基于可見(jiàn)近紅外光譜與機(jī)器視覺(jué)信息融合的河套蜜瓜糖度檢測(cè)方法研究.pdf

1、本文在分析國(guó)內(nèi)外可見(jiàn)近紅外光譜和機(jī)器視覺(jué)等水果無(wú)損檢測(cè)技術(shù)發(fā)展現(xiàn)狀的基礎(chǔ)上，重點(diǎn)介紹了本課題組設(shè)計(jì)的浸透射光譜和圖像信息融合的蜜瓜內(nèi)部品質(zhì)在線檢測(cè)系統(tǒng)，并基于該檢測(cè)系統(tǒng)，研究了河套蜜瓜糖度快速無(wú)損檢測(cè)方法。主要研究工作及成果如下:
　　(1)與本研究小組其他成員設(shè)計(jì)、制作了基于可見(jiàn)近紅外光譜和圖像信息融合的蜜瓜品質(zhì)在線檢測(cè)系統(tǒng)，經(jīng)過(guò)安裝、調(diào)試，本系統(tǒng)可以較好的實(shí)現(xiàn)在線采集蜜瓜可見(jiàn)近紅外光譜和圖像。
　　(2)基于該檢測(cè)系統(tǒng)，

2、采集了三個(gè)品種河套蜜瓜的靜態(tài)和在線（0.07m/s、0.09m/s、0.11m/s）漫透射光譜和圖像。在此基礎(chǔ)上，以代表性品種“金紅寶”為研究對(duì)象，進(jìn)行糖度檢測(cè)方法研究。
　　(3)對(duì)154個(gè)樣品進(jìn)行可見(jiàn)近紅外光譜預(yù)處理，提取蜜瓜的特征波長(zhǎng)，并使用spss分析蜜瓜特征波長(zhǎng)對(duì)應(yīng)的透射率主成分特征值。
　　(4)針對(duì)蜜瓜的圖像特點(diǎn)，采用圖像處理算法，從蜜瓜圖像中提取了蜜瓜的顏色信息、體積、果形指數(shù)信息，將顏色特征進(jìn)行主成分分析找

3、到可以表征顏色特征的主成分信息。
　　(5)研究了BP神經(jīng)網(wǎng)絡(luò)算法和SVM算法兩種建模方法，以蜜瓜顏色特征主成分值為輸入量，糖度值作為輸出量建立模型，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集擬合程度為70％，預(yù)測(cè)結(jié)果r與RMSE為0.4782與1.8054，SVM算法預(yù)測(cè)結(jié)果r與RMSE為0.5059與1.5949，回歸結(jié)果好于BP神經(jīng)網(wǎng)絡(luò)。
　　(6)采用支持向量機(jī)建模方法，分別對(duì)蜜瓜的圖像、光譜信息與糖度建模，顏色特征建模效果最差，r與RMS

4、E僅為0.5059與1.5949，相關(guān)性較低;光譜特征主成分模型和光譜特征模型相比，后者模型效果要比前者好，r與RMSE可以達(dá)到0.7501與1.2058。融合顏色特征和光譜特征所建立的回歸模型效果好于單個(gè)顏色特征和單個(gè)光譜特征所建立的回歸模型，r與RMSE分別達(dá)到0.8473與0.9684。當(dāng)把蜜瓜的顏色特征、體積和果形指數(shù)作為外部特征融合蜜瓜光譜特征進(jìn)行建模時(shí)效果最好，相關(guān)系數(shù)r與RMSE高達(dá)0.8630與0.9407。