版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、菠菜富含大量礦物質(zhì)、維生素等重要元素,是居民膳食中常見的綠葉蔬菜。菠菜采后極易失水萎蔫、皺縮衰老,失去新鮮狀態(tài),影響食用品質(zhì)和商品價值。因此,為了保障居民食用蔬菜的營養(yǎng)安全性,同時提高蔬菜產(chǎn)品的市場競爭力,有必要對菠菜采后新鮮度的無損檢測方法進(jìn)行研究。本課題嘗試將機器視覺和電子鼻技術(shù)應(yīng)用于菠菜采后新鮮度變化的檢測研究,利用菠菜在儲藏期內(nèi)的圖像信息和氣味信息,實現(xiàn)對菠菜采后品質(zhì)的有效檢測分析。
研究的主要內(nèi)容如下:
1
2、.基于機器視覺的菠菜新鮮度的檢測研究
1)適用于菠菜圖像采集的機器視覺硬件系統(tǒng)的搭建,完成了對相機、鏡頭、光源及背景顏色等主要部件的選型,并對圖像采集系統(tǒng)進(jìn)行調(diào)試,保證圖像采集系統(tǒng)的穩(wěn)定性。
2)基于圖像信息的菠菜新鮮度等級判別模型的研究。將菠菜的葉片區(qū)域作為待提取的感興趣區(qū)域。利用大津閾值法完成對整株菠菜的閾值分割,并將圖像處理范圍縮小至整株菠菜的后2/3區(qū)域,再通過形態(tài)學(xué)及區(qū)域差集運算實現(xiàn)對葉片區(qū)域的完整分割。對
3、所得的葉片圖像,提取R,G,B,H,S,V,L,a,b,R?,G?,B?,H?,?S,V?,L?,a?,b?這18個顏色特征變量,分別建立判別菠菜新鮮度等級的K-近鄰法模型和 BP神經(jīng)網(wǎng)絡(luò)模型。其中,K-近鄰法判別模型對訓(xùn)練集、測試集樣本的正確判別率分別為92.71%和85.42%;BP神經(jīng)網(wǎng)絡(luò)判別模型對訓(xùn)練集、測試集樣本的正確判別率分別為91.67%和85.42%。所建模型均實現(xiàn)了對儲藏期內(nèi)菠菜不同新鮮度等級的判別預(yù)測,且KNN模型的
4、判別效果略優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。
3)葉綠素定量預(yù)測模型的建立。提取所得葉片圖像的顏色變量,運用線性回歸過程中的“向后選擇法”篩選出與葉綠素化學(xué)檢測值的相關(guān)程度較高的變量,得到H, H*S, H/S, S/V, g?b,b/g這6個顏色特征變量,將其用于菠菜葉綠素預(yù)測模型的建立。將偏最小二乘回歸和BP神經(jīng)網(wǎng)絡(luò)用于建立定量預(yù)測模型。建模結(jié)果顯示,偏最小二乘回歸模型中預(yù)測集樣本的均方根誤差RMSEP為0.2315,相關(guān)系數(shù)Rp為0
5、.7338;BP神經(jīng)網(wǎng)絡(luò)模型中預(yù)測集樣本的均方根誤差RMSEP為0.2147,相關(guān)系數(shù)Rp為0.7995。表明利用圖像信息對菠菜葉綠素含量的預(yù)測是基本可行的,且BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果較優(yōu)于偏最小二乘回歸模型。
2.基于電子鼻技術(shù)的菠菜新鮮度的檢測研究
1)電子鼻傳感器陣列的優(yōu)化。提取電子鼻傳感器的穩(wěn)定值作為特征變量,將因子載荷分析用于陣列優(yōu)化。從具有相似載荷因子的傳感器中選擇一個作為該類傳感器的代表。根據(jù)載荷分析
6、圖結(jié)果,最終將傳感器9、3、8、11、1、4、10作為優(yōu)化后的傳感器陣列,用于進(jìn)一步的檢測分析。
