【摘要】：黃瓜是我國蔬菜種植面積最大的蔬菜之一,黃瓜種子的品質是影響發(fā)芽率和產(chǎn)量的重要因素之一。目前,黃瓜種子品質的檢測方法存在著費時、效率低、對種子造成損傷等問題。隨著高光譜圖像技術地快速發(fā)展,高光譜圖像技術越來越多地被應用于農(nóng)業(yè)領域。本文以黃瓜種子為研究對象,采用高光譜圖像技術對黃瓜種子的活力、品種及含水率等品質指標進行無損檢測研究,并提出了基于高光譜圖像技術的黃瓜種子活力分級、品種鑒別、水分含量無損檢測方法,主要研究內(nèi)容如下:(1)利用高光譜圖像技術開展了對不同活力的黃瓜種子的分級檢測研究。以“新津春4號”品種的黃瓜種子為研究對象,運用高溫高濕法對黃瓜種子進行人工老化,分為3個等級梯度:未經(jīng)老化、老化36h、老化72h。運用高光譜圖像采集系統(tǒng)采集3個老化梯度的黃瓜種子的高光譜圖像。采集光譜后,立即將部分種子按照GB/T5522-2008進行過氧化氫酶活動度測定實驗,另一部分種子依據(jù)GB/T5520-2011進行發(fā)芽率檢測試驗,對黃瓜種子的活力特性進行驗證。使用ENVI軟件對采集的高光譜圖像選擇感興趣區(qū)并提取高光譜數(shù)據(jù)。對采集的高光譜數(shù)據(jù)運用不同的預處理方法(S-G、MSC、SNV)進行處理,結果顯示SNV效果最佳。然后利用主成分分析法(PCA)和連續(xù)投影算法(SPA)進行特征降維,分別建立極限學習機(ELM)和支持向量機(SVM)模型,對比模型可知,SNVSPA-SVM(徑向基核函數(shù))為最優(yōu)模型,測試集分類正確率達到98.6%,交叉驗證正確率達到95.3%。結果表明,運用高光譜圖像技術對不同活力的黃瓜種子進行分級檢測是可行的。(2)研究了基于高光譜圖像技術的黃瓜種子品種鑒別技術。采用高光譜圖像技術獲取“新津春4號”、“摘不敗”、“富陽35號”三個品種的種子的高光譜圖像,運用ENVI軟件確定了感興趣區(qū)并提取了高光譜數(shù)據(jù)。對比不同的預處理方法,得出最優(yōu)的預處理方法為SNV,然后利用主成分分析法和連續(xù)投影算法進行特征降維,分別建立ELM和SVM模型,得出結果為SNV-SPA-SVM(徑向基核函數(shù))模型效果最佳。測試集正確率96%,交叉驗證正確率為91.6%。(3)研究了基于高光譜圖像技術的黃瓜種子的含水率檢測方法。以“富陽35號”黃瓜種子為研究對象,運用高光譜圖像采集系統(tǒng)獲取了871-1766nm范圍內(nèi)的黃瓜種子的高光譜圖像,根據(jù)國標GB/T3543.6-1995《農(nóng)作物種子檢驗規(guī)程》中的105℃恒重法對采集完的樣本種子進行含水率檢測。首先運用ENVI提取了高光譜圖像感興趣區(qū)內(nèi)的高光譜數(shù)據(jù),對比分析不同的預處理方法,得出最佳的預處理方法為SNV。利用競爭性自適應加權算法和連續(xù)投影算法提取特征波長,然后運用PLSR建立了種子含水率檢測模型,試驗表明SNV-SPA-PLSR模型的預測精度最高,預測集的RP2為0.85,RMSEP為1.79%,交叉驗證的RCV2為0.76,RMSECV為1.66%。(4)分別基于MATLAB和Visual Studio開發(fā)了黃瓜種子品質檢測軟件,實現(xiàn)了對種子品質進行檢測的功能。基于MATLAB R2016a設計的軟件可以實現(xiàn)黃瓜種子高光譜數(shù)據(jù)的讀取、數(shù)據(jù)預處理、特征波長選擇和建模功能,基本實現(xiàn)不同活力黃瓜種子的分級檢測。基于Visual Studio 2013的集成界面軟件運用C#語言進行編寫,運用COM技術將MATLAB建立的模型編譯成dll文件,實現(xiàn)了算法的嵌入。使用該軟件可以快速簡便地實現(xiàn)數(shù)據(jù)的讀取、預處理、特征波長選擇,實現(xiàn)了種子的活力分級和含水率檢測,基本滿足了黃瓜種子檢測的要求。
【圖文】：

