基于圖像處理和光譜分析技術(shù)的水果品質(zhì)快速無(wú)損檢測(cè)方法研究.pdf

1、針對(duì)目前庫(kù)爾勒香梨檢測(cè)分級(jí)手段落后，檢測(cè)效率低，而且對(duì)其內(nèi)部品質(zhì)檢測(cè)只能進(jìn)行有損檢測(cè)。綜合利用圖像處理技術(shù)，光譜分析技術(shù)、高光譜成像技術(shù)、模式識(shí)別，化學(xué)計(jì)量學(xué)、光學(xué)、果樹生理學(xué)等諸多領(lǐng)域的知識(shí)，開展對(duì)其外部品質(zhì)和內(nèi)部品質(zhì)(類別、重量、糖度、果梗，以及形狀等)的無(wú)損檢測(cè)方法研究，在上述研究的基礎(chǔ)上建立其品質(zhì)的快速檢測(cè)方法和檢測(cè)模型，為以后進(jìn)一步研究開發(fā)庫(kù)爾勒香梨品質(zhì)在線無(wú)損檢測(cè)裝備提供理論支持，且得出的研究結(jié)論可借鑒用于其它同類水果。

2、r>　　 主要研究?jī)?nèi)容和結(jié)論為：
　　 (1)基于圖像處理技術(shù)的庫(kù)爾勒香梨脫萼果和宿萼果判別研究。依據(jù)圖像處理技術(shù)提取香梨底部的花萼特征，計(jì)算出其圓度，然后根據(jù)統(tǒng)計(jì)特性確定閾值對(duì)脫萼果和宿萼果進(jìn)行判別分析，研究結(jié)果表明該方法對(duì)脫萼果的正確識(shí)別率為79.7％，對(duì)宿萼果的正確識(shí)別率為85.9％，對(duì)所有香梨樣本的正確識(shí)別率為82.8％。結(jié)果表明，利用圖像處理技術(shù)能對(duì)庫(kù)爾勒香梨脫萼果和宿萼果進(jìn)行自動(dòng)判別。
　　 (2)基于近紅

3、外光譜分析技術(shù)的庫(kù)爾勒香梨脫萼果和宿萼果判別研究。對(duì)比分析了應(yīng)用DA判別分析和SIMCA法在不同波段、不同預(yù)處理方法對(duì)庫(kù)爾勒香梨脫萼果和宿萼果的定性分析模型性能的影響。結(jié)果表明：利用近紅外光譜分析技術(shù)，判別分析(Discriminant Analysis，DA)法在長(zhǎng)波近紅外區(qū)域(9091～4000cm—1)范圍結(jié)合原始光譜建立的DA判別模型最優(yōu)，對(duì)校正集正確分類率為100％，預(yù)測(cè)集正確分類率為95％；而采用SIMCA法利用近紅外漫反射

4、光譜技術(shù)對(duì)庫(kù)爾勒香梨脫萼果和宿萼果進(jìn)行定性判別分析，光譜范圍在長(zhǎng)波近紅外區(qū)域(9091～4000cm—1)，并采用原始光譜建立的校正模型對(duì)校正集正確判別率為100％，預(yù)測(cè)集的正確判別率為70％。因此，利用DA判別分析法所建的校正模型比使用SIMCA法在對(duì)庫(kù)爾勒香梨的脫萼果和宿萼果進(jìn)行判別時(shí)具有更高的預(yù)測(cè)精度。結(jié)果表明，利用近紅外光譜也能對(duì)庫(kù)爾勒香梨脫萼果和宿萼果進(jìn)行自動(dòng)判別。
　　 (3)基于圖像處理技術(shù)的庫(kù)爾勒香梨果梗提取方法

5、研究。通過(guò)對(duì)RGB顏色模型的R、G、B顏色分量灰度進(jìn)行分析，采用R—B顏色因子對(duì)背景進(jìn)行分割，在香梨圖像經(jīng)過(guò)背景分割和邊緣檢測(cè)獲取邊緣圖像后，提出一種利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)香梨果梗自動(dòng)提取的新方法。實(shí)驗(yàn)研究結(jié)果表明，該方法對(duì)香梨果梗提取的正確率為90.7％。結(jié)果表明，利用圖像處理技術(shù)能對(duì)庫(kù)爾勒香梨果梗實(shí)現(xiàn)自動(dòng)提取．
　　 (4)基于近紅外光譜分析技術(shù)的庫(kù)爾勒香梨糖度的定量和定性分析研究。對(duì)比分析了應(yīng)用偏最小二乘回歸和主成分回歸結(jié)合

