论文部分内容阅读
香蕉是世界上栽培最为广泛和贸易销量第二大的水果,深受广大消费者的青睐。但由于香蕉品质检测技术跟不上香蕉产业现代化的步伐,香蕉品质不能获得有效保证,使得“蕉癌”和“乙烯利”等事件一度让消费者“谈蕉色变”,致使蕉农面临破产,我国香蕉产业发展遭受重创。将先进的高光谱成像(Hyperspectral imaging,HSI)技术应用于香蕉品质等级的快速无损检测研究,可以大大提高其品质检测效率、降低检测成本,对保障我国香蕉品质,实现香蕉乃至整个水果产业现代化,具有重要的战略意义。本课题首先通过采用不同的数据处理方法建立香蕉的成熟度、褐变程度和果肉营养成分指标的定性定量分析模型,然后利用连续Adaboost分类算法分析这些品质指标对香蕉品质评价的重要性进而赋予其不同的权重,最后根据这些品质指标的预测值和其相应的权重,综合决策香蕉的品质等级。主要研究结论,如下:采用最小二乘支持向量机建立了香蕉成熟度指标的光谱和图像特征模型,再利用模糊神经网络将这两个模型的预测结果融合起来,得出最终的预测值。结果表明,融合模型的预测效果最好,各成熟度指标的RC2分别是:0.895、0.731、0.883、0.891、0.717和0.937,这表明合理应用尽可能多的有用信息对模型预测能力的提升非常重要。使用BP神经网络建立香蕉褐变指标的光谱和图像特征模型,并采用模糊神经网络建立光谱和图像特征的融合模型,比单独的光谱模型或图像特征模型的表现都要好,它们的RC2分别是:0.894、0.726、0.849、0.753、0.916和0.794。利用RBF神经网络建立香蕉营养成分指标的预测模型,同样融合光谱和图像特征建立融合模型,它们的效果也比单独的光谱模型或图像特征模型好,其RC2分别是:0.949、0.864、0.794、0.782、0.752、0.884和0.921。采用连续Ada Boost分类算法对香蕉各个品质指标进行权重分析从而对其品质等级进行全面的评价,取得了很好的分类效果,其训练集和预测集的总分类准确率分别达到95.4%和93.4%,表明使用多个品质指标综合决策香蕉的品质等级是可行的。