基于機器視覺和電子鼻的菠菜新鮮度無損檢測研究.pdf

1、菠菜富含大量礦物質、維生素等重要元素，是居民膳食中常見的綠葉蔬菜。菠菜采后極易失水萎蔫、皺縮衰老，失去新鮮狀態(tài)，影響食用品質和商品價值。因此，為了保障居民食用蔬菜的營養(yǎng)安全性，同時提高蔬菜產(chǎn)品的市場競爭力，有必要對菠菜采后新鮮度的無損檢測方法進行研究。本課題嘗試將機器視覺和電子鼻技術應用于菠菜采后新鮮度變化的檢測研究，利用菠菜在儲藏期內的圖像信息和氣味信息，實現(xiàn)對菠菜采后品質的有效檢測分析。
　　研究的主要內容如下：
　　1

2、.基于機器視覺的菠菜新鮮度的檢測研究
　　1）適用于菠菜圖像采集的機器視覺硬件系統(tǒng)的搭建，完成了對相機、鏡頭、光源及背景顏色等主要部件的選型，并對圖像采集系統(tǒng)進行調試，保證圖像采集系統(tǒng)的穩(wěn)定性。
　　2）基于圖像信息的菠菜新鮮度等級判別模型的研究。將菠菜的葉片區(qū)域作為待提取的感興趣區(qū)域。利用大津閾值法完成對整株菠菜的閾值分割，并將圖像處理范圍縮小至整株菠菜的后2/3區(qū)域，再通過形態(tài)學及區(qū)域差集運算實現(xiàn)對葉片區(qū)域的完整分割。對

3、所得的葉片圖像，提取R,G,B,H,S,V,L,a,b,R?,G?,B?,H?，?S,V?,L?,a?,b?這18個顏色特征變量，分別建立判別菠菜新鮮度等級的K-近鄰法模型和 BP神經(jīng)網(wǎng)絡模型。其中，K-近鄰法判別模型對訓練集、測試集樣本的正確判別率分別為92.71％和85.42%；BP神經(jīng)網(wǎng)絡判別模型對訓練集、測試集樣本的正確判別率分別為91.67%和85.42%。所建模型均實現(xiàn)了對儲藏期內菠菜不同新鮮度等級的判別預測，且KNN模型的

4、判別效果略優(yōu)于BP神經(jīng)網(wǎng)絡模型。
　　3）葉綠素定量預測模型的建立。提取所得葉片圖像的顏色變量，運用線性回歸過程中的“向后選擇法”篩選出與葉綠素化學檢測值的相關程度較高的變量，得到H, H*S, H/S, S/V, g?b,b/g這6個顏色特征變量，將其用于菠菜葉綠素預測模型的建立。將偏最小二乘回歸和BP神經(jīng)網(wǎng)絡用于建立定量預測模型。建模結果顯示，偏最小二乘回歸模型中預測集樣本的均方根誤差RMSEP為0.2315，相關系數(shù)Rp為0

5、.7338；BP神經(jīng)網(wǎng)絡模型中預測集樣本的均方根誤差RMSEP為0.2147，相關系數(shù)Rp為0.7995。表明利用圖像信息對菠菜葉綠素含量的預測是基本可行的，且BP神經(jīng)網(wǎng)絡模型的預測效果較優(yōu)于偏最小二乘回歸模型。
　　2.基于電子鼻技術的菠菜新鮮度的檢測研究
　　1）電子鼻傳感器陣列的優(yōu)化。提取電子鼻傳感器的穩(wěn)定值作為特征變量，將因子載荷分析用于陣列優(yōu)化。從具有相似載荷因子的傳感器中選擇一個作為該類傳感器的代表。根據(jù)載荷分析

6、圖結果，最終將傳感器9、3、8、11、1、4、10作為優(yōu)化后的傳感器陣列，用于進一步的檢測分析。
　　2）基于氣味信息的菠菜新鮮度等級判別模型研究。將優(yōu)化后傳感器陣列的穩(wěn)定值作為特征變量，分別建立用于判別菠菜新鮮度等級的支持向量機和 BP神經(jīng)網(wǎng)絡模型。結果表明， SVM模型對訓練集和測試集的正確識別率分別為84.38%和75.00%，BP神經(jīng)網(wǎng)絡模型的識別率分別為88.54%和81.25%，判別效果與SVM模型相比有所提高。說明利

7、用電子鼻技術能夠較好地實現(xiàn)對菠菜儲藏期內新鮮度等級的判別預測。
　　3）葉綠素定量預測模型的建立。仍用優(yōu)化后傳感器陣列的穩(wěn)定值作為模型定量預測所使用的特征變量，基于電子鼻信息和BP神經(jīng)網(wǎng)絡建立葉綠素定量預測模型。結果顯示，訓練集均方根誤差RMSEC為0.3119，相關系數(shù)Rc為0.7013；預測集均方根誤差RMSEP為0.3023，相關系數(shù)Rp為0.6905?？梢钥闯?，雖然BP神經(jīng)網(wǎng)絡對葉綠素含量有一定的預測能力，但預測效果與機器

8、視覺相比較差。
　　3.基于機器視覺和電子鼻融合信息的菠菜新鮮度檢測研究。將圖像信息和氣味信息相結合，以獲取更全面的感官信息。提出將不同檢測技術獲得的特征值進行融合的方法，建立BP神經(jīng)網(wǎng)絡模型分別用于菠菜新鮮度的等級判別及葉綠素的定量預測。模型結果顯示，基于融合信號的BP神經(jīng)網(wǎng)絡模型對訓練集和預測集的新鮮度等級判別率分別提高至97.92%和93.75%；且模型對葉綠素含量的預測精度也有所提升，訓練集均方誤差為0.1759，相關系數(shù)