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。     

基于机器视觉和近红外光谱技术的杏干品质无损检测

干果品质直接影响其市场销售。该研究以杏干为对象探讨用机器视觉和近红外光谱技术快速无损检测干果内外品质的方法。拍摄杏干4个不同位置的彩色图像,用基于区域骨架化的填充法分割杏干,提取每种角度下的面积。从100个正常杏干样本中随机挑选75个为校正集,25个为预测集,用多元线性回归对杏干的实际质量和4个面的面积建模,得到校正集和预测集相关系数分别为0.9374和0.9307,杏干质量分级的准确率为90%。提出用基于平均灰度的区域增长法提取杏干缺陷,缺陷检测的准确率为84.5%。采用SNV对杏干近红外光谱进行预处理,然后分别采用偏最小二乘法(PLS)、向后区间偏最小二乘法(biPLS)及联合区间偏最小二乘法(siPLS)建立杏干糖度预测模型。结果表明,当全光谱范围被划分为22个子区间,优选出区间[17、2、3、9、20、13、7、18、15、11、6],主因子数为10时建立的biPLS糖度模型性能最好。其校正集相关系数和校正均方根误差分别为0.8983和1.23,预测集相关系数和预测均方根误差分别为0.8814和1.46。研究表明,机器视觉结合近红外光谱技术能对杏干内外品质进行综合检测,也可为其他干果的品质检测提供借鉴。     

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。     

适宜西瓜检测部位提高近红外光谱糖度预测模型精度

为了提高中国厚皮类瓜果的品质质量和出口能力,增强中国水果品质检测装备制造业的技术实力和技术水平。该文以西瓜为对象,对其糖度进行了试验研究。由于西瓜各部位存在差异,因而不同部位采集近红外光谱会对糖度预测模型精度产生影响。采用自主搭建的西瓜内部品质检测系统对不同批次西瓜瓜梗、瓜脐和赤道3个部位采集漫透射光谱信息,分别采用偏最小二乘回归法(partial least squares regression,PLSR)和最小二乘支持向量机法(least squares support vector machines,LS-SVM)2种方法对西瓜糖度建立预测模型,考察西瓜不同检测部位对西瓜糖度预测模型精度的影响。2种预测模型均显示,赤道部位采集光谱所建立的预测模型检测精度较差,而采用瓜脐部位获取光谱信息建立预测模型略好于瓜梗部位,最佳预测相关系数rpre达到0.823,预测均方根误差(root mean square error of prediction,RMSEP)为0.652%。该研究结果表明,不同部位采集光谱信息对最终的检测模型精度有影响,瓜脐部位为该文西瓜内部品质检测装置的较优采集部位。     

近红外光谱变量筛选提高西瓜糖度预测模型精度

水果的内部品质是水果分级、保鲜及存储的一项重要指标,利用近红外光谱技术对西瓜内部品质进行快速无损检测研究有着非常重要的意义。为了研究变量筛选方法对西瓜糖度预测模型精度的影响,该文以麒麟瓜为研究对象,利用近红外漫透射光谱技术对麒麟瓜可溶性固形物含量（SSC）进行检测,采用偏最小二乘回归（PLSR）,多元线性回归（MLR）和主成分回归（PCR）建立麒麟瓜可溶性固形物数学模型,并探讨等间隔平均光谱和等间隔抽取光谱变量筛选结合连续投影算法（SPA）对预测模型精度的影响。研究结果表明：光谱经等间隔抽取（间隔5,115个变量）经归一化预处理,结合SPA优选出6个波长建立的PLSR预测模型的相关系数（rpre）为0.828、校正均方根误差（RMSEC）为0.589、预测均方根误差（RMSEP）为0.611。该模型预测效果相对较优,建模时间短,提高了模型的预测能力和预测精度。该研究为西瓜内部品质的在线无损检测提供研究基础。     

蛋壳品质的近红外光谱检测分析

蛋壳品质对蛋品孵化、贮存和运输均有重要影响。为了探索近红外光谱技术快速检测蛋壳品质的方法,该文在鸡蛋蛋壳品质指标相关性分析的基础上进行了蛋壳品质的近红外光谱检测分析,研究比较了不同建模方法、不同光谱预处理方法和不同波段范围对预测结果的影响。结果表明：在5段特征波长范围内建立的经过多元散射校正的偏最小二乘回归（PLSR,partial least squares regression）模型对蛋壳强度的预测结果最好,相关系数r为0.86,校正、预测均方根误差分别为4.42、7.53 N;同时蛋壳百分比（蛋壳质量/蛋质量）的PLSR模型的相关系数r为0.92,校正、预测误差分别为0.313%、0.529%;蛋壳厚度的PLSR模型的相关系数r为0.81,校正、预测误差分别为0.0176、0.0234 mm。研究结果表明应用近红外光谱技术预测蛋壳品质是可行的,为蛋壳品质的快速无损检测提供了一种新的方法。     