圖 1.1 技術路線圖Fig.1.1 Technique flow chart章小結章主要講述了將高光譜技術應用于黃瓜種子活力、品種分類和含水和意義。綜述了國內(nèi)外在種子品質檢測領域的研究現(xiàn)狀，闡述了本和研究內(nèi)容，制定了研究路線。

溫高濕法[38]對種子進行老化。試驗中的黃瓜瓜顆粒大小、表面粗糙程度及顏色均勻度存因此，對買來的黃瓜種子進行一定的篩選，降低不必要的隨機誤差。選取“新津春 4人工老化處理方法，將黃瓜種子進行不同程水，把底部的陶瓷片換成鐵絲網(wǎng)，使溫度分照培養(yǎng)箱（上海新苗醫(yī)療器械制造有限公置為 45℃。三組，每組 5g，分別放入透氣的紗網(wǎng)袋內(nèi)內(nèi)，，圖 2.1 為干燥器。分別對黃瓜種子進簽 1、2、3 表示未經(jīng)老化、老化 36h、老化
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：S642.2;TP391.41

【參考文獻】

相關期刊論文 前10條

1 李婷;季宇寒;張漫;沙莎;李民贊;;基于PLSR和BPNN方法的番茄光合速率預測比較（英文）[J];農(nóng)業(yè)工程學報;2015年S2期

2 孫俊;張梅霞;毛罕平;李正明;楊寧;武小紅;;基于高光譜圖像的桑葉農(nóng)藥殘留種類鑒別研究[J];農(nóng)業(yè)機械學報;2015年06期

3 侯培國;李寧;常江;王書濤;宋濤;;SG平滑和IBPLS聯(lián)合優(yōu)化水中油分析方法的研究[J];光譜學與光譜分析;2015年06期

4 姚俠妹;張瑞娥;偶春;汪林;王維根;王瑞;常二梅;;人工老化處理對桔梗種子生理生化特性的影響[J];西北農(nóng)林科技大學學報(自然科學版);2015年02期

5 孫俊;金夏明;毛罕平;武小紅;楊寧;;高光譜圖像技術在摻假大米檢測中的應用[J];農(nóng)業(yè)工程學報;2014年21期

6 孫俊;金夏明;毛罕平;武小紅;朱文靜;張曉東;高洪燕;;基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J];農(nóng)業(yè)工程學報;2014年10期

7 孫俊;金夏明;毛罕平;武小紅;張曉東;高洪燕;;基于高光譜圖像的生菜葉片氮素含量預測模型研究[J];分析化學;2014年05期

8 譚克竹;柴玉華;宋偉先;曹曉達;;基于高光譜圖像處理的大豆品種識別(英文)[J];農(nóng)業(yè)工程學報;2014年09期

9 張初;劉飛;章海亮;孔汶汶;何勇;;近地高光譜成像技術對黑豆品種無損鑒別[J];光譜學與光譜分析;2014年03期

10 劉善梅;李小昱;鐘雄斌;;考慮品種差異的冷鮮豬肉含水率高光譜信號補正算法[J];農(nóng)業(yè)工程學報;2014年04期

本文編號：2623614