论文部分内容阅读
红枣虫害、霉烂等异常颗粒严重影响了红枣的整体质量，目前，对异常红枣的剔除主要靠肉眼观测和人工挑拣，判别结果受人的主观影响很大，且内部虫害、霉变等异常红枣得不到有效识别，因此寻找一种便捷、无损剔除异常鲜枣的检测方法具有重要的现实意义。
论文以宁夏红枣为研究对象，分别研究了近红外光谱技术和机器视觉技术的异常鲜枣的鉴别方法，为了提高识别精度，提出了近红外技术和机器视觉技术的二源信息融合技术异常鲜枣鉴别的新方法，建立了基于多源信息融合的异常鲜枣鉴别模型，主要研究结论如下：
1、建立了基于近红外光谱技术的异常鲜枣鉴别模型。采用主成分分析法提取红枣光谱的特征光谱，以红枣样本的特征光谱为模型输入，采用测试集50个红枣样本数据对模型进行验证，实验结果表明，模型对异常红枣预测集的识别率为92.75％。
2、用MATLAB软件对红枣图像进行分析，用K均值聚类算法实现了红枣与背景的分割，用直方图均衡化方法实现了红枣图像的加强，突出了异常红枣的缺陷特征；提取了红枣图像的颜色特征、纹理特征以及缺陷特征(虫眼特征值和裂痕特征值)参数，有效反应了异常红枣与合格红枣在色泽、纹理上的差异。
3、建立了基于机器视觉技术和BP神经网络的异常鲜枣鉴别模型，采用公式和试探相结合的方法，确定网络隐含层神经元数目为15，采用测试集40个样本对模型进行验证，的实验表明，模型对异常鲜枣预测集的识别率为89.11％。
4、运用多源信息融合融合技术对异常鲜枣鉴别方法进行研究，在特征层对红枣光谱特征信息和图像特征信息进行融合，采用BP神经网络融合算法，建立了基于BP神经网络的异常鲜枣鉴别的二源信息融合模型，实验表明该模型对异常鲜枣预测集的识别率为96.67％，大大提高了识别精度。