学位论文 > 优秀研究生学位论文题录展示

基于图像处理和光谱分析技术的水果品质快速无损检测方法研究

作　者: 马本学
导　师: 应义斌
学　校: 浙江大学
专　业: 生物系统工程
关键词: 水果 图像 可见/近红外光谱 快速 无损检测
分类号: S126
类　型: 博士论文
年　份: 2009年
下　载: 1449次
引　用: 9次
阅　读: 论文下载
 

内容摘要


针对目前库尔勒香梨检测分级手段落后,检测效率低,而且对其内部品质检测只能进行有损检测。综合利用图像处理技术、光谱分析技术、高光谱成像技术、模式识别、化学计量学、光学、果树生理学等诸多领域的知识,开展对其外部品质和内部品质（类别、重量、糖度、果梗,以及形状等）的无损检测方法研究,在上述研究的基础上建立其品质的快速检测方法和检测模型,为以后进一步研究开发库尔勒香梨品质在线无损检测装备提供理论支持,且得出的研究结论可借鉴用于其它同类水果。主要研究内容和结论为:（1）基于图像处理技术的库尔勒香梨脱萼果和宿萼果判别研究。依据图像处理技术提取香梨底部的花萼特征,计算出其圆度,然后根据统计特性确定阈值对脱萼果和宿萼果进行判别分析,研究结果表明该方法对脱萼果的正确识别率为79.7%,对宿萼果的正确识别率为85.9%,对所有香梨样本的正确识别率为82.8%。结果表明,利用图像处理技术能对库尔勒香梨脱萼果和宿萼果进行自动判别。（2）基于近红外光谱分析技术的库尔勒香梨脱萼果和宿萼果判别研究。对比分析了应用DA判别分析和SIMCA法在不同波段、不同预处理方法对库尔勒香梨脱萼果和宿萼果的定性分析模型性能的影响。结果表明:利用近红外光谱分析技术,判别分析（Discriminant Analysis,DA）法在长波近红外区域(9091～4000 cm-1)范围结合原始光谱建立的DA判别模型最优,对校正集正确分类率为100%,预测集正确分类率为95%;而采用SIMCA法利用近红外漫反射光谱技术对库尔勒香梨脱萼果和宿萼果进行定性判别分析,光谱范围在长波近红外区域(9091～4000 cm-1),并采用原始光谱建立的校正模型对校正集正确判别率为100%,预测集的正确判别率为70%。因此,利用DA判别分析法所建的校正模型比使用SIMCA法在对库尔勒香梨的脱萼果和宿萼果进行判别时具有更高的预测精度。结果表明,利用近红外光谱也能对库尔勒香梨脱萼果和宿萼果进行自动判别。（3）基于图像处理技术的库尔勒香梨果梗提取方法研究。通过对RGB颜色模型的R、G、B颜色分量灰度进行分析,采用R-B颜色因子对背景进行分割,在香梨图像经过背景分割和边缘检测获取边缘图像后,提出一种利用数学形态学方法对香梨果梗自动提取的新方法。实验研究结果表明,该方法对香梨果梗提取的正确率为90.7%。结果表明,利用图像处理技术能对库尔勒香梨果梗实现自动提取。（4）基于近红外光谱分析技术的库尔勒香梨糖度的定量和定性分析研究。对比分析了应用偏最小二乘回归和主成分回归结合不同波段、不同预处理方法对库尔勒香梨糖度定量分析模型性能的影响。偏最小二乘回归模型的性能都明显高于主成分回归模型的性能。研究结果表明当采用偏最小二乘回归模型时,光谱范围在(12400～4000 cm-1),主成分因子数为7,并采用MSC对原始光谱进行校正时建立的校正模型较优,所建校正模型的相关系数rcal,为0.964,校正集的RMSEC为0.518,预测均方根误差RMSEP为0.324。依据建立的校正模型根据库尔勒香梨分类标准（NY/T 585-2002）对其进行分类,研究结果表明其对全部实验样本的特级果的正确分类率为86.36%,对一级果的正确分类率为61.54%,对二级果的正确分类率为88.89%,对等外果的正确分类率为80.00%。结果表明,利用近红外光谱可对库尔勒香梨糖度进行检测。（5）基于图像处理技术的水果重量预测模型研究。通过图像处理技术获取香梨的侧面投影面积和顶部投影面积,分别利用侧面投影面积、顶部投影面积、侧面投影面积与顶部投影面积与重量建立回归方程,研究结果表明利用侧面投影面积和顶部投影面积所建立的多元线性回归方程效果最佳,其回归方程为（?）=-47.3213+2.474232x1+3.03103x2,模型的决定系数为0.975,利用预测集样本对其进行检测,其相对重量的平均预测误差为2.74%,而对库尔勒香梨的重量分级率为91.30%。结果表明,利用图像处理技术可对库尔勒香梨的重量进行预测。（6）基于图像处理的水果形状识别方法研究。经过图像预处理、背景分割、利用数学形态学方法获取果梗、进而利用图像减法运算获取香梨果实图像。在正确提取果实边缘的基础上,比较了利用离散指数、人工神经网络、支持向量机和模糊C-均值聚类四种不同方法对水果形状分类的结果,识别结果如下:基于离散指数对水果的形状识别准确率为88.28%;使用离散指数、圆度作为BP神经网络输入变量,隐含层为1,研究结果表明采用TRAINRP训练函数对BP神经网络对训练集样本的识别准确率为90.91%,预测集样本识别准确率为89.66%;利用最小二乘支持向量机（LS-SVM）对水果的形状进行分类识别,研究结果表明对训练集样本的识别准确率为91.92%,预测集样本识别准确率为89.66%;利用无监督的模糊C均值聚类对水果的总的识别率为86.72%。从对库尔勒香梨形状识别方法研究结果得出,使用基于最小二乘支持向量机（LS-SVM）的水果形状识别模型的识别效果最优。结果表明,利用图像处理技术可对库尔勒香梨的形状进行识别。（7）构建适于水果品质检测的高光谱图像分析系统（400～1000 nm）,并开展了基于高光谱图像的库尔勒香梨糖度检测方法研究。在光谱范围422～982 nm范围内分析不同预处理方法对偏最小二乘回归所建模型性能的影响。与原始光谱所建模型相比,光谱经一阶微分、标准归一化（SNV）、Norries滤波等运算后所建模型相关系数有了明显提高;而模型经过二阶微分+Norris滤波和标准归一化预处理后校正模型的相关系数从0.803提高到0.898,而RMSEP则从0.644下降到0.596;模型的RMSECV从0.720下降到0.704。说明该模型比原始光谱所建立模型要好。综合比较最后选择经过标准归一化+过二阶微分和Norris滤波处理后建立的校正模型最优。结果表明,利用高光谱成像技术可对库尔勒香梨的糖度进行预测。

