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。     

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。     

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.     

利用机器视觉与近红外光谱技术的皮蛋无损检测与分级

为了对优质蛋、次品蛋和劣质蛋这3种皮蛋进行检测及分级,该文应用机器视觉结合近红外光谱技术,研究利用皮蛋凝胶品质无损检测的分级方法。首先采集皮蛋透射光图像,提取18个图像颜色特征值,然后将所提取的18维特征利用主成分分析(principal component analysis,PCA)进行降维,对PCA降维后的3个主成分建立遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)分级模型,把皮蛋样本分为两大类:可食用蛋(优质蛋与次品蛋)与不可食用蛋(劣质蛋),劣质蛋测试集识别率为100%。然后在机器视觉分类结果的基础上,利用近红外光谱技术获取可食用蛋(优质蛋与次品蛋)的原始光谱,并进行多元散射矫正(multiplicative scatter correction,MSC),利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)降维提取特征波长,基于支持向量机(support vector machine,SVM)对特征波长变量建立分级模型,区分出优质蛋与次品蛋,优质蛋测试集识别率为96.49%,次品蛋识别率为94.12%。研究结果表明:基于机器视觉和近红外光谱进行皮蛋凝胶品质无损检测分级是可行的。     

基于近红外光谱和机器视觉融合技术的板栗缺陷检测

为提高合格和缺陷板栗分级检测识别精度,提出了近红外光谱和机器视觉的多源信息融合技术的板栗缺陷检测方法。试验以湖北京山板栗为试验对象,利用BP神经网络方法建立了基于近红外光谱、机器视觉和多源信息融合技术的板栗分级检测模型。试验结果表明,3种识别模型对对训练集板栗回判率分别为96.25%、96.67%和97.92%;对测试集板栗的识别率为86.25%、83.75%和90.00%。基于近红外光谱和机器视觉的多源信息融合技术进行板栗分级检测的方法是可行的,融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有显著提高。     

基于近红外光谱的室温贮藏下鲜枣霉菌污染动力学模型

为了预测鲜枣常温贮藏的保鲜期,确保鲜枣的品质要求及食用安全,应用近红外光谱建立了室温贮藏下鲜枣内部霉菌菌落总数变化的动力学模型。通过对几种数据预处理方法的比较及特征波数的选择,实现了鲜枣霉菌菌落总数变化的近红外模型的优选。结果表明:经过多元散射校正处理的鲜枣近红外光谱,应用多元线性回归方法建立的霉菌菌落总数模型预测能力较好,校正集相关系数为0.920,均方根误差为1.503,预测集相关系数为0.889,均方根误差为1.514。同时,将近红外光谱模型应用于霉菌菌落总数随贮藏时间变化的零级反应动力学模型中,得到模型的相关系数为0.981。根据近红外光谱吸光度值与贮藏时间的线性关系,当霉菌菌落总数初始值小于等于10cfu/g时,预测出鲜枣在室温下的保鲜期一般为8d。研究表明,结合动力学模型的近红外光谱技术可以作为一种无损、快速检测方法来检测鲜枣霉菌菌落总数变化。     

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。     

手持式可见近红外苹果品质无损检测系统设计与试验

为实现苹果多产地多品质指标的现场快速无损检测与评价，该研究基于可见近红外光谱技术研发低成本、低功耗、小型化的苹果品质手持式无损检测终端。检测终端集成宽谱LED光源和水果特征响应窄带光电探测器，接入物联网云端数据系统，实现检测数据上传和模型的远程更新维护。利用研制的检测系统可有效获取不同产区苹果500～1 050 nm波长范围内的漫反射光谱，优选光谱预处理算法消除干扰并采用不同特征波长提取算法对数据进行降维，分别建立了多产地苹果可溶性固形物含量、硬度和维生素C含量的通用检测模型，模型的预测相关系数分别为0.926、0.798和0.704，预测均方根误差分别为0.585%、1.405 kg/cm2和0.968 mg/100g。将通用检测模型载入云端数据系统作为云模型，检测样本时调用云模型进行计算并反馈至检测终端。通过多个产地独立样本的验证表明，该系统可满足苹果产业现场无损检测的实际需求，为手持式光谱检测仪的实用化设计提供参考。     

