论文部分内容阅读
小麦是我国非常重要的粮食作物，小麦籽粒的硬度对制粉工艺有较大的影响，同时硬度不同的小麦在食品工业中的用途是不尽相同的，对小麦硬度进行自动检测有助于提前确定调整制粉流程，确定配麦方案，调整润麦方案，并且对保持物料平衡和稳定，以及提高生产效益都具有重要的指导意义。利用近红外高光谱图像分析技术对小麦硬度进行自动无损检测目前在国内外尚无研究报道。本论文以采购到的西农979、豫麦58、众麦1号等22个品种的小麦为研究对象，研究了近红外高光谱图像分析技术对小麦籽粒进行硬度分类的方法，并提出利用该技术对小麦籽粒硬度进行预测。 （1）设计了基于近红外高光谱图像分析的小麦硬度检测系统。该系统自动采集麦粒的近红外高光谱图像，判别有效的麦粒目标，分割单个完整麦粒的子图像，对整个麦粒的光谱进行光谱预处理。针对预处理结果，运用小麦硬度分类模型和小麦硬度预测模型对待检验麦粒进行硬度检测，实现小麦硬度的自动无损检测。 （2）建立基于高光谱成像技术的小麦硬度分类模型。对比研究采用小麦硬度指数法得到的小麦样品在高光谱成像技术下得到的结果，在采集到的不同硬度品种小麦中挑出硬麦、混合麦、软麦三种不同硬度种类小麦各一种，将其近红外图像与硬度种类对应。将粮粒近红外高光谱数据经过多元散射校正和求导处理后，提取950-1645nm为有效的光谱区间，并使用偏最小二乘判别分析法建立小麦硬度分类模型。采用120粒小麦对模型进行训练，90粒进行预测，模型对硬麦、混合麦、软麦三种不同硬度种类总的分类准确率为99.63％。结果表明，采用近红外高光谱成像技术对单籽粒小麦硬度进行分类是可行的。 （3）建立基于高光谱成像技术的小麦硬度预测模型。研究近红外高光谱图像随小麦籽粒硬度变化时的变化规律，建立基于偏最小二乘回归模型和支持向量机回归模型，对未知硬度的小麦硬度进行预测。在偏最小二乘回归模型中，其模型的相关系数 R为0.8763，均方根误差RMSE是0.2459，预测结果的相关系数R为0.8543，均方根误差RMSE是0.2298。而支持向量机模型的相关系数 R为0.9898，均方根误差 RMSE是0.0278，预测结果的相关系数R为0.9640，均方根误差RMSE是0.0523。结果表明，采用支持向量机法建立基于高光谱成像技术的小麦硬度预测模型的预测效果更好。