论文部分内容阅读
针对目前库尔勒香梨检测分级手段落后,检测效率低,而且对其内部品质检测只能进行有损检测。综合利用图像处理技术、光谱分析技术、高光谱成像技术、模式识别、化学计量学、光学、果树生理学等诸多领域的知识,开展对其外部品质和内部品质（类别、重量、糖度、果梗,以及形状等）的无损检测方法研究,在上述研究的基础上建立其品质的快速检测方法和检测模型,为以后进一步研究开发库尔勒香梨品质在线无损检测装备提供理论支持,且得出的研究结论可借鉴用于其它同类水果。主要研究内容和结论为:（1）基于图像处理技术的库尔勒香梨脱萼果和宿萼果判别研究。依据图像处理技术提取香梨底部的花萼特征,计算出其圆度,然后根据统计特性确定阈值对脱萼果和宿萼果进行判别分析,研究结果表明该方法对脱萼果的正确识别率为79.7%,对宿萼果的正确识别率为85.9%,对所有香梨样本的正确识别率为82.8%。结果表明,利用图像处理技术能对库尔勒香梨脱萼果和宿萼果进行自动判别。（2）基于近红外光谱分析技术的库尔勒香梨脱萼果和宿萼果判别研究。对比分析了应用DA判别分析和SIMCA法在不同波段、不同预处理方法对库尔勒香梨脱萼果和宿萼果的定性分析模型性能的影响。结果表明:利用近红外光谱分析技术,判别分析（Discriminant Analysis,DA）法在长波近红外区域(9091～4000 cm-1)范围结合原始光谱建立的DA判别模型最优,对校正集正确分类率为100%,预测集正确分类率为95%;而采用SIMCA法利用近红外漫反射光谱技术对库尔勒香梨脱萼果和宿萼果进行定性判别分析,光谱范围在长波近红外区域(9091～4000 cm-1),并采用原始光谱建立的校正模型对校正集正确判别率为100%,预测集的正确判别率为70%。因此,利用DA判别分析法所建的校正模型比使用SIMCA法在对库尔勒香梨的脱萼果和宿萼果进行判别时具有更高的预测精度。结果表明,利用近红外光谱也能对库尔勒香梨脱萼果和宿萼果进行自动判别。（3）基于图像处理技术的库尔勒香梨果梗提取方法研究。通过对RGB颜色模型的R、G、B颜色分量灰度进行分析,采用R-B颜色因子对背景进行分割,在香梨图像经过背景分割和边缘检测获取边缘图像后,提出一种利用数学形态学方法对香梨果梗自动提取的新方法。实验研究结果表明,该方法对香梨果梗提取的正确率为90.7%。结果表明,利用图像处理技术能对库尔勒香梨果梗实现自动提取。（4）基于近红外光谱分析技术的库尔勒香梨糖度的定量和定性分析研究。对比分析了应用偏最小二乘回归和主成分回归结合不同波段、不同预处理方法对库尔勒香梨糖度定量分析模型性能的影响。偏最小二乘回归模型的性能都明显高于主成分回归模型的性能。研究结果表明当采用偏最小二乘回归模型时,光谱范围在(12400～4000 cm-1),主成分因子数为7,并采用MSC对原始光谱进行校正时建立的校正模型较优,所建校正模型的相关系数rcal,为0.964,校正集的RMSEC为0.518,预测均方根误差RMSEP为0.324。依据建立的校正模型根据库尔勒香梨分类标准（NY/T 585-2002）对其进行分类,研究结果表明其对全部实验样本的特级果的正确分类率为86.36%,对一级果的正确分类率为61.54%,对二级果的正确分类率为88.89%,对等外果的正确分类率为80.00%。结果表明,利用近红外光谱可对库尔勒香梨糖度进行检测。（5）基于图像处理技术的水果重量预测模型研究。通过图像处理技术获取香梨的侧面投影面积和顶部投影面积,分别利用侧面投影面积、顶部投影面积、侧面投影面积与顶部投影面积与重量建立回归方程,研究结果表明利用侧面投影面积和顶部投影面积所建立的多元线性回归方程效果最佳,其回归方程为（?）=-47.3213+2.474232x1+3.03103x2,模型的决定系数为0.975,利用预测集样本对其进行检测,其相对重量的平均预测误差为2.74%,而对库尔勒香梨的重量分级率为91.30%。结果表明,利用图像处理技术可对库尔勒香梨的重量进行预测。（6）基于图像处理的水果形状识别方法研究。经过图像预处理、背景分割、利用数学形态学方法获取果梗、进而利用图像减法运算获取香梨果实图像。在正确提取果实边缘的基础上,比较了利用离散指数、人工神经网络、支持向量机和模糊C-均值聚类四种不同方法对水果形状分类的结果,识别结果如下:基于离散指数对水果的形状识别准确率为88.28%;使用离散指数、圆度作为BP神经网络输入变量,隐含层为1,研究结果表明采用TRAINRP训练函数对BP神经网络对训练集样本的识别准确率为90.91%,预测集样本识别准确率为89.66%;利用最小二乘支持向量机（LS-SVM）对水果的形状进行分类识别,研究结果表明对训练集样本的识别准确率为91.92%,预测集样本识别准确率为89.66%;利用无监督的模糊C均值聚类对水果的总的识别率为86.72%。从对库尔勒香梨形状识别方法研究结果得出,使用基于最小二乘支持向量机（LS-SVM）的水果形状识别模型的识别效果最优。结果表明,利用图像处理技术可对库尔勒香梨的形状进行识别。（7）构建适于水果品质检测的高光谱图像分析系统（400～1000 nm）,并开展了基于高光谱图像的库尔勒香梨糖度检测方法研究。在光谱范围422～982 nm范围内分析不同预处理方法对偏最小二乘回归所建模型性能的影响。与原始光谱所建模型相比,光谱经一阶微分、标准归一化（SNV）、Norries滤波等运算后所建模型相关系数有了明显提高;而模型经过二阶微分+Norris滤波和标准归一化预处理后校正模型的相关系数从0.803提高到0.898,而RMSEP则从0.644下降到0.596;模型的RMSECV从0.720下降到0.704。说明该模型比原始光谱所建立模型要好。综合比较最后选择经过标准归一化+过二阶微分和Norris滤波处理后建立的校正模型最优。结果表明,利用高光谱成像技术可对库尔勒香梨的糖度进行预测。