便携式番茄多品质参数可见/近红外检测装置研发

该文针对番茄独特的囊室结构及整体成熟度不均等问题,基于可见/近红外全透射光谱,研发了便携式番茄内外品质快速无损实时检测装置.该装置的硬件系统主要包括光源模块、信号采集模块、信号处理模块、电源模块、散热模块和打印模块,基于该硬件系统,采集了番茄630~1100 nm范围内可见/近红外透射光谱,选取650~1100 nm范围的光谱进行SG卷积平滑(savitzky-Golay smooth,SG-smooth)、标准正态变量变换(standard normal variable transformation,SNV)和多元散射校正(muliplication scattering correction,MSC)等预处理,建立了番茄颜色、硬度、总酸、总糖含量的偏最小二乘预测模型.基于QT开发框架编写了番茄多品质无损检测实时分析控制软件,植入番茄多品质参数预测模型,实现了番茄多品质参数检测一键式操作.为了测试该装置的检测精度和稳定性,选取与建模无关的20个同品种样品对每个样品的内外品质重复检测8次,结果表明:番茄颜色预测值与实测值相关系数为0.9528,均方根误差为2.7038,硬度预测值与实测值相关系数为0.9405,均方根误差为0.4486 kg/cm2,总酸含量的预测值与实测值相关系数为0.9537,均方根误差为0.3263%,总糖含量预测值与实测值相关系数为0.9610,均方根误差为0.1974%.番茄样品颜色、硬度、总酸和总糖重复检测最大相对误差分别为2.9%、1.9%、2.0%和1.6%.该便携式检测装置基于可见近红外全透射光谱,实现了番茄颜色、硬度、总酸、总糖含量的同时快速无损实时检测,预测精度及稳定性较好,可以满足实时评价番茄品质的市场需求.     

便携式生鲜猪肉多品质参数同时检测装置研发

针对农畜产品检测现场的需求,基于可见/近红外光谱检测技术和嵌入式系统,开发了灵活方便的猪肉品质无损检测装置。该装置利用卤素灯作为光源,新型光导探头和微型光谱仪采集肉样光谱信息,通过ARM(advanced RISC machines)控制处理器进行集中控制和数据的处理;在内嵌linux操作系统上,采用Qt开发工具,设计出人性化的交互界面,并将猪肉品质的检测结果输出到装置触摸屏上。为了建立多品质无损检测数学模型,获取了猪肉里脊在400~1 000 nm波长范围内的光谱数据,通过国标方法测得猪肉里脊主要品质参数颜色(L*、a*、b*)和p H值,采用标准正态变量变换(standard normalized variate,SNV)和Savitzky-Golay(S-G)平滑对光谱数据进行预处理,并结合理化数据建立偏最小二乘(partial least squares regression,PLSR)模型。用全交叉验证法选取PLSR建模的主成分数。p H值、L*、a*和b*的预测相关系数为0.88、0.90、0.97和0.97,预测标准差为0.19、1.77、1.17和0.63。通过现场试验表明,轻便式多品质无损检测装置具有较高的检测精度,满足于猪肉的颜色和p H值等品质参数检测的要求。     

基于可见/近红外光谱生鲜肉多品质参数检测装置研发

为了解决生鲜肉多个品质参数快速、无损、同时检测的问题,该文利用双波段(350~1 100 nm和1 000~2 500 nm)可见/近红外光谱技术,结合硬件单元和编写的软件控制程序,研发了多品质参数同时检测装置,实现对双波段光谱信息的同时采集、实时处理、显示以及保存。基于该检测装置,采集覆盖生鲜肉多个品质参数的可见/近红外光谱信息(350~2 500 nm),经过平滑和标准正态变量变换(standard normal variate,SNV)预处理后,分别基于单波段和双波段光谱数据,与国家标准方法测定的猪肉颜色(L*、a*、b*)、p H值、挥发性盐基氮(total volatile basic nitrogen,TVB-N)、含水率、蒸煮损失和嫩度建立偏最小二乘(partial least square,PLS)预测模型。在此基础上,利用竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)筛选特征变量,建立简化的PLS模型,对各个品质参数的预测集相关系数分别为0.962 5、0.933 6、0.938 9、0.941 5、0.936 3、0.912 3、0.920 0和0.901 9,预测误差为0.628 7、0.757 6、0.547 1、0.078 2、2.835 4 mg/(100 g)、0.380 9%、2.560 0%和6.896 7 N。结果表明,该装置可以实现生鲜肉多个品质参数的同时检测,研究结果可为实时获取肉品品质信息,实现肉品评定和分级提供参考。     

