论文部分内容阅读
霉菌菌落总数直接反映了霉菌对茶叶的污染程度,与茶叶的品质、饮用安全以及出口都密切相关。因此,实现茶叶中霉菌菌落总数快速、无损检测具有重大意义。当前茶叶霉菌菌落总数的检测主要是以传统的化学检测方法为主,这些方法虽然精度高,但都存在样品前期处理过程复杂、试剂消耗量大、耗时长等缺点,不利于实际推广和应用。当前茶叶中霉菌菌落总数无损检测方法主要包括光谱技术、图像处理技术以及高光谱图像技术。光谱技术由于其相对较小的点源采样方式,无法包含样本所有空间信息,导致测量结果的随机性较强;而图像处理技术仅仅只能通过纹理、颜色和形状特征对茶叶表面的微观变化进行描述,无法表征茶叶内部成分含量的变化,从而导致了其预测精度较低;而高光谱图像技术将传统的成像与光谱技术相结合,从而获得样本的空间和光谱信息。因此,本文提出一种基于高光谱图像技术的茶叶霉菌菌落总数快速、无损检测方法。主要研究内容与结论如下:(1)分析了茶叶霉菌菌落总数的高光谱图像技术的检测机理及验证。霉菌对茶叶的影响主要为表现为物理变化和化学变化。物理变化主要体现在茶叶表面颜色变化,化学变化主要体现在茶叶内部有机物含量的变化。通过这些物理变化与化学变化的研究,然后对十组不同霉菌菌落总数下的茶叶样本平均光谱曲线的变化特征进行分析和论证,从而验证基于高光谱图像技术的茶叶霉菌菌落总数检测机理。(2)探讨了茶叶样本高光谱图像中光谱信息与图像信息的提取方法。在光谱信息的提取方面,首先采用波段比结合阈值分割的方法,实现了对茶叶样本高光谱图像的背景进行分割及感兴趣区域(ROI)的提取,然后提取ROI内的平均光谱作为样本的光谱信息。图像信息提取方面,首先采用RGB与HSV颜色空间模型获得24个颜色特征,然后采用GGCM算法提取15个纹理特征。(3)本文最后从图像信息、光谱信息、光谱和图像融合信息三个角度出发对茶叶霉菌菌落总数进行定量分析建模。第一,对光谱信息进行建模分析。先对原始光谱数据采用SG+MSC预处理,降低噪声和光散射的影响。然后利用CARS和IRIV两种算法对全光谱数据进行变量选择,分别选取了87和46个特征变量。基于变量选择前后光谱数据构建BP和BA-BP定量检测模型,比较建模结果。结果显示IRIV-BA-BP模型的预测效果最好,~2为0.9332,RMSEP为0.0262。第二,以图像信息建立模型并分析。首先将从图像中提取的纹理特征、颜色特征、纹理和颜色融合特征进行IRIV变量选择,最终分别选择5、10、7个特征变量,然后将变量选择前后的数据进行BA-BP建模分析,比较并分析建模结果。结果显示变量选择后的纹理和颜色融合特征模型效果较好,~2为0.6118,RMSEP为0.2140。第三,以光谱和图像融合信息建模分析。首先将光谱和纹理融合信息、光谱和颜色融合信息及光谱、纹理和颜色融合信息进行IRIV变量选择,然后基于变量选择前后的变量建立BA-BP定量检测模型,分别比较不同模型的建模结果。最终结果显示基于光谱、纹理和颜色融合信息的建模结果最好,~2为0.9520,RMSEP为0.0214。比较基于三种角度出发的建模结果,得出基于光谱和图像信息融合建模的预测效果最好,相对于单一图像信息或光谱信息构建的模型,其预测效果具有一定的提高。因此,基于高光谱图像技术的茶叶霉菌菌落总数的检测方法能够实现茶叶霉菌菌落总数的快速、无损检测。