基于機(jī)器視覺(jué)和近紅外光譜技術(shù)的農(nóng)產(chǎn)品霉變檢測(cè)方法研究.pdf

1、農(nóng)產(chǎn)品在生長(zhǎng)、儲(chǔ)藏、銷售過(guò)程中極易受霉菌污染，霉變的農(nóng)產(chǎn)品存在很大的安全隱患。目前，國(guó)內(nèi)農(nóng)產(chǎn)品的霉變檢測(cè)主要靠人工感官評(píng)定和微生物方法，感官評(píng)定法對(duì)評(píng)審人員要求較高，主觀性強(qiáng)。微生物方法費(fèi)時(shí)費(fèi)力、具有破壞性且不適于大量樣品的檢測(cè)和工業(yè)在線檢測(cè)。市場(chǎng)上的光電分選機(jī)通常只適用于顆粒狀農(nóng)產(chǎn)品，且僅有合格及不合格兩個(gè)分級(jí)類別，并且無(wú)法檢出表面顏色與正常粒幾乎無(wú)差的輕度霉變。因此尋找一種能夠客觀、便捷、無(wú)損地檢測(cè)農(nóng)產(chǎn)品霉變的有效具有重要的現(xiàn)實(shí)意義

2、。
　　本研究以煙葉和花生為對(duì)象，探討基于機(jī)器視覺(jué)和近紅外光譜技術(shù)的農(nóng)產(chǎn)品內(nèi)外部霉變程度的快速無(wú)損檢測(cè)，以期尋找到一種能夠客觀、便捷、快速、無(wú)損地檢測(cè)農(nóng)產(chǎn)品霉變的有效方法。主要研究?jī)?nèi)容如下:
　　1.基于可見(jiàn)光圖像的農(nóng)產(chǎn)品霉變檢測(cè)方法的研究
　　1)農(nóng)產(chǎn)品可見(jiàn)光圖像采集系統(tǒng)的設(shè)計(jì)與硬件優(yōu)化。針對(duì)本研究的對(duì)象:煙葉與花生，進(jìn)行圖像采集裝置的設(shè)計(jì);對(duì)相機(jī)、鏡頭、光源、背景和光箱等圖像采集系統(tǒng)硬件進(jìn)行篩選及條件優(yōu)化。

3、　　2)農(nóng)產(chǎn)品圖像的采集、處理與特征提取
　　分別進(jìn)行煙葉正反兩面圖像的采集，采用固定閾值分割法去除背景。提取[Rδ，R，Gδ，G，Bδ，(S)，Vδ，(V)，(L)*，bδ*，(b)*]11個(gè)顏色特征變量作為模型輸入數(shù)據(jù)，建立煙葉霉變線性判別分析(Linear Discriminant Analysis，LDA)模型。采用主成分分析法對(duì)煙葉變量進(jìn)行篩選，當(dāng)主成分?jǐn)?shù)為4時(shí)，LDA判別模型的性能最佳，訓(xùn)練集判別正確率為92.50％，

4、預(yù)測(cè)集判別正確率為91.67％。
　　每粒花生仁分別采集4幅圖像（每旋轉(zhuǎn)90°采集一次）。采用邊緣檢測(cè)算法進(jìn)行背景分割。分別對(duì)花生顏色和紋理特征進(jìn)行提取、分析與篩選，對(duì)各類花生的顏色閾值和紋理閾值進(jìn)行計(jì)算，并建立基于閾值的模型進(jìn)行霉變與出芽花生的檢測(cè)識(shí)別。基于顏色特征閾值法的預(yù)測(cè)正確率為100％，基于紋理特征閾值法的預(yù)測(cè)正確率為97.67％。同時(shí)建立基于花生顏色特征的KNN霉變檢測(cè)模型與基于紋理特征的KNN霉變檢測(cè)模型。前者預(yù)測(cè)集

5、的霉變識(shí)別正確率為100％;后者預(yù)測(cè)集識(shí)別正確率為98.26％。
　　2.基于近紅外光譜技術(shù)的農(nóng)產(chǎn)品霉變檢測(cè)方法的研究
　　利用傅里葉變換近紅外光譜儀的積分球漫反射法分別采集煙葉和花生的近紅外光譜，采用二階導(dǎo)數(shù)法進(jìn)行近紅外光譜預(yù)處理，然后分別建立偏最小二乘(PLS)霉變識(shí)別模型和聯(lián)合區(qū)間偏最小二乘(Si-PLS)霉變識(shí)別模型。為進(jìn)一步提高識(shí)別率，在Si-PLS模型所選光譜區(qū)域基礎(chǔ)上，結(jié)合支持向量機(jī)(SVM)建立花生Si-SV

6、M霉變檢測(cè)模型。結(jié)果表明:
　　1)煙葉霉變檢測(cè)中，基于近紅外光譜的Si-PLS模型性能較好，其訓(xùn)練集的相關(guān)系數(shù)Rc=0.9500，RMSECV=0.2560，預(yù)測(cè)集的相關(guān)系數(shù)Rp=0.9456，RMSEP=0.2710。
　　2)花生霉變與出芽檢測(cè)中，基于近紅外光譜的Si-SVM模型性能較好，其訓(xùn)練集的相關(guān)系數(shù)Rc=99.4186％，RMSECV=0.0058，預(yù)測(cè)集的相關(guān)系數(shù)Rp=98.8372％, RMSEP=0.10

7、47。
　　3.基于可見(jiàn)光圖像與近紅外光譜融合的農(nóng)產(chǎn)品內(nèi)外部霉變檢測(cè)方法的研究
　　針對(duì)本研究的對(duì)象:煙葉和花生，探討了基于機(jī)器視覺(jué)和近紅外光譜兩種傳感器信息融合的霉變檢測(cè)方法。對(duì)不同層面的信息融合方法進(jìn)行理論分析比較，最后建立基于決策層的信息融模型進(jìn)行霉變檢測(cè)。研究結(jié)果表明，基于決策層融合的煙葉霉變檢測(cè)的識(shí)別正確率為93.33％;基于決策層融合的花生霉變檢測(cè)的識(shí)別正確率為100％。
　　4.基于紫外熒光圖像的煙葉病斑

8、檢測(cè)方法研究
　　對(duì)煙葉的紫外熒光圖像采集裝置進(jìn)行設(shè)計(jì)，并對(duì)相機(jī)、鏡頭、紫外光源、背景和光箱等圖像采集硬件進(jìn)行篩選和條件優(yōu)化。用該裝置進(jìn)行煙葉紫外熒光圖像的采集，在G通道進(jìn)行閾值分割去除背景，對(duì)葉片區(qū)域進(jìn)行圖像增強(qiáng)處理，然后采用區(qū)域增長(zhǎng)法進(jìn)行病斑區(qū)域分割，結(jié)果顯示對(duì)病斑的識(shí)別正確率為77.78％。
　　研究結(jié)果表明:利用機(jī)器視覺(jué)和近紅外光譜技術(shù)對(duì)農(nóng)產(chǎn)品的霉變檢測(cè)具有可行性;基于決策層融合的農(nóng)產(chǎn)品內(nèi)外部霉變檢測(cè)具有更高的可靠性