基于介电特征选择的苹果内部品质无损分级

为了快速而准确地利用介电特性对苹果内部品质进行无损分级,该文对500个富士苹果的108种特征值（12种介电参数在9个频率点下）进行了分析筛选,以获取用于5个品质等级富士苹果无损分级的最少介电特征。在整个内部品质的分级过程中,贪心选择法、基于快速聚类的特征子集选择法、稀疏主成分分析法和以信息增益为评价函数的属性排序法共4种方法被用来从108种介电特征中选择出对等级划分最有帮助的关键介电特征。试验结果显示,基于快速聚类的特征子集选择法仅选择了4种特征时分级正确率就达到了80%左右,而贪心选择法的性能明显更优,在分级正确率超过90%时,其选择的特征一般不超过10种,其最优情况为当选择了4种介电特征时,分级正确率为91.22%,而当选择了10种介电特征时,其分级正确率为95.95%。该研究为水果等农产品的品质与病虫害快速无损检测等提供参考。     

苹果擦伤拉曼光谱无损检测虚拟系统研究

为检测苹果品质并依据擦伤进行分级,研发了一个基于拉曼光谱的实时无损自动检测分类虚拟仪器分级系统样机。采用一台Nicolet傅氏变换拉曼光谱仪进行苹果擦伤光谱检测。测试集和训练集的苹果光谱用WinDAS的典型变量分析(CVA)和主成分分析法(PCA)进行分类处理。分析得出的模型经UNEQ分类检验,‘马氏平方图’和χ²检验结果该分类模型。其次, 应用LabVIEW 设计苹果虚拟仪器分级控制系统,并制作了样机。试验结果表明拉曼光谱分析能用于苹果擦伤无损检测和类别确定;虚拟仪器分级系统能对苹果进行准确分级处理。     

电激励信号的频率和电压对果品电特性的影响

采用无损接触检测及交叉试验法研究了电激励信号的频率和电压对果品电特性的影响。研究结果表明：在0.2～2.5 V的电压范围内，苹果电参数存在一电压临界值。若信号电压小于临界值，苹果的电容、电阻以及损耗角正切值保持不变，若电压大于该值，随着电压的增大，电容和电阻值迅速下降，损耗角正切值急剧增大；电压临界值与频率有关，在5～100 kHz的频段内，30 kHz下的电压临界值最大；猕猴桃、梨同苹果电参数的频率特性相同，而且也存在电压临界值；10 kHz下，苹果、猕猴桃和梨的电压临界值分别为0.8、1.8和1.4 V。文中提出了基于电压临界值的果品种类识别方法，验证结果表明，该方法对苹果、猕猴桃和梨的识别率分别为100%，93%和90%。     

光源光斑直径对苹果霉心病近红外检测的影响

为实现中早期霉心病苹果的有效剔除以提高苹果的整体品质，该研究利用近红外光谱技术对苹果霉心病进行快速无损检测，从光谱和分类模型两方面探究光源光斑直径对苹果霉心病检测的影响。在30、50 及70 mm光源光斑直径条件下采集了苹果样本的透射光谱，分析不同光源光斑直径下健康苹果和霉心病苹果的光谱差异，然后应用支持向量机（support vector machines，SVM）和粒子群算法优化-最小二乘支持向量机（particle swarm optimization-least squares support vector machine，PSO-LSSVM）方法建立苹果霉心病的分类模型，并对不同光源光斑直径下的分类模型性能进行对比。在此基础上，采用竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）方法筛选特征波长变量并建立分类模型。研究结果表明，30 mm光源光斑直径对苹果霉心病的检测效果最好，建立的SVM和PSO-LSSVM分类模型性能均最优。30 mm光源光斑直径下，最优PSO-LSSVM模型的预测集的灵敏度、特异度和正确率分别为89.5%、95.5%和92.7%。CARS-PSO-LSSVM分类模型性能比全波段的分类模型性能略有下降，预测集的灵敏度、特异度和正确率分别为89.5%、90.9%和90.2%，但建模变量数仅占原波长变量数的4.2%，有效地简化了分类模型。该研究为苹果霉心病的快速无损高精度检测提供技术支撑。     