便携式鱼粉品质检测装置的设计与参数优化

为了快速检测鱼粉的品质,该文设计了一种便携式的鱼粉品质检测装置,该装置以微处理器树莓派为核心,主要由气路气体采集、电路数据获取和软件等部分组成,其中气路气体采集主要是采集零气和样品气体,电路数据获取主要是将传感器的电信号进行采集、放大和AD(analog-digital)转换,软件部分则设计了传感器数据采集和清洗等界面,并实时显示采集到的数据。为了研究该装置的检测性能,该文采用响应面法,选取了对检测结果影响较大的气体流量、采样时间、清洗时间作为试验因素,以离散比为试验指标,利用Design-Expert软件对该装置的参数进行优化,得到最优的参数组合,并在最优参数下,验证了检测装置对鱼粉品质检测的可行性和检测性能。试验结果表明:气体流量、采样时间、清洗时间均对离散比影响显著,且显著性影响程度为清洗时间采样时间气体流量,综合考虑各因素,得到最佳参数组合为气体流量2.2 L/min,采样时间39 s,清洗时间77 s,此时离散比实测值为0.579 9。在最优参数下,对不同储藏时间等级的鱼粉样品进行检测,得到不同储藏时间等级逐步判别的正确度为89.4%,可以实现对不同品质的鱼粉进行检测,可为鱼粉品质检测装置的研究提供相应参考和技术支撑。     

基于可见-近红外光谱的滩羊肉多品质指标无损检测

针对近红外光谱技术在生鲜肉品质检测中预测模型适用范围窄、检测指标单一、模型稳定性差、难以有效应用于生产检测等问题,本研究采集不同月龄宁夏滩羊宰后3个时期4个部位肉的可见-近红外光谱信息,测定色泽、pH值、蒸煮损失、剪切力以及蛋白质、粗脂肪和水分含量,利用2个波段(370~1 050 nm、900~1 700 nm)的光谱数据分别构建各个指标的偏最小二乘回归(PLSR)预测模型以实现滩羊肉多品质指标同步无损检测。结果表明,两波段中各品质指标的PLSR预测模型相关系数(R)均大于0.80,第二波段中水分含量PLSR模型预测集R可达0.941;两波段中各品质指标预测模型的性能较好,其中370~1 050 nm波段的光谱数据对样品色泽参数预测效果更好。综上所述,可见-近红外光谱技术可实现滩羊肉7个品质指标的快速无损检测。本研究结果为滩羊肉品质控制和滩羊屠宰加工企业优质特色产品的生产提供了技术支撑。     

便携式茶鲜叶品质光谱检测装置研制

品质监测对茶鲜叶适时采摘和茶叶加工品控具有重要意义。该研究基于可见/近红外光谱技术，研发了便携式茶鲜叶品质无损检测装置。该装置分为主机和手柄2部分，主机大小约240 mm×250 mm×240 mm，包括光谱仪、光源、可充电锂电池、稳压板和散热风扇；手柄大小约130 mm×100 mm×30 mm，包括光纤探头、金属灯杯、白参考板和外触发按钮。基于该设备，采集了茶鲜叶500～900 nm范围内可见/近红外漫反射光谱，对比了归一化（Normalize，NOR）、一阶导数（First Derivative，FD）、标准正态变量变换（Standard Normal Variable Transformation，SNV）和概率商归一化（Probabilistic Quotient Normalization，PQNOR）等不同光谱预处理方法对茶叶光谱的处理结果，建立了茶鲜叶干物质含量、水浸出物含量、茶多酚含量的偏最小二乘定量预测模型。结果表明，PQNOR预处理后建立的偏最小二乘预测模型精度最好，干物质、水浸出物和茶多酚含量预测模型在验证集的相关系数分别为0.905、0.896和0.747，均方根误差分别为0.856%、0.559%和0.549%。在茶园对装置的精度进行了现场测试，单片茶鲜叶检测时间约为1 s，干物质、水浸出物和茶多酚含量预测值与测量值的均方根误差分别为0.903%、0.634%和0.551%。该装置可以实现茶鲜叶光谱原位采集和干物质含量、水浸出物、茶多酚的定量分析，对及时掌握茶树生长情况、辅助决策采茶方案和保障茶叶品质具有重要作用。     

