哈密瓜是新疆特产厚皮甜瓜品种群的统称,其果实甘甜香脆、营养丰富、并且具有食疗作用,备受广大消费者青睐,有“中华第一蜜瓜”的美称。随着人们生活水平的不断提高,消费者逐渐对哈密瓜内部品质和外观品质越来越重视。目前对哈密瓜内部品质检测还采用传统的破坏性检测方法,其效率低、耗时长;对哈密瓜成熟度判别主要依靠人为主观经验判断,其判定结果随意性大,误差大,缺乏可靠性和准确性,已不适于大规模的生产需要。针对这些问题,本文以不同成熟度的哈密瓜为研究对象,利用近红外光谱技术、高光谱成像技术、计算机视觉技术对哈密瓜内部品质和成熟度同时进行无损检测研究。研究了哈密瓜近红外光谱和计算机视觉图像特征的融合方法,并最终建立了哈密瓜成熟度判别融合模型。主要研究内容如下:1.分析了哈密瓜内部品质(可溶性固形物、总酸、硬度)与成熟度的相关性。哈密瓜的成熟度是果实发育过程中各个理化指标变化的一个综合性的评判结果。为了寻找最能反映哈密瓜成熟度的表征因子,对哈密瓜的可溶性固形物(SSC)、总酸(TAC)和硬度与其成熟度作了Pearson相关性分析和单因素方差分析。结果表明,SSC、TAC和硬度与成熟度之间存在显著相关(p<0.01),其SSC和成熟度的相关性最高,且不同成熟度哈密瓜之间的SSC差异最大,因此为选择合适的哈密瓜成熟度表征因子提供了理论依据。2.建立了基于近红外光谱技术的哈密瓜内部品质预测模型。研究比较了四种光谱预处理方法(Norm、SNV、MSC、SG-1-Der)对哈密瓜SSC、TAC及硬度的PLS和非线性SVR模型预测结果。研究表明,Norm和MSC预处理方法的预测结果较好。为了筛选重要的特征波长来简化模型和提高模型预测能力,利用四种特征波长筛选方法(UVE、GA、SPA、CARS)筛选了各指标的特征波长,并建立了PLS和非线性SVR预测模型。研究表明,PLS模型预测结果优于SVR模型,GA方法能够筛选出有效的哈密瓜SSC、TAC和硬度的特征波长,其各指标的GA-PLS模型预测结果均最优。SSC-GA-PLS模型预测集相关系数(Rp)、均方根误差(RMSEP)和RPD分别为0.9061、0.4630和2.363,Rp较原始光谱提高了4.66%;TAC-GA-PLS模型Rp、RMSEP和RPD分别为0.8277、0.0391和1.781,其Rp较原始光谱模型提高了3.44%;硬度的GA-PLS模型Rp、RMSEP和RPD分别为0.8729、28.47和2.049,Rp较原始光谱模型提高了1.2%。3.建立了基于近红外光谱技术的哈密瓜成熟度判别模型。研究比较了不同光谱预处理方法和不同建模方法的哈密瓜成熟度判别结果。研究表明,MSC和SNV方法处理后的判别结果较优,非线性SVM模型对哈密瓜成熟度的判别结果略优于线性的LDA、PLS-DA和SIMCA模型,其中SNV-SVM模型校正集和预测集判别结果分别为94%和88%。对比分析了利用哈密瓜SSC和成熟度的特征波长结合上述四种建模方法对哈密瓜成熟度的判别结果,结果表明,基于成熟度特征波长的判别结果优于哈密瓜SSC特征波长的成熟度判别结果。利用SPA方法从全波段中筛选的7个哈密瓜成熟度特征波长(914.75 nm,921.26 nm,934.28 nm,940.79 nm,1318 nm,2132.9 nm,2364.8 nm)所建立的SVM模型最优,其校正集和预测集判别结果分别为93%和86%,模型仅用了7个特征波长变量,占全光谱信息的2.73%,其校正集和预测集判别结果较全光谱SNV-SVM模型仅降低了1%和2%。4.建立了基于高光谱成像技术的哈密瓜内部品质预测模型。对比分析了不同光谱预处理方法对哈密瓜SSC、TAC及硬度的PLS和非线性SVR预测模型的影响。结果表明,SNV和MSC预处理方法性能较优。在哈密瓜SSC预测模型中,SNV-SVR模型预测结果略低于MSC-PLS模型,而TAC和硬度的SVR模型的预测结果较PLS模型分别提高了约3%和9%。比较了联合区间偏最小二乘法(si-PLS)、GA、SPA和CARS四种光谱特征波长筛选方法对PLS和非线性SVM预测模型精度的影响。