基于主动形状模型的苹果果形分级研究

苹果果形是评价苹果品质的一个重要指标。为提高果形判别的准确度和效率，首次采用主动形状模型(ASM)的方法进行苹果形态分级。根据试验确定苹果轮廓特征点数为36时为最佳特征点数，然后对不同形状的苹果进行计算机自动标定、校准，运用主成分分析法获取不同形状的苹果模型，并将模型与实际苹果进行灰度匹配，提取像素数目比等特征参数，实现苹果分级。应用结果表明，该方法对苹果果形的判别准确度高达95%，且直观性强、鲁棒性好，具有较好的灵活性。     

苹果内外品质在线无损检测分级系统设计与试验

目前苹果品质检测分级机械存在结构复杂、价格昂贵以及不能兼顾内外品质的缺点。苹果的内部品质和外部品质都是决定苹果价值的关键因素,故该研究根据静态条件下的试验分析,设计了苹果内外品质在线无损检测分级系统。该系统主要由哑铃式滚子、机器视觉外观品质检测系统模块、近红外内部品质检测系统模块、分级模块以及控制系统组成。在机器视觉外部品质检测模块设计中,为了增大苹果有碰伤部位和无碰伤部位之间的对比度,通过采集有碰伤部位和无碰伤部位的反射率光谱,确定在730 nm处两者的反射率差异最大,并以此选用波长为730 nm的红色LED光源作为机器视觉模块的光源。为获得苹果整个表面信息,苹果在向前运动的过程中完成自转,并利用算法将单个苹果3个运动状态下的图像进行提取和合成,随后对图像进行高斯滤波,大津法二值化以及轮廓提取处理,当该苹果判断为有碰伤时,直接发送剔除指令,当判断为无碰伤,对轮廓提取后图像进行圆拟合处理,并利用拟合圆直径得到该苹果的大小。近红外内部品质检测系统模块设计中,对比2种近红外检测结构,并以试验确定了将探头和光源布置在下的设计方式。最终,通过试验验证得到了系统的在线检测性能,系统对于苹果有无碰伤检测总体正确率为94%,大小检测的相关系数为0.964 6,均方根误差为2.28 1 mm,苹果内部可溶性固形物含量所建立模型的校正集相关系数为0.950 8,校正集均方根误差为0.342 6%,预测集相关系数为0.949 2,预测集均方根误差为0.448 7%。单个苹果的检测时间为0.71 s。整机具有体积小、结构简单、成本较低的优点,适用于农户和中小型企业。     

基于数字图像处理的苹果表面缺陷分类方法

为了实现苹果分级完全自动化，研究了苹果表面缺陷图像分类方法。提取了苹果表面缺陷图像区域的特征参数。根据表面缺陷特征，同时考虑缺陷形状的投影畸变，提出了一种苹果表面缺陷分类方法。分类方法利用二叉树将一个复杂的多模式分类问题分解为多级的、相对简单的二类模式分类问题,并采用人工神经网络与阈值判别相结合的方法，将苹果表面缺陷分为碰压伤、刺伤、裂果、病虫果和虫伤。试验表明：该分类方法能将苹果表面缺陷进行分类。     

基于机器视觉的苹果最大横切面直径分级方法

针对中国苹果产后分选率和分选精度均较低而影响其商品价值等现状,在GB/T10651-2008《鲜苹果》颁布的背景下,设计了一套基于机器视觉技术的苹果分选系统。针对红富士苹果,采用了一种利用RGB颜色模型R-B通道进行阈值分割和均值滤波后,通过行扫描提取出轮廓的方法。提出了2种对苹果进行大小分级的理论模型:一种以苹果轮廓线上两点之间的最大距离作为分级标准;另一种以苹果最大横切面直径作为分级标准,其中苹果最大横切面直径通过曲线拟合得出。利用VC6.0软件编程实现了上述2种分级模型的算法。通过40个苹果6次在线分级试验表明,模型一分级正确率为93.3%,模型二分级正确率为87.1%,双通道分级效率最高可达12个/s,达到了苹果在线分选商品化应用的基本要求,为近球形果蔬参照行业分级标准进行大小自动化分选提供参考。     

