论文部分内容阅读
本文以马铃薯为研究对象,对马铃薯不同类型的表面缺陷做了相关检测研究。由于马铃薯的一些外部缺陷对其品质造成了严重的影响。传统的人工挑选分级方法存在效率低、劳动强度大、客观性不够强和容易误检等缺点,阻碍了马铃薯在实际大量生产加工过程中准确、快速分级。利用可见光-近红外高光谱成像技术(400-1700nm),结合图像处理方法,建立了马铃薯外部缺陷检测的识别算法,从而实现了对马铃薯外部品质的综合评价,为下一步开发在线、实时、快速的无损检测系统提供理论依据。主要研究内容和结果如下：(1)利用高光谱图像技术在400-1000nm的光谱区域检测马铃薯各种外部缺陷,通过特征波段主成分分析法和图像差值算法建立马铃薯外部缺陷在线无损检测方法。该研究以6种缺陷类型(机械损伤、孔洞、疮痂、表面碰伤、绿皮、发芽)以及合格的马铃薯为研究对象,分别获取它们的高光谱图像,提取并分析高光谱图像中感兴趣区域的反射率光谱；(2)主成分分析法用于光谱数据降维,根据所有类型马铃薯第二个主成分图像(PC2)的权重系数曲线的局部极值选取5个特征波长(478、670、723、819和973nm)；(3)对选出的特征波长进行主成分分析得到5个新的主成分图像,并针对不同的马铃薯缺陷类型分别选出马铃薯缺陷部位与周围区域灰度值差别最明显的主成分图像,通过阈值分割、腐蚀、膨胀和连通度分析等图像处理方法对马铃薯的外部缺陷进行识别,正确识别率达到82.50%。(4)为进一步消除马铃薯图像背景区域灰度值对其缺陷部位的影响,同时提高缺陷部位与周围区域的对比度,该研究又提出图像差值算法,并与特征波长主成分分析法相结合,再经过阈值分割、腐蚀、膨胀和连通度分析等步骤对全部7种类型马铃薯的正确识别率达到96.43%。试验结果表明高光谱图像技术结合图像处理方法可以有效地识别马铃薯外部缺陷。(5)为探讨马铃薯各种外部缺陷在线快速无损检测的可行性,在900-1700nm的近红外光谱区域,基于高光谱图像技术建立一套合适的检测方法。该研究以5种缺陷类型以及合格的马铃薯为研究对象,分别获取它们的高光谱图像,并提取高光谱图像中感兴趣区域的反射率光谱；(6)主成分分析法用于光谱数据降维,选取7个特征波长(990,1026,1109,1226,1285,1464,1619nm)；(7)再次对选出的特征波长进行主成分分析,并选出第二个主成分图像用于马铃薯外部缺陷的图像识别,正确识别率达到71.25%。(8)为提高识别率,该研究又提出波段比算法,并与特征波长主成分分析法相结合,正确识别率达到97.08%。试验结果表明基于近红外高光谱图像技术的图像识别方法可以有效地识别马铃薯外部缺陷。