论文部分内容阅读
水果品质是决定其商品价值的重要因素,也是影响消费者购买需求的重要属性。传统的理化检测方法因其检测指标单一、耗时以及样品破坏性已不能满足水果商品化的需求。高光谱成像技术集成了计算机成像技术和光谱技术的优势,能够在连续空间内同时获得被测物的光谱信息和图像信息,可对农产品内外部品质进行可视化研究,近年来在水果品质检测方面得到广泛应用。本文以灵武长枣为研究对象,利用近红外高光谱成像技术(900-1700nm),结合化学计量学方法和图像处理方法,开发了枣果虫害识别算法,建立了灵武长枣可溶性固形物含量的定量分析模型,从而实现了灵武长枣内外部品质的综合评价,为下一步开发实时、快速、在线的无损检测系统提供理论依据。主要研究结果如下:(1)利用NIR高光谱成像系统对虫枣进行研究,结合掩模、取反、阈值分割、膨胀和连通度分析五种图像处理算法,开发了基于特征波长PCA长枣虫害识别算法,对240个长枣样本逐一识别,虫害枣识别率为81.9%,正常枣识别率为96%。(2)采用波段比(BR)和图像差(IS)算法结合图像处理算法对未识别长枣进一步识别。结果表明,PCA结合IS的方法对虫害的识别率从81.9%提高到92.5%,PCA结合BR的方法对虫害的识别率从81.9%提高到90.6%。(3)对获取的高光谱数据结合长枣可溶性固形物(SSC)实测值,采用杠杆值结合Cook距离与学生化残差对光谱异常和化学值异常样本进行剔除,有效提高了预测模型的稳健性。(4)本研究采用多元散射校正(MSC)对光谱进行预处理,相关系数法选取特征波长,利用反向神经网络(BP-ANN)和多元线性回归(MLR)法建立了长枣可溶性固形物含量的预测模型。结果表明,非线性反向神经网络(BP-ANN)建立的长枣可溶性固形物含量预测模型优于多元线性回归法,预测集相关系数R=0.957;预测集均方根误差RMSEP=0.9264°rix。