苹果树枝条含水率无损测量传感器研制

茎部含水率是评价果树干旱胁迫响应和指导灌溉的重要参数。该研究针对目前果树茎部细小枝条含水率活体原位无损测量传感器缺乏的现状,设计了一种基于频域介电法的改进型平行板电极传感器。为检验该传感器的性能参数,以苹果树为观测对象,首先开展了高频结构仿真分析、逐步移除小木条、直径影响校正、性能测试、传感器标定等实验室环境下的理论分析与试验验证,然后在温室苹果树上开展活体原位无损监测试验和干旱胁迫试验。结果表明：该传感器的最大观测枝条直径约为10 mm,直径变化引起的传感器误差为4.23 mV/mm,传感器输出与电容值之间具有良好的线性关系（R2=0.986）,当负载稳定时,传感器的误差在0.5～0.8 mV之间,重复性测试结果显示传感器输出的最大差值不超过8 mV,传感器标定曲线的决定系数为0.998;温室环境下盆栽苹果树枝条含水率监测试验结果表明：该传感器可以检测到直径5～8 mm范围内枝条的含水率变化;干旱胁迫辨识试验结果表明：该传感器可以观测到苹果树在灌溉之前经历的干旱胁迫过程。研究结果可为诊断植物干旱胁迫、果树抽条和指导节水灌溉提供重要依据与技术支撑。     

采后苹果电特性与生理特性的关系及其应用

为了了解果蔬的电学特性,并为果蔬品质自动化识别提供新方法,该文从生理特性角度分析了影响采后苹果电参数变化的原因。基于电参数的变化,将BP神经网络技术应用于苹果新鲜等级的识别。研究结果指出：采后红富士苹果相对介电常数的变化规律与乙烯释放量变化规律相似,电阻率与乙烯释放量变化规律相反,在乙烯释放峰出现时,相对介电常数达到最大值,电阻率达到最小值。根据采后苹果可溶性固形物含量和pH值的变化,将苹果分为3个新鲜等级,以相对介电常数和电阻率作为BP神经网络的输入特征参数,在2-20-3的网络结构下,苹果新鲜等级平均识别率达到79%。该研究为了解采后果品电特性变化的原因提供了信息,为基于电特性的新型果品内部品质检测技术的研究提供了基础。     

基于图像特征融合的苹果在线分级方法

苹果在线分级是提升苹果商品化价值的重要环节,需要同时满足分级准确度和速度要求。为进一步提高苹果在线分级效率,该文借助机器视觉技术动态采集苹果传输过程中的实时图像,提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响,通过分析苹果分级指标,采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断,并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级,最后,通过将两种分级判断结果进行决策融合来实现样本精确分级。同时,采取图像压缩和特征降维方法提高实时性。试验结果表明,基于图像特征决策融合的苹果分级准确率可达到95%,平均分级速率可达到4个/s。研究结果为水果的在线分级提供参考。     

基于光子传输模拟的苹果品质高光谱检测源探位置研究

光谱无损的检测方法是质检测最常用的方法之一。传统的光谱仪光源探头位置和源探距离相对固定,导致品质检测精度受限。为解决这个问题,提出基于蒙特卡洛的苹果多层组织的光子传输模拟,分析了光子入射最佳位置和源探距离,并用点光源高光谱仪实际拍摄红富士苹果进行验证。分析表明,光子在苹果赤道位置入射,具有73.12%概率到达更深的深度。源探距离与苹果的光学参数有关,形状为圆环,源探距离内外半径为1.5～10.15 mm。点光源高光谱仪采集红富士苹果的光谱信息,光子入射位置为赤道,源探距离为距离光源点半径2.7～11.7mm的圆环,与模拟数据分析结果基本一致。蒙特卡洛光子传输模拟方法为研究高光谱苹果品质无损检测开辟了新思路,分析结果可以为研究高光谱品质检测试验设计和苹果便携式品质检测光学仪器设计提供理论基础。     

