变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量(SSC)检测模型的传递方法。首先,采用美国ASD(Analytical Spectral Device)公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机(LS-SVM)建立原始光谱、 Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数(R■)和均方根误差(RMSEP)分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法(Shenk’s)、直接标准化(DS)、斜率/偏差算法(S/B)进行模型传递。然后,根据回归系数提取主仪器(24个)和从仪器(28个)的特征波长,优选出单一变量(SV)24个、共性变量(CV)23个、融合变量(FV)29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果(R■=0.78～0.80, RMSEP=1.07%～1.13%)明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%～7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正(CV-MC)、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法(CV-WC)进行模型传递,并与SV-Shenk’s, CV-Shenk’s, FV-Shenk’s, SV-DS, CV-DS, FV-DS, SV-S/B, CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差(R■=0.03～0.34, RMSEP=2.44%～4.67%);基于优选变量所建模型经SV-Shenk’s, CV-Shenk’s, FV-Shenk’s传递后的结果较差,经其他算法传递后的结果(R■=0.47～0.73, RMSEP=1.30%～1.90%)好于全波段;基于共性变量传递后的结果好于单一变量和融合变量, CV-MC结果最佳(R^2_p=0.73, RMSEP=1.30%), CV-WC传递后的预测结果(RMSEP=1.62%)与CV-DS和CV-S/B相近。研究表明, CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。

基于可见/近红外光谱对不同产地晋虞1号桃SSC含量的检测研究

[目的]本文利用可见/近红外光谱定量检测山西省不同产区晋虞1号桃的可溶性固形物(Soluble solids content,SSC)含量,旨在建立一个简单有效、适应性能好的校正模型为后续在线检测设备的开发与利用提供模型参考。[方法]采集3个产区桃的可见/近红外漫反射光谱,选择不同的预处理方法消除客观因素对原始光谱的影响,比较发现SG平滑+多元散射校正(multiplicative scatter correction,MSC)预处理方法建模结果最优。采用Kennard-Stone算法以3 ∶1比例划分样品集,其中校正集270个用于建立PLS模型,预测集90个用于评价模型性能。为了简化模型运算量、提高模型预测性能使用蒙特卡罗无信息变量消除(Monte Carlo uninformative variables elimination,MC-UVE)与连续投影算法(Successive projection algorithm,SPA)相结合筛选有效特征波长。最后,比较了偏最小二乘(Partial least squares,PLS)算法所建单一产地和混合产地下晋虞1号桃SSC含量可见/近红外光谱模型的预测能力。[结果]与单一产地和两两混合产地模型相比,混合3产地桃校正集样本建立的模型预测效果最好,预测的相关系数(Rp)和预测的均方根误差(RMSEP)分别为0.949和0.652 °Brix。[结论]利用多个产地的晋虞1号桃样本建立的混合模型具有较强的包容性,可提高对晋虞1号桃SSC含量的预测精度,减小产地差异对SSC含量可见/近红外光谱检测的影响。本文可为山西省内晋虞1号桃内部品质SSC含量的无损检测模型提供了理论基础。

基于高光谱和卷积神经网络的鲜枣黑斑病检测

[目的]为实现鲜枣黑斑特征的识别,提高鲜枣附加价值,采用高光谱成像技术采集了不同年份完好和黑斑鲜枣的信息。[方法]基于全波段光谱,采用偏最小二乘判别分析(Partial Least Squares-Discriminant Analysis,PLS-DA)和误差反向传播神经网络(Back Propagation Neural Networks,BP-NN)建立单一年份和联合年份的判别模型。采用连续投影算法(Successive Projections Algorithm,SPA)提取联合年份的特征波长;利用主成分分析进行单波段图像的数据压缩,针对主成分图像采用BP-NN和卷积神经网络(Convolutional Neural Networks,CNN)进行黑斑鲜枣识别。[结果]联合年份所建PLS-DA、BP-NN模型的整体判别正确率均达到了99.2%,比单一年份所建校正模型的整体判别准确率高,但单一年份所建模型中BP-NN比PLS-DA的判别精度高;采用SPA提取联合年份的特征波长后所建BP-NN判别模型的正确率为100%;基于主成分图像所建BP-NN和CNN模型的判别正确率分别为78.3%和90.0%。[结论]收获年份是影响校正模型稳定性的一个重要因素,联合年份所建校正模型比单一年份所建校正模型具有更好的预测能力;同时CNN可成功应用于基于高光谱技术的鲜枣黑斑特征识别中,也为其它农产品品质检测提供了新方法。