稻米粒型特性参数测试系统的开发

针对优质稻米品质国标参数检测的实际需要,在设计稻米图像采集装置的基础上,给出一种基于嵌入式的稻米粒型特性参数测试方法。系统以基于ARM内核的S3C2410为硬件开发平台,以linux系统为软件开发平台,采用USB数字摄像头,结合图像处理与模式识别技术,利用大津法对图像进行阈值分割,通过边缘检测和最大距离方法获得稻米粒型国标参数,测试误差不超过1%。该系统为稻米国标参数的现场测试奠定了基础。     

便携式土壤湿度检测装置用于精准灌溉决策系统

采用最先进的技术进行精准灌溉是现代农业发展的必然趋势,但在准确预测被监测区域的土壤湿度时,面临一个两难的处境:少量土壤湿度固定检测点不能良好地反映作物区域土壤墒情信息,而大量布置传感器检测点又使得投资成本较大。因此该文设计了一种便携式土壤检测装置,同时基于该装置构建了一个精准灌溉决策系统,并把该系统应用于田间的精准灌溉决策。该系统由便携式土壤湿度检测装置和上位机决策软件2部分组成,其中便携式土壤湿度检测装置由FDR原理土壤水分传感器MS-10、低功耗单片机C8051F410、蓝牙无线传输模块、数据显示模块以及部分外围电路组成,可以独立实现时间记录、数据存储和实时显示。经过试验标定,装置的允许最大误差为2.2%,设计精度为95%;上位机决策软件分为数据接收模块、分布式二进制一致性算法模块和系统操作界面3个子模块,分别采用Visual Basic、Matlab和Matlab GUI设计而成,实现对便携式装置所采集数据的无线传输、归一化处理和数据融合处理,能够根据不同区域划分和不同作物灌水下限进行相应的运算,从而得到估计精度较高、区域大小可调的多尺度精准灌溉决策信息。最后通过30 m×30 m草坪的土壤湿度为检测参数的田间验证,该系统的平均决策准确率大于90%,且可以根据需要增减检测点个数。因此既可以独立应用,也可以作为固定检测方式的有效补充,实现作物区域土壤湿度信息的精确采集,有效提高水资源利用率。     

适于餐厅与家庭的叶菜外部品质在线检测与分级系统

该研究从中式菜肴原料的品质控制需求出发,针对叶菜变黄、腐烂、虫害危害消费者健康、人工挑选费时费力的技术难点,开发了基于机器视觉的叶菜外部品质在线检测与分级系统,以实现在中小型餐厅和家庭场合对黄化叶、腐烂叶以及虫眼叶的快速检测判别与分级。该系统硬件部分主要包括基于负压吸气式的样品分离单元、基于LED光源照明系统的样品检测单元以及基于气吹式分选单元等。利用Open Cv和Visual C++编写了叶菜外部品质无损快速检测软件,实现样品信息的自动采集、数据分析和结果显示。最后结合对应的特征信息提取方法,利用320个菠菜样品对装置性能进行试验验证,其中黄化叶、虫眼叶、腐烂叶以及正常叶数目各为91、75、91、63。针对黄化叶与腐烂叶,利用RGB到HSV的颜色空间变换方法分别设定分量值H∈(60?,130?)、S∈(0,0.17)和V∈(0,0.23)提取菠菜黄化叶与腐烂叶的特征信息,实现菠菜黄叶与腐烂叶的判别;针对虫眼叶,在RGB颜色空间中调节2G-R-B的阈值对虫眼叶菜进行灰度化、二值化及形态学消噪提取虫眼叶轮廓特征信息,实现虫眼叶判别及虫眼面积的计算。试验结果表明,利用该装置并结合各自的特征信息提取算法,能够实现对菠菜外部品质的判别,与人工判别相比,黄化叶、腐烂叶以及虫眼叶的判别正确率分别为96.70%、92.59%、84.62%,整体判别正确率为94.69%,1个叶菜样品的分选时间为0.84 s。     

