论文部分内容阅读
冬枣,皮薄肉脆、甘甜可口、富含维生素C和矿物质,深受大众喜欢。目前,冬枣的分级主要有机械式选果机和人工两种方式。机械式选果机能实现多个等级的大小分级,效率高,但是不能检测病害果。人工分级效率低,且冬枣的小个头增加了挑选难度,长时间工作容易疲劳。因此研究冬枣的智能检测方法对实际生产具有重要意义。冬枣的分级需求主要包括以下几个方面:按照GB/T 22345-2008《鲜枣质量等级》分成未熟、白熟、脆熟、完熟四个等级的冬枣不仅价格有差异,后期用途也不相同。由于机械振动采摘摔落造成的轻微损伤和多种病害不仅会影响冬枣自身果品的品质,甚至腐烂导致大量枣果变质。本论文将冬枣的不同成熟度、轻微损伤和多种病害的识别作为研究内容,为冬枣的自动化无损检测提供理论依据,得到以下几个结论:(1)对于冬枣成熟度的检测,分别提取未熟、白熟和脆熟冬枣图像的RGB、HSB和L*a*b*颜色模型的9个颜色分量,通过单因素方差分析(one-way ANOVA)获得显著性差异的变量,为了进一步缩小变量的个数,通过费希尔最小显著差异(Fisher’Least Significant Difference,Fisher’LSD)检验得到区分颜色差异的最为显著的两个颜色分量H和a。然后建立贝叶斯(Bayes)线性分类函数,通过交叉验证方法获得提取像素的识别正确率为97.5%。根据果实的HSB模型的B分量经过去噪平滑,大津算法(Otsu)自动求取阈值得到二值图像,去除小面积杂质运算,形态学运算填充内部细小空洞,得到果实区域的提取图像,将上述Bayes线性判别函数模型对未熟、白熟、脆熟枣的果实提取图像进行遍历得到识别图像。分析不同成熟度面积所占果实区域比例的均值和均方差,得到不同成熟度的检测标准为:脆熟面积占比达到30.0%为脆熟枣,白熟面积占比70.0%为白熟枣,未熟区域面积占比50.0%为未熟枣。最终未熟枣的识别正确率为95.4%,白熟枣的识别正确率为98.3%,脆熟枣的识别正确率为97.5%,综合识别正确率97.0%。(2)对于冬枣掉落的轻微损伤检测,普通彩色RGB图像难以识别,采用900~1700nm范围的近红外高光谱对1.5 m、1 m和0.5 m掉落的脆熟枣进行成像,提取损伤枣和正常枣的感兴趣区域,并绘制损伤枣和正常枣的平均光谱曲线,结果显示损伤区域的光谱反射率低于正常表面。高光谱波段众多而且含有大量冗余波段,采用连续投影法(Successive Projections Algorithm,SPA)、基于相关性波段选择法(Correlation based Feature Selection,CFS)、Consistency波段选择法提取不同数量的特征波段,得到三种选择方法的一致波段为1363 nm和1691 nm,并对一致波段建立三种不同的分类判别模型k-近邻(k-Nearest Neighbor,k-NN)、朴素贝叶斯(Naive Bayes,NB)、支持向量机(Support Vector Machine,SVM),通过使用十折交叉验证方法,得到三种分类器中NB分类效果最好:1.5 m分类正确率为82.5%,1 m分类正确率为83.8%,0.5 m的分类正确率为81.6%。不考虑掉落高度的差异,NB分类正确率为82.6%。最后通过高光谱信息融合得到冬枣损伤识别正确率为81.8%。1.5 m掉落的冬枣损伤面积比1 m和0.5 m掉落的大,说明了掉落高度对冬枣的损伤程度有一定影响。(3)对于冬枣的多种病害分两类进行检测。一类是轮纹病、炭疽病、日灼病、裂果病等黑斑类病害的检测,由于病害部位存在明显的黑色区域,通过色泽差异进行检测。另一类是纹理特征差异明显的缩果病的检测。前者的检测方法类似于上述成熟度的检测。提取冬枣病害区域和正常表面的RGB、HSB、L*a*b*颜色模型的9个分量,通过方差显著性分析得到显著差异的分量,继续通过Fisher’LSD检验缩小颜色变量的个数,得到RGB的R、HSB的S、L*a*b*的b*三个分量作为最能显著区分病害和正常区域的颜色分量。然后建立Bayes线性判别函数,通过交叉验证的方法得到像素的分类正确率为94.2%。通过图像处理得到果实区域提取图像并利用Bayes线性判别函数得到检测图像,分析病害果和正常果病害识别面积所占果实区域的均值和均方差,得到区分正常果实和病害果的分类阈值为5.0%,最终的分类正确率为89.6%。对于后者,通过分析正常果和缩果病的灰度共生矩阵的基础上得到相关性、能量、熵、惯性矩、逆差距5个纹理特征参数带入SVM分类模型进行判别,探索不同距离d和灰度级L对纹理特征参数的影响,结果发现当距离d为1,灰度级L为32时,缩果病的检测达到预期效果,分类正确率为99.4%,处理速度10.2 s/个。