基于特征光谱的苹果霉心病无损检测设备设计

针对现有农产品内部品质无损检测多采用宽波段光谱技术,集成应用光谱仪与计算机完成品质分析,存在成本高、能耗大、分析过程复杂以及光谱信息冗余等问题。该文结合苹果霉心病在果心发病的特征,采用透射光谱检测方式,设计实现了基于窄带LED光源与光敏二极管的苹果霉心病无损检测设备。通过霉心病发病特征的分析可得果径和特征光谱波段的透射强度是进行霉心病检测的关键影响因素,设计光谱特性试验,对多组宽波段光谱数据采用相关性分析法得到特征光谱波段为690～730 nm。设计果径与透射光谱信息采集的基础平台,该平台包括LED光源及其驱动模块、光电转换与检测模块以及基于丝杠滑台组件与限位传感器的果径在线测量模块;采用基础平台对样品进行数据获取,以果径与透射光谱强度值为输入,建立基于误差反向传播网络的霉心病判别模型。结果表明,采用该文所述测试试验样本进行验证,设备判别准确率达到95.83%。该研究结果表明,基于特征光谱采用 LED 光源的霉心病无损检测方法是可行的,可为其他果品内部病害的检测提供借鉴思路。     

基于高光谱成像的苹果轻微损伤检测有效波长选取

为了确定可用于苹果早期轻微损伤检测的有效波长,以具有代表性的阿克苏苹果为研究对象,采用高光谱成像技术和分段主成分分析方法对损伤发生仅为半小时之内的苹果进行损伤检测研究,对比分析不同光谱区域主成分分析对识别结果的影响,优选出识别光谱区域(780～1000nm)。基于此光谱区域结合主成分图像权重系数获取2个有效波长(820和970nm),并利用这2个波长和全局阈值理论开发了多光谱轻微损伤提取算法。利用独立测试集中25个正常苹果和25个损伤苹果对算法的性能进行评估,结果表明,正常果的识别率为100%,损伤果的识别率为96%,整体检测精度为98%。该研究所获得的有效波长可为开发基于多光谱成像技术的苹果损伤检测系统提供参考。     

融合光谱形态特征的苹果霉心病检测方法

针对轻微霉心病和健康苹果光谱差异较小,致使基于可见/近红外特征光谱的检测方法对轻微霉心病检测准确率较低的问题。该研究将光谱形态特征与光谱特征融合的方法引入霉心病模型构建,建立了融合光谱形态特征的判别模型。以215个苹果可见/近红外光谱为样本,分析了不同预处理和特征提取组合对建模效果的影响,并完成了光谱特征的提取;分析健康果和霉心病苹果平均光谱的差异性,提取波峰、波谷等差异明显的光谱形态特征点,对比波段比、波段差和归一化强度差三类形态特征获取方法;最终建立光谱形态特征参数和光谱特征融合的苹果霉心病模型。试验结果表明,归一化预处理后提取的特征光谱和归一化强度差形态特征融合后模型判别准确率最高,在支持向量机模型中训练集、测试集判别准确率分别为98.6%和96.3%。特别是当发病程度小于10%时,该研究的判别模型准确率高于95%,表明通过融合光谱形态特征可以提升轻微病变霉心苹果的判别准确率。     

基于电学参数的苹果可溶性固形物含量预测

为实现苹果可溶性固形物含量的无损检测，该研究提出了一种长短期记忆编解码和多层感知机（LSTMED-MLP,long short-term memory encoder-decoder-multi-layer perceptron）融合的介电特征预测方法。在0.158～3 980 kHz频率范围内的9个频率点下，采用介电谱测量仪获取300个富士苹果的电学参数，其中每个频率点对应15项电学参数，即每个苹果对应135项电学特性参数，之后通过苹果基因组学理化分析方法，获取可溶性固形物含量；根据电学参数与可溶性固形物含量，构建苹果关键基因组学参数的回归预测模型。为简化模型输入，提取样本变量特征，使用主成分分析（principal component analysis,PCA）和LSTMED模型，提取每个样本的40项特征值，作为非线性回归模型多层感知机（MLP）和XGBoost的输入，建立可溶性固形物含量预测模型。试验结果表明，LSTMED具有更好的适用性，且LSTMED-MLP模型的预测效果最好，在校正集和预测集上，决定系数分别为0.95和0.90，均方根误差分别为0.77和0.84，且对不同种...