论文部分内容阅读
茄子是人们日常生活中食用最普遍的蔬菜之一,富含膳食纤维、维生素、多酚、蛋白质和矿物质等多种营养物质。茄子在栽培和收获过程中,其品质常常受到气候、虫害、采摘手段和贮藏环境等因素影响,采后分级分选处理困难。随着人们生活水平的不断提高,人们对果蔬品质要求也越来越高,高光谱技术和机器视觉技术是对茄子采后处理具有重要的作用的无损检测技术。论文以“紫光”茄子为研究对象,基于光谱和机器视觉技术对其品质建立判别和预测模型,为进一步开发茄子在线分选装备提供了理论依据。（1）为实现茄子外部缺陷（完好、木栓化和烂果）检测,利用高光谱成像系统采集完好、木栓化和烂果3种区域样本的高光谱图像,然后提取合理的感兴趣区域（ROI）获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘（partial least squares method,PLS）判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法（SPA）、回归系数法（RC）和竞争性自适应重加权算法（CARS）提取特征波长,并分别建立偏最小二乘（PLS）和多元线性回归（MLR）判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc~2为0.944,预测集决定系数R~2p为0.901,RMSEC和RMSEP分别为0.199和0.213,预测集判别准确率达到96.82%。利用图像采集系统采集完好、木栓化和烂果3种缺陷类型样本图像,采用灰度共生矩阵（GLCM）对样本图像分别从4个方向（0°、45°、90°、135°）提取纹理特征的参数值（分别为能量t、熵u、惯性矩v、相关性w和逆差距z。）,提取图像R、G、B颜色特征信息,运用SPA、RC和CARS对融合信息进行特征参数优选,分别建立PLS和MLR模型对预测集进行识别分类,结果表明:基于CARS建立的MLR模型精度最高,其校正集和预测集决定系数R~2最大,分别达到0.8908、0.8854,对比模型对预测集的判别准确率可得,CARS-MLR模型和AVI-MLR模型的预测准确率最高,两模型误判数均为3个,且正确率均达到95.238%,CARS-MLR模型相较于AVI-MLR模型的决定系数R~2略大,说明其模型精度略高,同时,经过CARS算法优选特征参数使得建模效率和可靠性提高,最终确定CARS-MLR模型对茄子外部缺陷的鉴别分类效果最优。（3）为预测茄子大小规格,基于图像处理技术,按照国家标准《NY/T 1894-2010茄子等级规格》规定,对圆茄横径进行预测。首先通过测量获取茄子样本真实横径值,然后对样本进行图像采集,并通过一系列图像处理手段,最终运用“minboundrect”算法和“bwarea”函数分别获取样本图像的横径像像素点和投影面积像素点。通过绘制横径像素点、投影面积像素点与实际横径值的拟合曲线,确定两种参数均与实际值具有较强的相关性,可作为预测的依据。基于融合信息建立PLS预测模型,按照国家标准选择一定数量的不同规格样本对模型进行验证分析,结果可得,基于样本图像横径像素点和投影面积像素点对茄子横径具有较好的预测效果,总预测准确率达到93.33%,能够有效实现茄子大小规格的划分。（4）利用高光谱信息实现茄子货架期的判别。利用不同方法对数据进行预处理,然后对预处理后的光谱数据建立PLS模型,分析结果可得,经normalize预处理后所建立模型具有较好的效果,因此选择normalize预处理后的数据进行后续研究。基于预处理后的光谱数据,分别以SPA、CARS、和Random frog提取特征波长,并建立PLS、PCR和MLR模型。结果可得,Random frog-MLR模型对茄子货架期的鉴别分类效果最优,其Rc~2和Rp~2值分别为0.8956和0.9306,同时RMSEC（0.2222）和RMSEP（0.2705）值都相对较小,预测集样本判别准确率达到98.24%。利用高光谱信息实现茄子不同货架期含水率的预测判别。采用SPA、CARS、RC和Random Frog对数据进行特征波长提取,并分别建立PLS、PCR、LSSVM模型进行性能比较。结果可得,基于Random Frog算法提取特征波长建立的LSSVM模型,其校正集和预测集决定系数（分别为0.9293和0.9132）和均方根误差（分别为0.1719和0.1768）,表明该模型具有较高的预测精度,因此选择Random Frog-LSSVM模型对预测集不同货架期茄子含水率预测。利用高光谱信息实现对不同货架期茄子果皮破裂力的预测判别。采用SPA、CARS、RC和Random Frog对数据进行特征波长提取,并分别建立PLS、PCR、LSSVM模型。比较结果可得,CARS-LSSVM模型校正集和预测集均具有较高的决定系数（分别为0.8766和0.8687）和较低的均方根误差（分别为0.1232和0.1873）,表明该模型具有较高的预测精度,因此选择CARS-LSSVM模型对预测集不同货架期茄子果皮破裂力预测。