基于機器視覺和電子鼻的菠菜新鮮度無損檢測研究.pdf

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)