便携式双档位柑橘多品质无损检测装置设计与试验

为了解决普通检测装置难以覆盖不同果径（25～95mm）柑橘的检测需求问题,研发了覆盖多果径柑橘的便携式双档位多品质无损检测装置。以砂糖橘（果径25.35～48.61mm）和武鸣沃柑（果径53.24～94.71mm）为研究对象,基于研发的双档位探头,在赤道部位每隔120°采集一次光谱,平均光谱作为该柑橘的原始光谱。经标准正态变量变换（standard normal variable,SNV）、多元散射校正（multiplicative scatter correction,MSC）预处理,再利用竞争性自适应加权抽样算法（competitive adaptive reweighted sampling, CARS）筛选特征波长,分别建立了沃柑和砂糖橘的可溶性固形物含量（soluble solids content,SSC）和水分的偏最小二乘预测模型。沃柑的SSC和水分预测模型验证集相关系数分别为0.937、0.951,均方根误差分别为0.382°Brix、0.491%;砂糖橘的SSC和水分预测模型验证集相关系数分别为0.921、0.935,均方根误差分别为0.460°Brix、0.673%...     

便携式猪肉阻抗谱检测系统研制

基于生物阻抗谱检测原理,设计并实现了一个非破坏性的便携式肉品阻抗谱检测系统,主要包括信号发生单元和检测单元,信号源能够在0.1～250 kHz范围内自动扫频,检测单元由检测电极和增益、相位检测器构成。探讨了检测电极设计方案,比较分析了六钢针电极和四针石墨电极的性能,同时通过试验证明了系统的稳定性,1 kHz以上系统的变异系数CV＜6%;以组内相关系数ICC来评定在不同温度下系统的可靠性,系统模型中Ri、Re、C的ICC均大于65%,系统稳定可靠。选取猪肉样品进行了新鲜度指标与阻抗谱关系的初步研究,结果表明随着猪肉新鲜程度改变,猪肉复阻抗值、复阻抗实部值、复阻抗虚部值以及特征频率都表现出减小的趋势。     

基于主动光源的作物生长信息监测仪的设计与试验

为了实现大田作物生长信息全天候实时、快速无损监测,基于作物生长光谱分析技术原理,研发了一种基于主动光源的作物生长信息监测仪。该监测仪包括由730和810 nm 2个光学通道组成的作物生长信息传感系统、控制器系统及其他部件,能快速、准确地获得作物冠层归一化植被指数值、比值植被指数值、差值植被指数值、重归一化植被指数值等主要光谱植被指数信息,为大田作物生长指标的实时反演奠定了基础。试验结果表明,在不同光照条件下,监测仪的抗光照稳定性能良好,标准差为1.05%和0.47%;该监测仪与Field Spec3地物光谱仪测得小麦冠层归一化植被指数值、比值植被指数值、差值植被指数值、重归一化植被指数值具有显著相关性,其决定系数分别为0.7017、0.7071、0.8178、0.7804;均方根误差分别为0.05362、0.2118、0.03434、0.04182。该监测仪具有稳定性好、抗干扰能力强、操作简便等优点,能够满足大田作物生长信息监测的要求,该研究为实现作物精确管理调控提供了可行的参考方法。     

掌上式生鲜猪肉新鲜度无损智能检测分级装置

为实现储运过程中生鲜猪肉新鲜度实时检测，该研究基于可见/近红外光谱技术开发了掌上式生鲜猪肉新鲜度无损智能检测装置。检测装置以可见\近红外光谱采集单元为核心，搭建了硬件系统，开发了生鲜猪肉新鲜度多指标同时检测和新鲜度分级软件系统。通过研发的检测装置采集了不同部位猪肉的650～1 100 nm波长范围的漫反射光谱，经过标准正态变量变换（standard normal variable transformation，SNV）预处理后，对比连续投影算法（successive projections algorithm, SPA）和竞争性自适应加权抽样算法（competitive adaptive reweighted sampling, CARS）算法优选了猪肉新鲜度特征光谱，分别建立了不同部位猪肉新鲜度指标通用预测模型，并根据挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量和pH值预测值，将猪肉分为新鲜、次新鲜和变质3个等级。试验结果表明，通过 SNV预处理和CARS算法筛选特征波长后建立的PLS预测模型（下文简称“SNV-CARS-PLS”）具有更好的性能， TVB-N含量、pH值、亮度L*、红度a*和黄度b*通用预测模型的预测集相关系数分别为0.942、0.945、0.940、0.933和0.833，预测均方根误差分别为1.131 mg/100 g、0.136、1.706、1.217和0.717。将通用检测模型导入检测装置进行了试验验证，对不同部位猪肉样本试验结果表明，TVB-N含量、pH值、亮度L*、红度a*和黄度b*的预测结果与理化值的均方根误差分别为1.109 mg/100 g、0.134、1.140、1.094和0.636；新鲜度的分级正确率为92.86%；单个样品检测时间约为1 s。该检测装置可满足不同部位猪肉新鲜度多指标现场快速检测和分级的需求，为及时掌握储运过程中生鲜猪肉新鲜度情况、辅助决策储运和销售方案、保障生鲜猪肉品质安全具有重要作用。     