全文目录


致谢  7-8
摘要  8-11
Abstract  11-15
目次  15-19
插图清单  19-22
表格清单  22-24
英文缩略表  24-26
第一章 绪论  26-42
  1.1 课题研究的目的和意义  26-28
  1.2 国内外水果无损检测方法的研究状况  28-39
    1.2.1 基于介电特性的水果品质无损检测  28-30
    1.2.2 基于电子鼻技术的水果品质无损检测  30
    1.2.3 基于核磁共振术及成像的水果品质无损检测  30-31
    1.2.4 基于机器视觉的水果图像处理国内外研究现状  31-34
    1.2.5 近红外光谱无损检测技术  34
    1.2.6 高光谱成像的无损检测技术  34-39
  1.3 研究内容和技术路线图  39-41
    1.3.1 研究的主要内容  39-40
    1.3.2 技术路线  40-41
  1.4 本章小节  41-42
第二章 实验材料、设备及实验研究方法  42-80
  2.1 研究对象及检测指标和方法  42-45
    2.1.1 库尔勒香梨  42-44
    2.1.2 香梨可溶性固形物测定方法  44-45
  2.2 图像和光谱的采集软硬件条件  45-57
    2.2.1 图像采集的软件和硬件条件  45-49
    2.2.2 近红外光谱采集的软件和硬件条件  49-53
    2.2.3 高光谱图像采集的硬件和软件条件  53-57
  2.3 图像处理与识别技术基本原理  57-59
    2.3.1 图像处理技术  57
    2.3.2 图像模式识别技术  57-58
    2.3.3 图像处理与图像识别技术  58-59
  2.4 基于可见/近红外光谱分析技术的理论基础  59-69
    2.4.1 近红外光谱原理  59-63
    2.4.2 近红外光谱分析的特点  63-64
    2.4.3 近红外光谱分析原理  64-65
    2.4.4 近红外光谱的分析过程  65-68
    2.4.5 近红外光谱数学模型优劣的评价标准  68-69
  2.5 图像处理和光谱分析中所用到的主要方法  69-79
    2.5.1 多元线性回归  69-71
    2.5.2 主成分回归  71-72
    2.5.3 偏最小二乘法回归  72
    2.5.4 判别分析  72-73
    2.5.5 人工神经网络  73
    2.5.6 支持向量机  73-75
    2.5.7 SIMCA方法  75-76
    2.5.8 数学形态学理论  76-78
    2.5.9 模糊C-均值聚类  78-79
  2.6 本章小节  79-80
第三章 机器视觉技术在水果品质检测中的研究  80-129
  3.1.颜色模型、图像分割和图像噪声  80-85
    3.1.1 图像分割方法简介  80-82
    3.1.2 颜色模型  82-84
    3.1.3 图像噪声  84-85
  3.2 基于机器视觉的水果脱萼果和宿萼果检测方法研究  85-91
    3.2.1 引言  85-86
    3.2.2 实验材料和方法  86-90
    3.2.3 结果和讨论  90-91
  3.3 基于机器视觉的水果边缘检测方法研究  91-102
    3.3.1 引言  91-92
    3.3.2 实验材料  92
    3.3.3 水果边缘检测方法  92-102
    3.3.4 结果和讨论  102
  3.4 基于数学形态学的水果果梗检测方法研究  102-105
    3.4.1 引言  102-103
    3.4.2 实验材料和方法  103
    3.4.3 基于数学形态学的果梗提取方法  103-105
    3.4.4 结果与讨论  105
  3.5 基于机器视觉的水果形状识别方法研究  105-114
    3.5.1 引言  105-106
    3.5.2 材料和果实形状特征提取方法  106-109
    3.5.3 基于离散指数的水果形状识别分析  109-110
