基于機器視覺和高光譜圖像技術的糧食水分檢測及雜質與不完善粒別方法研究.pdf

1、提高我國農產品的技術含量和產品附加值,增加我國農產品的商品化程度,可以讓包括糧食產品在內的農產品在國際市場上更具競爭力。將機器視覺和高光譜等自動化檢測技術引入糧食品質檢測,使糧食品質得到準確、快速的檢測,是實現該目標的有效途徑之一。本文以糧粒和其中所含的雜質為研究對象,研究了機器視覺和高光譜技術應用于糧粒與識雜質別應用中的基本理論和方法,主要研究內容和成果如下:
　　 (1)研究了糧粒的光譜特征.采集嘉興、長興兩地的4個水稻品種

2、,根據樣本將其分為完整粒、不完善粒、有機雜、無機雜等9類。再采集包含956個波段的靜態(tài)高光譜圖像32幅,通過五因素四水平正交實驗的方差分析,優(yōu)選了鹵素燈作為光源,黑色環(huán)氧板作為背景,光照強度在6000-120001ux之間。在此實驗條件下提取高光譜數據的前4個PCA圖像,結合第三、第四主成分的權重系數選擇波段在620-680nm范圍內的光線作為設計機器視覺糧粒雜質檢測系統(tǒng)的照明。
　　 (2)建立了基于高光譜技術的糧粒水分檢測模

3、型。設計復水實驗控制玉米品種02102和小麥品種NS21的水分含量在10％～20％區(qū)間內,再采集不同水分條件下的高光譜數據,樣本數量為每批次3g,共300批.先采用MSC對光譜數據進行預處理,然后通過回歸分析分別得到與玉米、小麥水分值相關系數最大的4個和5個波長。再通過經驗公式使用節(jié)點數為4-5-1和5-5-1的三層BP人工神經網絡建模技術分別對玉米和小麥含水率進行了預測。通過回歸分析得到預測結果與實際值之間的決定系數R2分別為0.98

4、和0.96,相對誤差絕對值的平均值分別為0.3090和0.1916。該結果表明利用高光譜圖像技術對玉米和小麥含水率進行無損檢測是可行的,為建立一種新型的糧粒水分檢測方法和去除水分對于高光譜糧粒檢測的影響奠定了基礎。
　　 (3)構建了糧粒與雜質識別的機器視覺靜態(tài)檢測硬件系統(tǒng)和識別模型。根據國家標準并結合實驗樣本特點將其分為破碎粒、不完善粒、有機雜、無枧雜、完整粒共6個子類烈。根據直方圖閩值分割方法選取紙質白色背景作為圖像采集的背

5、景。再采集6400幅糧粒圖像,提取了圖像的形狀、顏色、不變矩等29個特征進行雜質識別的建模過程。先通過以單特征識別為主的決策樹判定法識別出68.6％的雜質;再建立了節(jié)點數為28-9-2的三層BP人工神經網絡的方法建立識別模型,網絡訓練算法為L-M優(yōu)化算法,隱層和輸出層激發(fā)函數分別為對數函數和線性函數,訓練終止條件為MSE達到0.01或迭代次數超過8000。結果顯示該模型的總體識別正確率在90％以上,并從選樣、采集和分析算法三個方面列出了