2)基于氣味信息的菠菜新鮮度等級判別模型研究。將優(yōu)化后傳感器陣列的穩(wěn)定值作為特征變量,分別建立用于判別菠菜新鮮度等級的支持向量機和 BP神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明, SVM模型對訓(xùn)練集和測試集的正確識別率分別為84.38%和75.00%,BP神經(jīng)網(wǎng)絡(luò)模型的識別率分別為88.54%和81.25%,判別效果與SVM模型相比有所提高。說明利
7、用電子鼻技術(shù)能夠較好地實現(xiàn)對菠菜儲藏期內(nèi)新鮮度等級的判別預(yù)測。
3)葉綠素定量預(yù)測模型的建立。仍用優(yōu)化后傳感器陣列的穩(wěn)定值作為模型定量預(yù)測所使用的特征變量,基于電子鼻信息和BP神經(jīng)網(wǎng)絡(luò)建立葉綠素定量預(yù)測模型。結(jié)果顯示,訓(xùn)練集均方根誤差RMSEC為0.3119,相關(guān)系數(shù)Rc為0.7013;預(yù)測集均方根誤差RMSEP為0.3023,相關(guān)系數(shù)Rp為0.6905。可以看出,雖然BP神經(jīng)網(wǎng)絡(luò)對葉綠素含量有一定的預(yù)測能力,但預(yù)測效果與機器
8、視覺相比較差。
3.基于機器視覺和電子鼻融合信息的菠菜新鮮度檢測研究。將圖像信息和氣味信息相結(jié)合,以獲取更全面的感官信息。提出將不同檢測技術(shù)獲得的特征值進(jìn)行融合的方法,建立BP神經(jīng)網(wǎng)絡(luò)模型分別用于菠菜新鮮度的等級判別及葉綠素的定量預(yù)測。模型結(jié)果顯示,基于融合信號的BP神經(jīng)網(wǎng)絡(luò)模型對訓(xùn)練集和預(yù)測集的新鮮度等級判別率分別提高至97.92%和93.75%;且模型對葉綠素含量的預(yù)測精度也有所提升,訓(xùn)練集均方誤差為0.1759,相關(guān)系數(shù)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于電子鼻的牛肉新鮮度檢測.pdf
- 基于電子鼻的魚粉新鮮度快速檢測方法研究.pdf
- 基于電子鼻的豬肉新鮮度檢測體系的研究.pdf
- 基于電子舌技術(shù)的魚新鮮度無損檢測方法研究.pdf
- 基于聲學(xué)和機器視覺技術(shù)的雞蛋裂紋和新鮮度檢測的研究.pdf
- 羊肉新鮮度無損檢測技術(shù)研究.pdf
- 基于電子鼻的魚肉新鮮度評價方法的研究.pdf
- 基于DSP圖像處理的雞蛋新鮮度實時無損檢測研究.pdf
- 電子鼻在蝦新鮮度判別中的應(yīng)用.pdf
- 鴨蛋表面臟污及新鮮度無損檢測.pdf
- 基于復(fù)阻抗特性和電子鼻的淡水魚新鮮度快速檢測方法的研究.pdf
- 魚新鮮度的電子鼻在線檢測與評價技術(shù)研究.pdf
- 基于近紅外光譜和機器視覺技術(shù)的淡水魚新鮮度檢測方法研究.pdf
- 基于電子鼻技術(shù)評價脊尾白蝦新鮮度的研究.pdf
- 電子鼻氣味檢測初步結(jié)合視覺圖像分析技術(shù)及其在食品新鮮度識別中的應(yīng)用.pdf
- 基于多源信息融合技術(shù)的豬肉新鮮度無損檢測方法研究.pdf
- 基于無線傳感器網(wǎng)絡(luò)和電子鼻的魚類新鮮度監(jiān)測系統(tǒng)研制.pdf
- 基于機器嗅覺的中華絨螯蟹新鮮度檢測技術(shù)研究.pdf
- 利用無損檢測和多傳感器數(shù)據(jù)融合技術(shù)快速檢測雞肉新鮮度.pdf
- 基于單一技術(shù)及多信息融合技術(shù)的豬肉新鮮度無損檢測研究.pdf
評論
0/150
提交評論