论文部分内容阅读
马铃薯兼具粮食和蔬菜的双重功效,营养丰富,被称为世界第五大经济作物。马铃薯收、贮、运过程中,绿皮、发芽、机械损伤、腐烂等缺陷严重影响马铃薯品质。采用快速无损检测方法对马铃薯进行检测,及时剔除缺陷个体,不仅可以保证马铃薯及其制品的品质,有效提高食用安全性,还可增强马铃薯的市场竞争力。本课题探索适用于马铃薯品质的无损检测方法,将机器视觉与电子鼻技术相融合,结合马铃薯外部图像信息与内部气味信息实现对其品质的综合评判。本论文的主要研究内容有:1.马铃薯对照组理化指标测定本研究采用微生物与分子生物学方法,鉴定得出此环境条件下马铃薯样本中主要致腐烂菌为出芽短梗霉,以此菌作为病原菌制备得到马铃薯腐烂样本。采用气相色谱-质谱联用法分析样本气体分布特征,为电子鼻传感器阵列的构建提供参考。通过高效液相测定样本中龙葵素含量,为快速检测方法提供对照。2.基于机器视觉技术的马铃薯品质判别方法研究依据马铃薯自身特点,将(1)搭建一套适用于马铃薯拍摄的机器视觉硬件系统。依据马铃薯自身特点,将图像采集光箱的顶部设计成半球形,在样本表面形成较好的漫反射效果。下部设计成圆柱形,在样本周围形成较好的均匀照明效果。(2)建立基于图像信息的马铃薯品质判别方法。采集得到马铃薯样本图像,提取颜色特征,建立识别模型,对马铃薯品质进行定性与定量判别。建立腐烂早期检测的K-最近邻判别模型,识别率分别为训练集93.75%和预测集92.5%;建立绿皮及发芽早期检测的BP神经网络判别模型,识别率分别为训练集97.44%和预测集96.10%;建立马铃薯缺陷判别的支持向量机模型,识别率分别为训练集94%和预测集92%。以上结果表明,建立的基于机器视觉技术的马铃薯品质判别方法,实现了对马铃薯早期病变及缺陷的检测。建立马铃薯龙葵素定量预测的支持向量机模型,预测集中相关系数Rp=0.75179,均方根误差RMSEP=138.6021,实现了对马铃薯中龙葵素含量的快速预测。3.基于电子鼻技术的马铃薯品质判别方法研究(1)采用气相色谱-质谱联用仪对马铃薯主要气体成分进行测定,依据马铃薯气味分布特征并结合电子鼻传感器特性,优化筛选出8根传感器,构建成专用于马铃薯品质检测的电子鼻传感器阵列。(2)建立基于气味信息的马铃薯品质判别方法。以传感器阵列的稳定值为特征值,建立模型,依据气味特征变化实现对马铃薯品质的定性与定量判别。建立K-最近邻模型对腐烂各阶段样本进行判别,训练集识别率为90%、预测集为85%;建立BP神经网络模型对绿皮及发芽早期样本进行判别,训练集识别率为98.7%、预测集为94.87%;建立支持向量机模型对马铃薯各类缺陷进行判别,其中训练集识别率达96%和预测集达90%。以上结果表明,建立的基于电子鼻技术的马铃薯品质判别方法,可实现对马铃薯早期病变及缺陷的检测。建立马铃薯龙葵素定量预测的支持向量机模型,预测集中Rp=0.74867,RMSEP=156.6253。结果表明,马铃薯中龙葵素含量的变化与其气味信息具有一定的相关性,建立的方法可实现对马铃薯中龙葵素的定量预测。4.提出基于融合技术的马铃薯品质检测方法。将机器视觉获取的马铃薯颜色信息和电子鼻获取的气味信息在特征层进行融合,建立基于融合信息的马铃薯品质判别模型,实现对马铃薯品质的定性与定量判别。建立的马铃薯侵染早期检测模型,识别率分别为训练集93.75%和预测集92.5%;建立的马铃薯绿皮与发芽早期检测模型,识别率分别为训练集100%和预测集97.44%,建立的马铃薯缺陷判别模型,识别率分别为训练集96%和预测集92%,各类缺陷样本均得到较好的识别。建立马铃薯龙葵素定量预测的SVM模型,预测集中Rp=0.84153,RMSEP=162.3692。将融合技术所得结果与单一技术检测结果进行比较,基于融合技术的马铃薯品质检测方法,无论在品质的判别,还是龙葵素的定量预测上都优于单一检测技术。本研究从食用安全性角度出发,以理化指标为对照,采用机器视觉与电子鼻检测技术对马铃薯品质进行综合判别,取得了较好的效果。本研究证明了此项技术应用至马铃薯品质检测的可行性,且结果表明数据融合技术可提高检测精度。本研究成果可为马铃薯快速无损检测方法的工业应用提供理论依据和试验基础。