25%。(3)内部品质检测中,利用543nm与674nm光谱信息同时检测苹果的糖度与硬度。在双面图像采集的前提下,获取亮度相近感兴趣区域(ROIs)的光谱反射波形,采用二阶导数结合标准正态变量(SD+SNV)的方式平滑波形;根据ROIs的糖度与硬度的测试结果连续投影(SPA)出两项指标各自的特征波长,结合特征波长分布提出互换输出指标的二次连续投影算法,寻找双指标检测中共用的波长信息;根据不同环境下共用的波长信息,比较最小二乘支持向量机(LS-SVM)与遗传算法开发神经网络(GA-BP)的预测效果,发现GA-BP参考双面取样最佳波长(543nm与674nm)信息可建立最优效果,糖度预测相关系数(R)为0.8476,均方误差(MSE)为3.32;硬度R为0.7938,MSE为9.6。此外,利用糖度与硬度的最佳波长信息检测苹果颜色,根据两个波长下RIOs的反射光谱差异提出了红绿色的极限差之比与着色浓度比,判断苹果的着色度,实现颜色指标的量化判定。(4)使用MATLAB2013a设计苹果在线综合分级仿真系统,按照大小→外形→病害→糖度→硬度的顺序编写检测程序,通过识别苹果的图像、光谱、指标信息模拟在线分级。系统参照分级标准建立不同环境下的指标数据库,按照量化标准分为特级果、一级果、二级果、等外果。程序末端增设了选用的检验环节,通过检测颜色指标验证分级结果的准确性。设计仿真系统操作界面,包含用户管理、环境参数、指标参数、数据显示等功能,操作人员参考帮助信息合理使用分级系统,实现对苹果多指标的综合检测。
[Abstract]:In order to improve the classification efficiency and to save labor costs and to guarantee the competitiveness of high - quality apples and imported varieties . ( 3 ) In the detection of internal quality , the spectral reflection waveform of apples is detected by using the spectral information of 54nm and 67nm . The best results are obtained by using the second derivative combining with the standard normal variable ( SD + SNV ) . The results show that the optimal wavelength information is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the mean square error ( MSE ) is 0 . 8476 , the index parameter is the index parameter , the data display and so on .

【学位授予单位】：沈阳农业大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：S661.1;TP391.41

【相似文献】