    3.5.4 BP神经网络进行水果形状识别  110-111
    3.5.5 基于最小二乘支持向量机(LS-SVM)的水果形状识别模型建立和分析  111-112
    3.5.6 基于模糊c-均值聚类(FCM)的水果形状识别模型建立和分析  112-113
    3.5.7 结果和讨论  113-114
  3.6 基于机器视觉的水果重量预测方法研究  114-127
    3.6.1 引言  114-115
    3.6.2 材料和方法  115-126
    3.6.3 结果和讨论  126-127
  3.7 本章小结  127-129
第四章 近红外光谱分析在水果糖度和种类判别中的研究  129-144
  4.1 基于近红外漫反射光谱的香梨类别定性分析  129-136
    4.1.1 引言  129
    4.1.2 材料和方法  129-130
    4.1.3 基于DA判别分析的香梨类别判别分析  130-133
    4.1.4 基于SIMCA法的香梨类别判别模型的建立和分析  133-135
    4.1.5 结果和讨论  135-136
  4.2 基于近红外漫反射光谱的库尔勒香梨糖度定量及定性分析  136-143
    4.2.1 引言  136
    4.2.2 材料和方法  136-137
    4.2.3 偏最小二乘的回归模型建立及分析  137-141
    4.2.4 主成份回归模型建立及分析  141-142
    4.2.5 结果和讨论  142-143
  4.3 本章小结  143-144
第五章 高光谱成像技术在水果糖度检测中的研究  144-150
  5.1 引言  144
  5.2 材料和方法  144-149
    5.2.1 实验材料及准备  144
    5.2.2 高光谱图像采集  144-145
    5.2.3 可溶性固行物的测定  145
    5.2.4 高光谱图像进行糖度研究的基本过程  145-146
    5.2.5 模型建立与结果分析  146-149
  5.3 结果和讨论  149
  5.4 本章小结  149-150
第六章 结论与展望  150-154
  6.1 主要研究结论  150-152
  6.2 主要创新点  152
  6.3 进一步研究设想  152-154
参考文献  154-164
作者简历  164

相似论文

  1. 熔化极气体保护焊熔滴过渡图像分析系统,TG444
  2. 基于CCD图像传感器的温度测量技术研究,TH811
  3. 电缆巡检车图像引导技术的研究,U469.6
  4. 高光谱图像空—谱协同超分辨处理研究,TN911.73
  5. 基于FPGA的数字图像处理基本算法研究与实现,TP391.41
  6. 基于用户兴趣特征的图像检索研究与实现,TP391.41
  7. 图像拼接技术研究,TP391.41
  8. 空中目标与背景的红外图像仿真技术研究,TP391.41
  9. 雾天或背光条件下图像清晰化算法研究及硬件实现,TP391.41
  10. Q学习在基于内容图像检索技术中的应用,TP391.41
  11. 基于多示例学习的用户关注概念区域发现,TP391.41
  12. 基于感兴趣信息的高光谱图像压缩技术研究,TP391.41
  13. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  14. 红外超光谱图像的虚拟探测器研究,TP391.41
  15. FPGA/DSP图像协处理技术及以太网数据传输,TP391.41
  16. 多币种纸币处理技术的研究与实现,TP391.41
  17. 基于嵌入式图像处理单元的运动目标跟踪系统研究,TP391.41
  18. 基于FPGA的高速数字图像采集与接口设计,TP274.2
  19. 高速数字图像采集系统数据采集传输技术的研究,TP274.2
  20. 机械臂视觉伺服系统的研究,TP242.6
  21. 高光谱与高空间分辨率遥感图像融合算法研究,TP751

中图分类: > 农业科学 > 农业基础科学 > 农业物理学 > 电子技术、计算机技术在农业上的应用
© 2012 www.xueweilunwen.com