基于机器视觉的番茄内部品质预测

为了实现番茄内部品质的实施快速检测,利用机器视觉技术,从“定性”和“定量”两方面进行了番茄内部品质预测方法的研究。首先设计开发了番茄图像采集机器视觉系统,可分别从3个不同高度：0.5、1、1.5 m和6个不同方向：上、下、左、右、前、后采集番茄图像。视觉系统利用4个卤素灯作为光源,内部亮度恒定为600 lx。然后收集了68个不同生长阶段的番茄样本,样本根据是颜色从未成熟阶段（绿色）到成熟阶段（红色）被分为了5个等级。在利用开发的机器视觉系统采集了番茄样本的图像之后,通过RGB色彩模型、L*a*b*色彩模型     

果蔬品质手持式近红外光谱检测系统设计与试验

为满足果蔬加工过程快速检测和质量控制的实际需求,研发近红外光谱技术的低成本、实用化、小型化的果蔬品质手持式检测系统。在分析当前近红外光谱实用化过程的瓶颈问题的基础上,提出果蔬品质的手持式检测系统设计方案,阐述了硬件系统选择和软件系统构建,介绍了检测系统的工作原理;选用近红外微机电系统的数字微镜器件作为分光元件,以单点探测器获取检测信息,从而实现光谱检测系统的微型化设计和系统成本的显著降低。以检测番茄为例,利用设计的手持式检测系统,获取番茄900~1 700 nm范围的近红外光谱,利用先选择特征波段再优选波长的建模策略,分别建立了番茄中番茄红素和可溶性固形物含量的定量检测模型;可溶性固形物含量模型的预测相关系数和预测均方根误差分别为0.899和0.133%;番茄红素模型的预测相关系数和预测均方根误差分别为0.886和2.508 mg/kg。研究表明该系统能够满足果蔬品质的快速无损检测要求,可为实用化、小型化的手持式光谱检测仪设计和开发提供参考。     

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。     

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。     

基于机器人的禽蛋自动检测与分级系统集成开发

将禽蛋的破损检测、内部品质检测以及检测和分级时的搬运工作集成到一个关节型机器人上,实现了禽蛋检测与分级的自动化和柔性搬运.机器人在视觉引导下,定位禽蛋位置并将其吸取,分别运动到基于敲击声音的破损检测和基于彩色图像的内部品质检测装置处,进行相应的检测,根据检测结果分级并将禽蛋搬运到相应等级的位置放下.文章给出了各子系统的组成结构、集成原理,硬件配置和主要参数.试验结果表明,该系统硬件配置合理,各部分能够协调工作,运行稳定.     

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 Transformation，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%、0.005%；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%、0.007%。为了评估检测装置的准确性和稳定性，使用平均变异系数分析了沃柑和砂糖橘的SSC含量和水分测定结果，并通过预测结果与标准理化值进行残差分析。结果表明，研制的便携式双档位柑橘多品质光谱检测装置对不同果径柑橘内部品质检测稳定性与精度均满足现场实时检测需求。     

中国耕地利用绿色转型效率的时空分异特征及其影响因素

耕地利用绿色转型（Green Transformation of Cultivated Land Use,GTCLU）是对绿色中国和经济转型等国家发展战略的积极响应,也是破解耕地利用生态困境的有力举措。该研究提出GTCLU这一概念,并据此构建GTCLU测度指标体系,选取2003—2017年中国30个省市区数据,运用三阶段DEA-Malmquist和Tobit模型,先后测算GTCLU效率的时空分异特征及其影响因素。结果表明：1）初始的Malmquist测度结果显示GTCLU效率总体呈“先下降,后上升”的增长态势,大多数年份效率值小于1而处于绿色转型无效状态。2）通过SFA回归剔除环境因素和随机误差的影响后,调整后的结果显示中国GTCLU效率均值为1.001而处于效率递增状态,表明中国存在GTCLU且绿色转型程度不断加深。其中,技术进步是效率提升的主要原因,而技术效率变化、纯技术效率和规模效率则成为GTCLU效率提升的重要瓶颈。3）中国GTCLU效率在区域上存在明显差异,中部地区处于效率相对最佳区域,东北和东部地区次之,西部地区相对最低;在时序上呈波动上升态势,年均增长率为0.84%。4）农业经济水平、耕地资源禀赋、政府扶持力度和技术使用强度对中国GTCLU效率均有显著影响。为更好地保障、推进GTCLU,需在把握技术进步的同时注重制度和管理创新,充分发挥资源禀赋与技术使用的促进作用,在耕地利用投入和产出中不断强化绿色要素以培育GTCLU内生优势。