基于RGB图像光谱重建的鱼糜掺假定量检测研究

实现基于RGB图像的光谱重建对降低光谱的硬件要求、扩大其实际应用具有重大意义。该研究以鱼糜掺假检测为例,比较多元多项式最小二乘回归算法（polynomial multivariate least-squares regression,PMLR）与深度学习HRNet网络对光谱重建的性能,建立基于重建光谱多种掺假鱼糜检测模型并验证其实际应用的有效性。结果表明,2种方法的重建光谱误差较小,HRNet网络、PMLR算法重建光谱的均方根误差（root mean square error,RMSE）分别为0.010 4和0.012 6,大多数掺假检测模型有较高的预测准确性,其预测相关系数大于0.91,预测均方根误差小于9%。在基于重建光谱建立的掺假检测模型中,效果最佳的是基于PMLR算法重建光谱使用标准正态变量变换（standard normal variate,SNV）预处理的极限学习机回归模型,其预测均方根误差为3.954 4%、预测相关系数为0.983 0。因此,PMLR算法和HRNet网络均能较好的实现基于RGB图像的光谱重建,且重建光谱均能实现对鱼糜掺假样本的较好检测结果,为基于重建光谱的食品和农产品品质与安全检测提供了新思路。     

近红外光谱检测苹果可溶性固形物

该文目的是通过静态和在线两种方式的对比试验,研究苹果可溶性固形物近红外光谱静态和在线检测的差异。分别在静态（600～950 nm）和在线（600.02～950.92 nm）2种检测方式下,采用间隔偏最小二乘法,寻找苹果可溶性固形物的特征波段,建立了苹果可溶性固形物近红外光谱检测用数学模型,并进行对比分析。试验结果为：与静态检测模型相比,在线检测模型性能稍弱,模型预测相关系数为0.78,预测均方根误差为1.04oBirx。试验结果表明：近红外光谱在线检测苹果可溶性固形物的精度不理想。     

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%...     

利用近红外漫反射光谱技术进行苹果糖度无损检测的研究

利用近红外漫反射光谱技术，研究了1300～2100 nm波长范围内无损检测苹果糖度的可行性。采集了每个苹果去皮前、后最大横径上四个点的近红外平均光谱和整个苹果的糖度值。采用主成分回归(PCR)和偏最小二乘法(PLS)对试验数据进行了多元统计分析。结果表明：在1300～2100 nm波长范围内无损检测(即带皮检测)苹果的糖度是可靠的，并且PLS模型的性能更优于PCR模型。本文还对用单测点光谱和多测点平均光谱建立的糖度模型进行了研究，结果表明用单测点光谱预测整个苹果的糖度，其精度明显低于多测点平均光谱。这说明用苹果上一个点的光谱来预测整个苹果的糖度，其精度是不够的。因此，在利用近红外漫反射光谱在线检测苹果糖度时，作者建议采用多个光纤探头来采集多点光谱，然后取其平均值预测。     

苹果外部缺陷全表面在线检测分选装置研发

中国是水果消费大国,但在水果产后检测装备方面相对滞后。针对目前在线装置无法采集苹果全表面图像信息且无法精确计算缺陷面积的问题,该研究以表面缺陷面积的快速检测为主要目标,提出苹果全表面图像合成算法,设计了一套苹果外部品质在线检测及分级装置。该研究以苹果为例,基于球模型提出苹果全表面图像合成算法、缺陷面积校正算法精确计算苹果的表面缺陷面积。通过试验验证,对苹果表面图像进行分割合成后,整体的图像的漏检率为0。提出缺陷面积校正算法,可以计算图像中位于任意位置的苹果缺陷真实面积,选取了120个样本进行验证,其中擦伤样本、碰伤样本、痘斑病样本、表面腐败样本各30个。擦伤样本缺陷面积预测值与真实值的决定系数R2为0.9787,标准误差RMSE（Root Mean Squared Error）为3.577 4 mm2,偏角试验中R2为0.975 8,RMSE为3.466 3 mm2。碰伤样本缺陷面积预测值与真实值的R2为0.973 0,RMSE为3.981 9 mm2,偏角试验中R2为0.974 2,RMSE为4.062 4 mm2。痘斑病样本缺陷面积预测值与真实值的R2为0.970 8,RMSE为3.836 6 mm2,偏角试验中R2为0.977 9,RMSE为3.895 3 mm2;表面腐败样本缺陷面积预测值与真实值的R2为0.9812,RMSE为3.178 1 mm2,偏角试验中R2为0.974 8,RMSE为6.304 4 mm2。在整个试验过程中,R2总体上高于0.97,RMSE小于6.304 4 mm2。装置检测苹果的速度为2个/s,评级准确率为95%,检测与苹果评级精度较高,工作较为稳定,实现了苹果外部缺陷的检测与分级评价,为苹果的外部品质检测提供了技术支撑。     

