论文部分内容阅读
葡萄品质直接关系到它的增值率以及加工利用率,因此葡萄的品质检测是其加工的首要环节。近些年来,机器视觉技术和近红外光谱技术在农产品方面的应用逐渐增多,并取得了一定的进展,但是还没有成熟的技术及设备可以同时实现葡萄内外部多品质检测。本文以葡萄中的红提品种为研究对象,对红提的品质进行检测,在检测整箱红提外部品质时,通过机器视觉技术和图像处理技术对红提的大小和颜色进行检测分级;检测红提内部品质时,利用机器视觉技术和近红外光谱技术对红提的糖度进行检测。主要研究内容及结论如下:(1)搭建了红提大小、颜色、糖度多品质机器视觉采集系统。利用近红外光源及荧光灯光源对红提进行反射照明;选择2—CCD工业相机(AD-080 GE)同时采集红提RGB图像和NIR图像。(2)确定红提图像的预处理方法及边缘检测方法。对比中值滤波和均值滤波,其中,中值滤波的效果优于均值滤波的效果,故采用中值滤波作为红提图像预处理方法,去除采集过程中带来的噪声;对比Roberts算子、Canny算子、Sobel算子、Log算子等边缘检测算子,确定通过Log算子来提取红提果粒的边缘信息。(3)建立红提果粒大小的视觉检测方法及其模型。通过数学形态学处理提取红提的中心位置,再根据中心位置分割出单颗红提果粒的边缘,再利用迭代最小中值二乘法对分割的边缘进行拟合,并提取该果粒的大小参数,最后根据果粒分级的两个原则(15%降级原则和最大比例原则)建立红提大小视觉分级模型,本研究对38箱红提大小进行分级,正确分级35箱,分级准确率为92.1%。(4)建立红提颜色的视觉检测方法及模型。首先将RGB彩色图像转换到HSV彩色空间,选择合适的阈值去除红提果梗部分,再对剩余部分的红色、绿色的像素点进行统计,计算出红色所占的着色率,最后对整箱红提颜色分级,本研究对38箱红提颜色进行分级,正确分级36箱,分级准确率为94.7%。(5)建立红提糖度视觉检测方法及模型。提取红提果粒近红外图像的纹理特征信息灰度平均值、灰度标准差、平滑度等10个纹理信息和9个彩色图像的颜色信息特征参数,选取其中相关度较高的10个特征参数建立多元线性回归糖度预测模型,其中训练集的相关系数为0.87,均方根误差为0.97,预测集的相关系数为0.84,均方根误差为0.82。并建立整箱糖度分级模型,对38箱红提进行检测分级,其中正确分级34箱,取得良好的效果。(6)建立红提糖度的近红外检测方法及模型。通过多元散射校正对光谱进行消除基线平移之后,再对数据分别采用4种不同的光谱预处理(Savitzky-Golay、Norris derivative filt、一阶微分、二阶微分),结合3种定量分析模型多元线性回归(MLSR)、偏最小二乘法(PLSR)、主成分回归(PCR)进行全波段建模分析。结果表明,偏最小二乘法的可靠性最好,主成分回归次之。但是所得预测模型都不是很理想,为了得到更好的预测模型,本研究采用量子遗传算法结合偏最小二乘法回归QGA-PLSR将波段数目从1557降至为650个,同时,预测模型的相关系数VR及预测标准差RMSECV都得到明显改善,VR从之前的0.926提升到0.962,RMSECV从之前的0.644降低至0.441。