基于機器視覺和近紅外光譜技術的農(nóng)產(chǎn)品霉變檢測方法研究.pdf

1、農(nóng)產(chǎn)品在生長、儲藏、銷售過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，國內(nèi)農(nóng)產(chǎn)品的霉變檢測主要靠人工感官評定和微生物方法，感官評定法對評審人員要求較高，主觀性強。微生物方法費時費力、具有破壞性且不適于大量樣品的檢測和工業(yè)在線檢測。市場上的光電分選機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分級類別，并且無法檢出表面顏色與正常粒幾乎無差的輕度霉變。因此尋找一種能夠客觀、便捷、無損地檢測農(nóng)產(chǎn)品霉變的有效具有重要的現(xiàn)實意義

2、。
　　本研究以煙葉和花生為對象，探討基于機器視覺和近紅外光譜技術的農(nóng)產(chǎn)品內(nèi)外部霉變程度的快速無損檢測，以期尋找到一種能夠客觀、便捷、快速、無損地檢測農(nóng)產(chǎn)品霉變的有效方法。主要研究內(nèi)容如下:
　　1.基于可見光圖像的農(nóng)產(chǎn)品霉變檢測方法的研究
　　1)農(nóng)產(chǎn)品可見光圖像采集系統(tǒng)的設計與硬件優(yōu)化。針對本研究的對象:煙葉與花生，進行圖像采集裝置的設計;對相機、鏡頭、光源、背景和光箱等圖像采集系統(tǒng)硬件進行篩選及條件優(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煙葉變量進行篩選，當主成分數(shù)為4時，LDA判別模型的性能最佳，訓練集判別正確率為92.50％，

4、預測集判別正確率為91.67％。
　　每?；ㄉ史謩e采集4幅圖像（每旋轉90°采集一次）。采用邊緣檢測算法進行背景分割。分別對花生顏色和紋理特征進行提取、分析與篩選，對各類花生的顏色閾值和紋理閾值進行計算，并建立基于閾值的模型進行霉變與出芽花生的檢測識別?；陬伾卣鏖撝捣ǖ念A測正確率為100％，基于紋理特征閾值法的預測正確率為97.67％。同時建立基于花生顏色特征的KNN霉變檢測模型與基于紋理特征的KNN霉變檢測模型。前者預測集

5、的霉變識別正確率為100％;后者預測集識別正確率為98.26％。
　　2.基于近紅外光譜技術的農(nóng)產(chǎn)品霉變檢測方法的研究
　　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，采用二階導數(shù)法進行近紅外光譜預處理，然后分別建立偏最小二乘(PLS)霉變識別模型和聯(lián)合區(qū)間偏最小二乘(Si-PLS)霉變識別模型。為進一步提高識別率，在Si-PLS模型所選光譜區(qū)域基礎上，結合支持向量機(SVM)建立花生Si-SV

6、M霉變檢測模型。結果表明:
　　1)煙葉霉變檢測中，基于近紅外光譜的Si-PLS模型性能較好，其訓練集的相關系數(shù)Rc=0.9500，RMSECV=0.2560，預測集的相關系數(shù)Rp=0.9456，RMSEP=0.2710。
　　2)花生霉變與出芽檢測中，基于近紅外光譜的Si-SVM模型性能較好，其訓練集的相關系數(shù)Rc=99.4186％，RMSECV=0.0058，預測集的相關系數(shù)Rp=98.8372％, RMSEP=0.10

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

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