6、不同波段、不同預(yù)處理方法對(duì)庫(kù)爾勒香梨糖度定量分析模型性能的影響。偏最小二乘回歸模型的性能都明顯高于主成分回歸模型的性能。研究結(jié)果表明當(dāng)采用偏最小二乘回歸模型時(shí)，光譜范圍在(12400～4000cm—1)，主成分因子數(shù)為7，并采用MSC對(duì)原始光譜進(jìn)行校正時(shí)建立的校正模型較優(yōu)，所建校正模型的相關(guān)系數(shù)rcat為0.964，校正集的RMSEC為0.518，預(yù)測(cè)均方根誤差RMSEP為0.324。依據(jù)建立的校正模型根據(jù)庫(kù)爾勒香梨分類標(biāo)準(zhǔn)(NY/T5

7、85—2002)對(duì)其進(jìn)行分類，研究結(jié)果表明其對(duì)全部實(shí)驗(yàn)樣本的特級(jí)果的正確分類率為86.36％，對(duì)一級(jí)果的正確分類率為61.54％，對(duì)二級(jí)果的正確分類率為88.89％，對(duì)等外果的正確分類率為80.00％。結(jié)果表明，利用近紅外光譜可對(duì)庫(kù)爾勒香梨糖度進(jìn)行檢測(cè)。
　　 (5)基于圖像處理技術(shù)的水果重量預(yù)測(cè)模型研究。通過(guò)圖像處理技術(shù)獲取香梨的側(cè)面投影面積和頂部投影面積，分別利用側(cè)面投影面積、頂部投影面積、側(cè)面投影面積與頂部投影面積與重量建

8、立回歸方程，研究結(jié)果表明利用側(cè)面投影面積和頂部投影面積所建立的多元線性回歸方程效果最佳，其回歸方程為(y)=—47.3213+2.474232x1+3.03103x2，模型的決定系數(shù)為0.975，利用預(yù)測(cè)集樣本對(duì)其進(jìn)行檢測(cè)，其相對(duì)重量的平均預(yù)測(cè)誤差為2.74％，而對(duì)庫(kù)爾勒香梨的重量分級(jí)率為91.30％．結(jié)果表明，利用圖像處理技術(shù)可對(duì)庫(kù)爾勒香梨的重量進(jìn)行預(yù)測(cè)．
　　 (6)基于圖像處理的水果形狀識(shí)別方法研究。經(jīng)過(guò)圖像預(yù)處理、背景分

9、割、利用數(shù)學(xué)形態(tài)學(xué)方法獲取果梗、進(jìn)而利用圖像減法運(yùn)算獲取香梨果實(shí)圖像，在正確提取果實(shí)邊緣的基礎(chǔ)上，比較了利用離散指數(shù)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和模糊C—均值聚類四種不同方法對(duì)水果形狀分類的結(jié)果，識(shí)別結(jié)果如下：基于離散指數(shù)對(duì)水果的形狀識(shí)別準(zhǔn)確率為88.28％；使用離散指數(shù)、圓度作為BP神經(jīng)網(wǎng)絡(luò)輸入變量，隱含層為1，研究結(jié)果表明采用TRAINRP訓(xùn)練函數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集樣本的識(shí)別準(zhǔn)確率為90.91％，預(yù)測(cè)集樣本識(shí)別準(zhǔn)確率為89.66％

10、；利用最小二乘支持向量機(jī)(LS—SVM)對(duì)水果的形狀進(jìn)行分類識(shí)別，研究結(jié)果表明對(duì)訓(xùn)練集樣本的識(shí)別準(zhǔn)確率為91.92％，預(yù)測(cè)集樣本識(shí)別準(zhǔn)確率為89.66％；利用無(wú)監(jiān)督的模糊C均值聚類對(duì)水果的總的識(shí)別率為86.72％。從對(duì)庫(kù)爾勒香梨形狀識(shí)別方法研究結(jié)果得出，使用基于最小二乘支持向量機(jī)(LS—SVM)的水果形狀識(shí)別模型的識(shí)別效果最優(yōu)。結(jié)果表明，利用圖像處理技術(shù)可對(duì)庫(kù)爾勒香梨的形狀進(jìn)行識(shí)別。
　　 (7)構(gòu)建適于水果品質(zhì)檢測(cè)的高光譜圖像

11、分析系統(tǒng)(400～1000nm)，并開展了基于高光譜圖像的庫(kù)爾勒香梨糖度檢測(cè)方法研究。在光譜范圍422～982nm范圍內(nèi)分析不同預(yù)處理方法對(duì)偏最小二乘回歸所建模型性能的影響。與原始光譜所建模型相比，光譜經(jīng)一階微分、標(biāo)準(zhǔn)歸一化(SNV)、Norries濾波等運(yùn)算后所建模型相關(guān)系數(shù)有了明顯提高；而模型經(jīng)過(guò)二階微分斗Norris濾波和標(biāo)準(zhǔn)歸一化預(yù)處理后校正模型的相關(guān)系數(shù)從0.803提高到0.898，而RMSEP則從0.644下降到0.596；