论文部分内容阅读
番茄滋味酸甜可口,能提供人体所需的维生素和无机盐,深受人们喜爱,但成熟后的果实无法长期贮藏。为了延长贮藏时间,一般在番茄早期成熟时进行采摘。离体后的番茄会继续发育变成熟,成熟度高的番茄不仅自身贮藏性能较差,还会诱发周边的番茄提前进入呼吸跃变阶段,并容易发生腐败。因此,寻找一种客观、智能、无损的方法来检测番茄的成熟度,有着重要的现实意义。本课题尝试将机器视觉、电子鼻和高光谱技术应用于番茄贮藏过程中的成熟度检测。主要的研究内容如下:1、番茄成熟度的机器视觉检测方法研究(1)适用于番茄成熟度检测的机器视觉硬件系统的搭建以及图像的处理。针对研究对象番茄,完成了光源、相机、镜头等硬件设备的选型与设计。采用自动阈值分割法去除番茄的图像背景,提取了G、B、H、S、L和a*6个有效颜色特征变量。(2)基于机器视觉的番茄成熟度检测研究。基于颜色特征,建立了番茄成熟度的Fisher判别分析模型和支持向量机模型。结果显示,两个模型取得了一致的识别准确率,训练集和预测集分别为90.28%、88.89%。(3)基于机器视觉的番茄成熟度相关指标预测研究。基于颜色特征,分别建立了预测硬度和预测番茄红素的偏最小二乘模型和支持向量机模型。结果显示,支持向量机模型的预测性能均优于偏最小二乘模型。基于颜色特征的支持向量机硬度预测模型中,训练集相关系数r_c为0.9341,训练集的均方根误差RMSECV为0.0069,预测集的相关系数r_p为0.8941,预测集的均方根误差RMSEP为0.0101;番茄红素预测方面,支持向量机预测模型的r_c=0.9214,RMSECV=0.0079,r_p=0.8905,RMSEP=0.0105。2、番茄成熟度的电子鼻检测方法研究(1)基于电子鼻的番茄成熟度检测研究。提取电子鼻的每个传感器对番茄的响应稳定均值为气味特征值。分别建立了番茄成熟度识别的K-近邻模型和支持向量机模型。结果显示,支持向量机识别模型的训练集和预测集识别准确率分别为84.72%,83.33%。识别效果明显优于K-近邻模型。(2)基于电子鼻的番茄成熟度相关指标预测研究。基于气味特征,分别建立了硬度和番茄红素预测的偏最小二乘模型和支持向量机模型。结果显示,基于气味特征的硬度支持向量机预测模型中,r_c=0.8808,RMSECV=0.0109,r_p=0.7839,RMSEP=0.0228。性能远优于偏最小二乘模型。基于气味特征的番茄红素支持向量机预测模型中,r_c=0.9304,RMSECV=0.0073,r_p=0.7954,RMSEP=0.0309。3、番茄成熟度的机器视觉和电子鼻的融合检测方法研究(1)建立了机器视觉和电子鼻信息融合检测的方法,在特征层层面对信息进行融合。从机器视觉得到的信息中筛选6个颜色特征变量,从电子鼻响应信息中筛选出10个气味特征变量,进行融合,得到融合了视觉信息和嗅觉信息的特征向量。(2)基于机器视觉和电子鼻融合信息的番茄成熟度检测研究。基于融合特征向量,建立了番茄成熟度支持向量机识别模型。模型的训练集和预测集识别准确率分别为100%和97.22%。(3)基于机器视觉和电子鼻融合信息的番茄成熟度相关指标预测研究。基于融合特征向量,分别建立了硬度和番茄红素的支持向量机预测模型。硬度的建模结果为r_c=0.9220,RMSECV=0.0081,r_p=0.9143,RMSEP=0.0081。番茄红素的建模结果为r_c=0.9318,RMSECV=0.0054,r_p=0.9020,RMSEP=0.0272。4、番茄成熟度的高光谱检测方法研究(1)基于高光谱的番茄成熟度识检测研究。采用标准正态变量变换对番茄的光谱反射率曲线进行去噪处理。分别基于全光谱变量和联合区间偏最小二乘法筛选出的109个光谱变量,建立番茄成熟度的支持向量机识别模型。结果显示,后者用更少的变量取得了与全光谱一样的预测集识别准确率94.44%。(2)基于高光谱的番茄成熟度相关指标预测研究。结合支持向量机模型,分别基于全光谱变量和遗传算法筛选的149个光谱变量进行硬度预测,基于全光谱变量和遗传算法筛选的18个变量进行番茄红素预测。结果显示,筛选后的光谱变量建立的模型凭借更少的光谱变量,获得了比全光谱模型更好的预测效果。硬度预测模型中,r_c=0.8923,RMSECV=0.0055,r_p=0.8895,RMSEP=0.0054。番茄红素预测模型中,r_c=0.9133,RMSECV=0.0088,r_p=0.9120,RMSEP=0.0088。