便携式作物生长监测诊断仪的设计与试验

为了解决当前作物生长信息实时、快速、无损测量手段瓶颈问题,研发了一种基于多光谱传感器的便携式作物生长监测诊断仪。该仪器由多光谱传感器系统、处理器系统及附属机构组成,能实时无损地获取作物叶层氮含量、叶层氮积累量、叶面积指数、生物量等主要生长指标。对水稻的试验结果表明,便携式作物生长监测诊断仪测得的DVI值与水稻叶层氮含量、氮积累量、叶面积指数、叶干重的决定系数R2分别为0.711,0.8231,0.7698,0.7212。该仪器结构简单,集成度高,性价比好,携带方便,易于田间操作。     

基于高光谱图像的茶树LAI与氮含量反演

为了对茶树进行实时、快速、无损的叶面积指数LAI和氮含量检测,该文以英红九号茶树为试验对象,利用便携式高光谱成像仪采集光谱数据、人工破坏性采摘叶片进行叶面积指数的计算以及传统化学方法测量叶片氮含量,比较不同高光谱特征变换形式与LAI和氮含量之间的相关性,并选择其中相关系数较高的高光谱特征变量作为自变量,分别采用线性、指数、对数和抛物线表达式建立LAI和氮含量的回归模型。结果显示:在多种高光谱数据变量建立的模型中,以绿峰反射率R_g为自变量的对数拟合模型最佳,其拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。以植被指数变量VI_4(红边面积/黄边面积)与氮含量建立的指数模型为最佳建模效果,拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.830 3和0.102 9,研究结果可为茶树叶面积指数LAI和营养成分的无损检测提供参考。     

苹果品质动态无损感知及分级机器手系统

为了实现灵活高效的苹果多品质指标检测分级,基于机器视觉技术及可见/近红外光谱技术,开发了用于苹果内外部品质无损感知及分级的机器手系统。机器手系统采用六轴机械臂搭载自行研发的末端执行器,末端执行器上装载有光学传感器与抓取结构,可以抓取流水线上的苹果并同时采集苹果的光谱进行糖度检测。使用CMOS相机采集苹果图像,训练并使用PP-YOLO深度学习目标检测模型处理采集的苹果图像,计算苹果的坐标位置实现苹果的动态定位,并获取苹果的果径大小、着色度信息实现外部品质检测。采集苹果样本光谱,结合不同的光谱预处理方式,利用偏最小二乘（Partial Least-Square,PLS）方法进行建模分析。试验结果表明,使用PP-YOLO目标检测算法处理图像和计算苹果位置,其识别速度为38帧/s,极大地提高了检测速度。使用归一化光谱比值法（Normalized Spectral Ratio,NSR）作为预处理算法的糖度建模结果较佳。采用NSR+CARS（Competitive Adaptive Reweighted Sampling,竞争性自适应重加权算法）作为机器手的动态光谱模型效果较佳,该动态光谱模型相关系数Rv为0.958 9,验证均方根误差RMSEV（Root Mean Squared Error of Validation）为0.462 7%,与静态下建立的模型相比,机器手在动态状态下采集光谱对所建立的预测模型的预测效果影响较小。对整体机器手系统进行了试验验证,机器手在工作时能够无损伤地抓取苹果,给出果径大小、着色度、糖度3个检测指标并依据指标自动划分等级,然后依据等级信息分级。随后测定了3个指标的实测值与预测值进行分析,果径大小的预测相关系数为0.977 2,均方根误差为1.631 5 mm;着色度的预测相关系数为0.967 4,均方根误差为5.973 4%;糖度的预测相关系数为0.964 3,均方根误差为0.504 8%,预测结果与真实值均具有较强的线性关系和较低的预测误差,机器手系统分级正确率为95%,完成一颗苹果的定位、抓取、检测、分级和放置的时间约为5.2 s,具有较好的工作可靠性,研究结果为苹果多品质指标的高效检测提供参考。