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。     

苹果糖分含量的近红外漫反射检测研究

应用近红外漫反射技术探讨水果糖分含量检测方法并建立其光谱漫反射测量系统,重点对0,2,4 mm和6 mm 4种不同测量距离对苹果糖分含量无损检测的影响分析.试验结果为:当光纤贴紧苹果表面(0 mm测量距离)时建立的校正方程对未知样品的预测效果最好.利用主成分回归多元校正技术,建立在0 mm时红富士苹果样品糖分含量的预测数学模型,其样品预测值和实测值之间的相关系数为0.844,标准校正误差(SEC)为0.729,标准预测误差(SEP)为0.864,偏差(Bias)为0.318.通过本次试验研究表明,应用近红外光谱漫反射技术进行苹果糖分含量无损检测具有可行性,并得到了较为满意的预测效果.     

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。     

苹果采摘机器人柔顺抓取的参数自整定阻抗控制

为了实现苹果机器采摘过程中的柔顺抓取以减小果实损伤,该文在对苹果抓取过程的力学特性变化规律分析的基础上,提出了苹果采摘机器人柔顺抓取的参数自整定阻抗控制方法。首先,利用Burgers黏弹性模型表征苹果的流变特性,将抓取过程分为匀速加载、夹持减速、应力松弛3个阶段,在此基础上求解获得苹果形变量随时间的变化规律和果实接触力与变形量的变化关系。然后,求解出所设计的基于力的阻抗控制系统的期望输入以及抓取环境接触力模型。最后,针对阻抗控制器参数对接触力的影响,构造阻抗参数自整定变化函数,完成改进阻抗控制系统设计。仿真及试验结果表明:依据果实抓取模型及变形规律求解期望位置的方式来模拟末端执行器对苹果的抓取过程是可行的,所建立的抓取环境接触力模型在一定程度上能够避免将环境模型简化为一阶模型而产生的误差。改进阻抗控制得到的期望抓取力更加平顺,其超调量约为2.3%,接触力调节时间减小到0.48 s,接触力的超调量约为2%,较未改进阻抗控制的接触力超调量减小了37.5%。研究结果可为苹果采摘机器人的柔顺控制方法提供参考。     

六关节三指苹果抓取机械手的自适应柔性分析

为适应抓取大小苹果的需要,设计了1种灵活的3指6关节苹果抓取机械手结构,3根手指呈圆周方向均匀分布,活页双铰链关节手指由单根轴向膨胀型人工肌肉驱动。建立了抓取力与驱动压力间的关系式,通过全局优化方式,得到2种扭弹簧的弹性参数和预紧角度。计算结果表明：在设定系统压力下,无需压力反馈,满足抓取大小苹果且不损坏最大横径苹果的受力要求。     

苹果中有机氯农药残留的超声波去除条件优化

中国是世界苹果第一生产大国,但中国苹果出口仅占世界贸易量的不足10%,其主要制约因素是安全性,其中农药残留是主要原因之一。论文采用响应曲面法对超声波去除苹果中有机氯农药残留的工艺条件（功率、时间、温度）及其交互作用进行了优化,并就超声波处理对苹果主要品质指标的影响进行了分析。结果表明：超声波去除苹果中有机氯农药残留的适宜工艺参数为：超声波功率为609.16 W,时间为70.46 min,温度为15.45℃,去除率可达到64.32%;超声波处理对苹果的硬度没有显著性影响;对苹果的总糖、总酸具有一定的显著性影响,但没有超出国家标准及主要出口国苹果标准的要求。超声波处理简单快速,能有效去除苹果中有机氯农药的残留,极大提高苹果的安全性,很容易和现有鲜果清洗、分级、打蜡生产线耦合链接,其产业化应用前景极为广阔。     

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。