研究表明,CARS方法能够有效地筛选哈密瓜SSC、TAC和硬度特征波长,筛选的特征波长变量所建立各指标模型的预测结果均较原始光谱有所提高。结果表明,非线性SVR模型预测结果略优于PLS模型,SSC-CARS-SVR模型预测结果最优,其Rp、RMSEP和RPD分别为0.9394、0.4071和2.917,Rp较原始光谱模型提高了2.36%;TAC-CARS-SVR模型预测结果最优,其Rp、RMSEP和RPD分别为0.8705、0.0322和2.032,其Rp较原始光谱模型提高了7.79%;在哈密瓜硬度预测模型中,四种方法所筛选的特征波长的SVM模型预测结果均低于全光谱MSC-SVM模型。5.建立了基于高光谱成像技术的哈密瓜成熟度判别模型。对比分析了不同光谱预处理方法和不同建模方法的哈密瓜成熟度判别结果。结果表明,SNV预处理方法性能最优,非线性SVM模型对哈密瓜成熟度的判别结果优于线性的LDA、PLS-DA和SIMCA模型,其中SNV-SVM模型最优,其校正集和预测集判别结果分别为98%和94%。比较了利用哈密瓜SSC和成熟度的特征波长结合四种建模方法对哈密瓜成熟度判别结果。研究表明,基于成熟度特征波长的判别结果优于哈密瓜SSC特征波长的判别结果,利用CARS方法筛选的57个哈密瓜成熟度特征波长所建立的SVM模型最优,其校正集和预测集判别结果分别为100%和95%。结果表明,CARS方法能够较好的筛选到反映哈密瓜成熟度的关键特征波长变量,不但简化了模型,而且提高了模型预测能力。6.在高光谱数据中的光谱特征波长筛选研究中,采用SPA方法在CARS筛选的57个特征波长中再次优选了8个哈密瓜成熟度特征波长(552.21 nm、585.19 nm、608.32 nm、644.74 nm、734.16 nm、815.11 nm、859.85 nm和993.2 nm),用灰度共生矩阵法提取了特征波长图像的纹理特征,分别建立了基于哈密瓜特征波长、纹理特征、特征波长和纹理特征融合的哈密瓜成熟度SVM判别模型。结果表明,光谱模型判别结果优于图像特征模型,光谱和图像特征融合的SVM模型最优,其校正集判别结果为100%,预测集判别结果高达97%。7.建立了基于计算机视觉技术的哈密瓜成熟度的判别模型。提取了哈密瓜图像在RGB和HSV颜色空间中的6个颜色分量,并研究了HSV颜色空间中色调H与哈密瓜成熟度的关系。利用灰度共生矩阵法提取了6个哈密瓜图像纹理特征,结合二值化纹理图像计算了哈密瓜纹理覆盖率。对比分析了哈密瓜图像颜色特征、纹理特征、颜色与纹理特征融和的哈密瓜成熟度的LDA、PLS-DA、SIMCA和SVM模型判别结果。结果表明,SVM建模方法最优,单一的颜色特征模型判别结果优于纹理特征模型;基于颜色特征和纹理特征融合的SVM模型判别结果最优,其校正集和预测集判别正确率分别为96%和92%。8.建立了基于光谱及图像信息融合的哈密瓜成熟度判别模型。比较了DS证据理论、ELM极限学习机、SVM支持向量机和Ada Boost分类器4种融合方法的哈密瓜成熟度建模结果。基于决策层融合的DS证据理论建立的哈密瓜成熟度判别模型的校正集和预测集判别结果分别为96%和92%,与单一的计算机视觉颜色特征模型最优判别结果相同。在三个特征层融合模型中,其校正集判别正确率均为100%,SVM支持向量机和Ada Boost分类器建立的融合模型的预测集判别结果均为97%,ELM极限学习机融合模型最优,其预测集判别结果为98%。结果表明,ELM极限学习机特征层融合为最佳融合方法,建立的模型为最优融合模型。9.对比分析了信息融合技术与单一的近红外光谱技术、计算机视觉技术和高光谱成像技术所建立的哈密瓜成熟度判别结果。结果表明,高光谱成像技术所建的哈密瓜成熟度判别模型的判别结果优于近红外光谱和计算机视觉技术判别模型;计算机视觉技术所建模型判别结果优于近红外光谱技术;近红外光谱特征与计算机视觉图像融合所建的模型最优,预测集判别正确率为98%,较高光谱、近红外光谱和计算机视觉技术模型分别提高了1%,12%和8%。研究表明,利用光谱及图像信息融合技术判别哈密瓜成熟度是可行的,本文的研究结果为同时对哈密瓜内部品质预测及成熟度进行快速无损检测提供一些思路和方法,具有一定的参考价值。