基于機(jī)器視覺和近紅外光譜技術(shù)的雷筍檢測方法研究.pdf

1、目前雷筍均采用人工評判，分級結(jié)果的客觀性和一致性較差，勞動(dòng)生產(chǎn)率低。為提高雷筍制品加工產(chǎn)業(yè)的自動(dòng)化程度，本課題探索雷筍品質(zhì)無損檢測方法，嘗試?yán)脵C(jī)器視覺和近紅外光譜技術(shù)，結(jié)合雷筍的顏色特征、形態(tài)學(xué)特征、粗纖維含量與質(zhì)構(gòu)硬度等指標(biāo)，實(shí)現(xiàn)對雷筍的分級加工及品質(zhì)快速無損檢測。論文的主要研究內(nèi)容如下:
　　1.雷筍分級研究的機(jī)器視覺硬件系統(tǒng)設(shè)計(jì)。針對雷筍的外形特點(diǎn)，計(jì)算相機(jī)拍攝的視野范圍和工作距離，選用漫反射前景光照明方式，設(shè)計(jì)出尺寸合理

2、的拱形光箱。針對光箱做照度近似計(jì)算，得出光源的最佳總光通量，為光源的科學(xué)選型提供參考。然后通過對相機(jī)關(guān)鍵參數(shù)的考量，篩選適當(dāng)?shù)南鄼C(jī)和鏡頭。并進(jìn)行光源均勻性、穩(wěn)定性的試驗(yàn)驗(yàn)證。結(jié)果顯示五個(gè)采樣位置的照度差異較小，整個(gè)樣品臺的照度均勻性很好;整個(gè)視野內(nèi)的平均照度在試驗(yàn)期間的波動(dòng)很小，光源的穩(wěn)定性很好。最后使用標(biāo)準(zhǔn)圓形量塊進(jìn)行系統(tǒng)標(biāo)定，得到圖像中單個(gè)像素對應(yīng)的實(shí)際長度是0.2635mm。
　　2.雷筍各個(gè)分級指標(biāo)的數(shù)字化表示方法研究。分

3、割出雷筍中段部分的邊緣曲線做彎曲度分析，以曲線所在最小外接矩形的長寬比作為彎曲指數(shù)，通過設(shè)定閾值，實(shí)現(xiàn)彎曲筍的檢測。選擇脫殼筍的B通道圖像，研究得到筍由基部、中段到尖端的顏色變化規(guī)律，實(shí)現(xiàn)了雷筍不可食基部切割位置的定位。分別提取帶殼雷筍與去根脫殼雷筍樣本的長度、最大徑、長度/最大徑、周長和面積等直筍形態(tài)特征，利用BP神經(jīng)網(wǎng)絡(luò)分別建立帶殼雷筍和去根脫殼雷筍的重量預(yù)測模型。使用預(yù)測集樣本驗(yàn)證模型的性能，將樣本重量的預(yù)測值與實(shí)測值進(jìn)行誤差分析

4、，結(jié)果顯示:對于帶殼雷筍，R=0.9886，RMSEP=0.07076;對于去根脫殼雷筍，R=0.9930，RMSEP=0.07253。
　　3.雷筍分級模型構(gòu)建。根據(jù)行業(yè)標(biāo)準(zhǔn)，綜合使用單株重、長度、可食率和彎曲指數(shù)等指標(biāo)，通過主成分分析降維，建立了基于k-近鄰法的雷筍分級模型。當(dāng)k=8，PCs=2時(shí)，得到最佳的KNN模型，實(shí)現(xiàn)將樣本分為四級，此時(shí)模型訓(xùn)練集的識別率達(dá)到93.85％，預(yù)測集的識別率達(dá)到91.43％。
　　4.

5、脫殼雷筍的褐變程度判別模型構(gòu)建。提取樣本的14個(gè)顏色特征與褐變面積比共15個(gè)特征變量用于褐變程度判別模型的構(gòu)建。30根新鮮脫殼雷筍樣本，在4℃條件下儲藏11天，剔除奇異樣本后，提取每幅圖像的15個(gè)特征變量，經(jīng)過對PCs和k值的優(yōu)化，得到基于KNN的褐變程度最佳判別模型。當(dāng)k=8，PCs=5時(shí)，模型訓(xùn)對練集的識別率達(dá)到83.16％，預(yù)測集的識別率達(dá)到82.18％，將不同褐變程度的雷筍樣本劃歸為三個(gè)級別。
　　5.基于近紅外光譜技術(shù)的

6、雷筍木質(zhì)化定量評價(jià)模型構(gòu)建。以筍段為研究對象，粗纖維含量和質(zhì)構(gòu)硬度作為衡量采后竹筍木質(zhì)化程度的指標(biāo)。對原始近紅外光譜進(jìn)行預(yù)處理后，采用研究得到最佳變量篩選算法，剔除光譜原始變量中的冗雜信息，提高模型的預(yù)測能力并降低預(yù)測誤差。預(yù)測粗纖維含量的CARS-GA-PLS模型，R=0.9508，RMSEP=0.05980;預(yù)測質(zhì)構(gòu)硬度的CARS-PLS模型，R=0.9681，RMSEP=0.8003。
　　研究結(jié)果表明，所提出的基于機(jī)器視覺