獼猴桃形狀特征是獼猴桃在產(chǎn)后分級(jí)處理過(guò)程的一項(xiàng)重要指標(biāo),不僅影響果實(shí)外觀,也決定果實(shí)等級(jí)高低的劃分。傳統(tǒng)的形狀分級(jí)方法大多采用人工分級(jí),存在耗時(shí)長(zhǎng)、效率低、重復(fù)性差且易受人為主觀影響等問(wèn)題。針對(duì)傳統(tǒng)獼猴桃形狀分級(jí)存在的問(wèn)題,研究利用高光譜成像建立獼猴桃正常果和畸形果的分類檢測(cè)方法。以成熟期的248個(gè)金魁獼猴桃（正常果107個(gè),畸形果141個(gè)）作為研究樣本,先利用可見(jiàn)-近紅外高光譜成像系統(tǒng)采集獼猴桃樣本的光譜數(shù)據(jù),再采用主成分分析法對(duì)光譜數(shù)據(jù)進(jìn)行降維,得到第一主成分圖像。隨后提取第一主成分圖像的3個(gè)特征波長(zhǎng)（682, 809和858 nm）,并對(duì)其進(jìn)行融合計(jì)算,生成新的光譜圖像（融合圖像）。然后利用四叉樹(shù)分解算法對(duì)融合圖像進(jìn)行分割處理,并計(jì)算掩膜圖像所對(duì)應(yīng)的12組形狀特征參數(shù),結(jié)合偏最小二乘線性判別分析（PLS-LDA）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、最小二乘支持向量機(jī)（LSSVM）建立判別模型,對(duì)比分析,最終得到獼猴桃形狀特征的最佳分類模型。結(jié)果表明,所建立的三種分類模型中, BPNN和LSSVM模型的分類效果較好,總體分類準(zhǔn)確率均在95%以上; PLS-LDA的效果略差,訓(xùn)練集和測(cè)試... 

【文章來(lái)源】：光譜學(xué)與光譜分析. 2020,40(08)北大核心EISCICSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

購(gòu)買(mǎi)的獼猴桃樣品

高光譜圖像采集系統(tǒng)如圖2所示。 該系統(tǒng)主要由1臺(tái)CMOS照相機(jī)(Photonfocus, Switzerland), 1臺(tái)行掃描光譜攝制儀(Spectrograph V10E), 2個(gè)250 W的光纖鹵素?zé)?ALPHA-1501, 21 V/250 W Halogen Tugsten Lamp)和一套光學(xué)移動(dòng)平臺(tái)(由步進(jìn)電機(jī)控制的載物臺(tái))等部件組成。 為防止采集的圖像受噪聲和雜散光的干擾, 將其他硬件設(shè)備(除電腦外)全放置暗箱中。 圖像采集范圍是400～1 000 nm, 光譜分辨率約為1 nm, 曝光時(shí)間40 ms。 光譜采集軟件為Spectral Cube(Spectral Imaging Ltd. , Finland)。2 高光譜圖像處理及數(shù)據(jù)處理

圖3顯示了獼猴桃第一主成分(PC-1)圖像的光譜權(quán)重系數(shù), 根據(jù)波峰、 波谷等特征位置得到3個(gè)特征波長(zhǎng)(682, 809和858 nm), 在圖上已標(biāo)明。 利用3個(gè)特征波長(zhǎng), 對(duì)原始圖像進(jìn)行加權(quán)計(jì)算, 融合成一個(gè)和PC-1很接近的圖像。 圖4顯示了波長(zhǎng)為800 nm的原始圖像及由PC-1的融合圖像, 對(duì)比可看出, 融合圖像[圖4(b)]前景和背景差異性較大, 獼猴桃區(qū)域亮度更高, 邊界更清晰, 便于處理。圖4 單波長(zhǎng)和特征波長(zhǎng)下灰度圖像的對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器視覺(jué)的產(chǎn)地臟污鴨蛋外形扁平度在線檢測(cè)[J]. 王巧華,蘆茜,馬美湖,段宇飛,王彩云.  中國(guó)食品學(xué)報(bào). 2017(05)
[2]基于果萼圖像的獼猴桃果實(shí)夜間識(shí)別方法[J]. 傅隆生,孫世鵬,Vázquez-Arellano Manuel,李石峰,李瑞,崔永杰.  農(nóng)業(yè)工程學(xué)報(bào). 2017(02)
[3]近紅外光譜聯(lián)合CARS-PLS-LDA的山茶油檢測(cè)[J]. 孫通,吳宜青,許朋,溫珍才,胡田,劉木華.  核農(nóng)學(xué)報(bào). 2015(05)
[4]獼猴桃自動(dòng)分級(jí)設(shè)備設(shè)計(jì)與試驗(yàn)[J]. 左興健,武廣偉.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2014(S1)



本文編號(hào)：3428734