基于可见/近红外光谱西葫芦硬度的无损检测模型的建立

利用近红外光谱(350~2500 nm)系统采集180个西葫芦样本的光谱数据,运用多种预处理方法对原始光谱数据进行处理,建立西葫芦果肉硬度的PCR、SMLR和PLSR预测模型;并通过对不同的建模模型进行分析,对西葫芦硬度进行快速检测,实现可见/近红外光谱技术对西葫芦的硬度品质在线无损检测。结果表明,经过卷积平滑法和标准正态变换(S-G+SNV)处理建立的PLSR硬度预测模型效果最好,校正集相关系数为0.979,预测集相关系数为0.976;验证模型结果预测相关系数为0.886,预测均方根误差为0.126。运用可见/近红外光谱技术对西葫芦硬度指标的预测研究具有可行性,研究结果可为今后在线快速无损检测果蔬硬度提供理论依据。

基于计算机视觉的核桃外观缺陷检测

为快速准确识别核桃外观缺陷(黑斑、破裂),自行搭建图像采集系统采集样本图像。预处理后采用形态学和逻辑运算去除背景,基于样本图像提取18个颜色特征参数和20个纹理特征参数。采用形态学和逻辑运算提取缺陷部分和样本投影像素面积的比值t以及样本图像阈值分割后二值图像的欧拉数。分别采用回归系数法(Regression Coefficient,RC)和连续投影法(Successive Projections Algorithm,SPA)优选特征参数并建立偏最小二乘法(PLS)模型。结果表明,基于SPA法优选特征参数建立的模型性能最优。将SPA法提取的5个优选特征参数作为输入建立最小二乘支持向量机(LS-SVM)模型,并对预测集样本进行预测。结果表明,对正常核桃、黑斑核桃、破裂核桃的判别准确率分别为88.9%、83.3%、94.6%,总判别率为88.9%。本研究建立的方法能够很好的对核桃外观缺陷进行检测,为今后核桃的在线检测分选提供了技术支持。

高光谱成像技术在核桃壳仁检测中的应用

[目的]为了实现对核桃壳、仁及分心木快速、准确识别。[方法]以礼品2号核桃的核桃壳、仁及分心木为研究对象,采用高光谱成像系统采集样本的光谱信息。对所提取的光谱信息分别用一阶微分处理(1stDer),基线校正(Baseline)、标准归一化(Standard Normalized Variate,SNV)及多元散射校正(Multiplicative Scatter Correction,MSC)进行预处理并建立偏最小二乘(Partial Least Squares,PLS)模型进行判别。用竞争自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)、回归系数法(Regression Coefficient,RC)和连续投影法(Successive Projections Algorithm,SPA)提取特征波长,建立最小二乘支持向量机(Least Squares-Support Vector Machine,LS-SVM)判别模型。[结果]建立的PLS模型表明一阶微分处理为最佳预处理。CARS提取的特征波长具有较好的预测结果。LS-SVM建模效果好,对不同特征波长提取下的核桃壳、仁及分心木的判别准确率分别达到了100%、100%、99%。[结论]用高光谱成像技术对核桃壳、仁及分心木进行分选判别是可行的,为核桃深加工和壳、仁在线分选及相关设备的开发提供理论依据。

计算机视觉技术在核桃壳、仁及分心木识别中的应用研究

[目的]为了研究快速准确识别核桃壳、仁及分心木的方法,[方法]本研究以太谷"清香"核桃为研究对象,搭建计算机视觉系统获取核桃壳、仁及分心木的图像信息,提取各样本的12个颜色特征值(RGB和HSI各分量的均值与方差),以及利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)分别提取各样本能量、熵、惯性矩、相关性、逆差矩4个方向(0°,45°,90°,135°)共20个纹理特征参数。以颜色特征值、纹理特征值、颜色-纹理特征值融合作为输入建立3种最小二乘支持向量机(LS-SVM)模型(Y-LS-SVM、W-LS-SVM、Y-W-LS-SVM),并对各预测集样本进行判别。[结果]结果表明,Y-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为91.1%、82.4%、96.6%;W-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为100%、85.3%、84.7%;Y-W-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为93.3%、97.1%、100%。Y-W-LS-SVM模型的判别效果最好。[结论]本研究表明,基于计算机视觉技术能够很好地对核桃壳、仁及分心木进行识别,为核桃壳、仁及分心木在线分选技术提供理论基础。

基于计算机视觉核桃质量预测方法的研究

为研究核桃质量在线检测的方法,以"礼品2号"核桃为样本,构建图像采集系统采集样本图像信息,对图像进行预处理、形态逻辑学算法获取样本投影面积,并建立最小二乘支持向量机(LS-SVM)和多项式回归方程质量预测模型。结果表明,LS-SVM质量预测模型相关系数为0.897 4,相对误差均值为6.5%;一元二次多项式回归方程质量预测模型决定系数为0.857 207,相对误差均值为5.9%,均满足在线质量检测要求。基于计算机视觉技术实现对核桃质量的预测,为实现核桃在线分选提供理论基础。