基于機(jī)器視覺和近紅外光譜的馬鈴薯分級檢測方法.pdf

1、馬鈴薯的產(chǎn)量高、營養(yǎng)豐富，是世界上繼小麥、水稻以及玉米之后的第四大糧食作物，同時(shí)也是我國第四大糧食作物。馬鈴薯的品質(zhì)等級直接關(guān)系到馬鈴薯在市場上的價(jià)格高低以及馬鈴薯相關(guān)產(chǎn)業(yè)的發(fā)展。因此開展馬鈴薯品質(zhì)無損檢測研究具有重要的科學(xué)意義和實(shí)用價(jià)值。
　　以馬鈴薯為研究對象，采用機(jī)器視覺技術(shù)、近紅外光譜分析技術(shù)以及信息融合技術(shù)研究了基于機(jī)器視覺和近紅外光譜的馬鈴薯形狀、外部缺陷、碰傷、瘡痂病等品質(zhì)的無損檢測方法。論文主要完成的工作及相應(yīng)的結(jié)

2、論如下:
　　1)自行搭建了馬鈴薯圖像采集平臺，利用偏最小二乘橢圓擬合算法對馬鈴薯的邊界進(jìn)行橢圓擬合，利用圖像處理技術(shù)提取畸形馬鈴薯畸形部分面積像素個(gè)數(shù)，確定畸形部分像素個(gè)數(shù)占馬鈴薯總的像素個(gè)數(shù)的0.1％以上為畸形，否則判定為合格馬鈴薯。在合格馬鈴薯中，以馬鈴薯擬合橢圓離心率為判定馬鈴薯薯形的標(biāo)準(zhǔn)，經(jīng)過試驗(yàn)確定圓形馬鈴薯離心率為0.1-0.6，長形馬鈴薯離心率為0.6-0.9。
　　用該方法對驗(yàn)證集中的90個(gè)馬鈴薯進(jìn)行驗(yàn)證，

3、對30個(gè)畸形馬鈴薯進(jìn)行識別時(shí)，識別正確率為100％，對30個(gè)圓形馬鈴薯進(jìn)行識別時(shí)，只將一個(gè)圓形馬鈴薯誤判為長形馬鈴薯，識別正確率為96.67％，對30個(gè)長形馬鈴薯進(jìn)行識別時(shí)識別正確率為100％。
　　2)確定了馬鈴薯外部缺陷無損檢測方法。比較了單閾值分割方法、K均值聚類分割方法、上山法結(jié)合區(qū)域生長法三種不同圖像特征分割方法對馬鈴薯缺陷部位的分割效果，最終確定上山法結(jié)合區(qū)域生長法為馬鈴薯特征分割方法。采用上山法結(jié)合區(qū)域生長法對馬鈴薯

4、外部缺陷特征進(jìn)行特征分割，以提取的馬鈴薯表面特征區(qū)域顏色特征參數(shù)作為輸入，建立了基于機(jī)器視覺技術(shù)的馬鈴薯外部缺陷分級檢測的支持向量機(jī)識別模型。使用該模型對測試集的144個(gè)馬鈴薯樣本進(jìn)行判別時(shí)，將其中的131個(gè)樣本級別做出了正確的識別，其中9個(gè)缺陷馬鈴薯誤判為合格馬鈴薯，4個(gè)合格馬鈴薯誤判為缺陷馬鈴薯，模型總的識別率為90.97％，對合格馬鈴薯的識別率為94.29％，對缺陷馬鈴薯的識別率為87.84％。
　　3)確定了基于近紅外光譜

5、技術(shù)的碰傷馬鈴薯無損檢測方法。以240個(gè)馬鈴薯樣本為研究對象，采集的馬鈴薯近紅外光譜經(jīng)去除趨勢結(jié)合多元散射校正(Detrend+MSC)光譜預(yù)處理方法處理后，采用偏最小二乘-線性判別分析法(PLS-DA)與支持向量機(jī)-判別分析法(SVM-DA)兩種建模方法分別建立基于近紅外光譜的PLS-DA碰傷馬鈴薯檢測模型以及SVM-DA碰傷馬鈴薯檢測模型。PLS-DA模型對于校正集中碰傷馬鈴薯與合格馬鈴薯的識別正確率均為100％，其驗(yàn)證集對碰傷馬鈴

6、薯的識別率為91.4％，對合格馬鈴薯的識別率為91.1％。SVM-DA馬鈴薯碰傷識別模型的校正集識別率為100％，驗(yàn)證集中碰傷馬鈴薯的識別率為88.6％，合格馬鈴薯的識別率為91.1％。試驗(yàn)結(jié)果表明采用PLS-DA所建模型的識別率比SVM-DA所建模型對測試集的識別率高，因此確定PLS-DA為最優(yōu)建模方法。
　　4)確定了基于圖像與光譜信息的馬鈴薯瘡痂病無損檢測方法。研究了機(jī)器視覺技術(shù)和近紅外光譜分析技術(shù)分別對馬鈴薯瘡痂病進(jìn)行檢測

7、的方法，采用支持向量機(jī)識別方法分別建立了基于機(jī)器視覺技術(shù)和近紅外光譜分析技術(shù)的馬鈴薯瘡痂病識別模型，該模型對測試集馬鈴薯識別率分別為89.17％、91.67％。
　　為了進(jìn)一步提高馬鈴薯瘡痂病無損檢測識別精度，提出基于DS證據(jù)理論結(jié)合支持向量機(jī)的機(jī)器視覺和近紅外光譜的多源信息融合技術(shù)馬鈴薯瘡痂病無損檢測方法。試驗(yàn)以360個(gè)馬鈴薯為研究對象，采用DS證據(jù)理論與支持向量機(jī)相結(jié)合的方法對獲取的圖像特征和光譜特征進(jìn)行融合，建立了基于近紅外