基于照度-反射模型的在线水果表面缺陷检测

水果表面缺陷是影响水果价格最有力的因素之一,目前大部分研究基于静态图像采用较复杂的算法分割水果表面缺陷,因此很难满足在线水果缺陷的快速检测。本文介绍了一种在线水果表面亮度均一化校正及单阈值缺陷分割方法。首先,通过RGB颜色空间转换获取HIS空间图像的色调（H）分量,基于H分量建立掩模对RGB图像的R分量执行掩模去背景;然后,基于照度-反射模型,利用低通滤波获取R分量图像的亮度分量,利用此亮度分量对去背景后的R分量图像进行亮度均一化校正;最后,利用一个简单的阈值对亮度校正后的图像进行缺陷分割。利用此算法,对416幅图像的检测结果表明总体检测率超过99%。该方法简单、有效,在在线水果缺陷检测中具有较大的应用潜力。     

基于多源信息融合技术的马铃薯痂疮病无损检测方法

为了提高马铃薯痂疮病无损检测识别精度,基于机器视觉和近红外光谱的多源信息融合技术,该文提出DS（dempster shafer）证据理论结合支持向量机的马铃薯痂疮病无损检测方法。试验以360个马铃薯为研究对象,在图像特征分割时,确定了差影法结合马尔可夫随机场模型法为最佳分割方法;在光谱特征提取时,确定主成分分析方法为最佳降维方法。采用支持向量机识别方法分别建立机器视觉和近红外光谱的马铃薯痂疮病识别模型,模型对测试集马铃薯识别率分别为89.17%、91.67%。采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合,建立了基于机器视觉和近红外光谱技术的多源信息融合马铃薯痂疮病检测模型,该模型对测试集马铃薯识别率为95.83%。试验结果表明,该技术对马铃薯痂疮病进行检测是可行的,融合模型比单一的机器视觉模型或近红外光谱模型识别率高。     

基于照度-反射模型的脐橙表面缺陷检测

水果表面缺陷是影响水果价格最主要的因素之一,目前大部分研究基于静态图像采用较复杂的算法分割水果表面缺陷。该文介绍了一种基于在线水果图像的表面亮度均一化校正及单阈值缺陷分割方法。首先,通过RGB颜色空间转换获取HIS空间图像的色调（H）分量,基于H分量建立掩模对RGB图像的R分量执行掩模去背景;然后,基于照度-反射模型,利用低通滤波获取R分量图像的亮度分量,利用此亮度分量对去背景后的R分量图像进行亮度校正;最后,利用一个简单的阈值对亮度校正后的图像进行缺陷分割。利用此算法,对416幅图像的检测结果表明总体检测正确率超过99%。该方法简单、有效,在在线水果缺陷检测中具有较大的应用潜力。     

基于高光谱成像技术的马铃薯外部缺陷检测

为了实现马铃薯的准确快速分级,提出基于高光谱成像技术的马铃薯外部缺陷检测方法。通过反射高光谱成像技术采集马铃薯干腐、表面碰伤、机械损伤、绿皮、孔洞以及发芽等6类外部缺陷样本及合格样本的高光谱图像。提取合格及各类缺陷样本感兴趣区域的光谱曲线并进行光谱特性分析,采用主成分分析法确定了5个特征波段(480、676、750、800和960nm),以5个波段的主成分分析的第二主成分图像作为分类图像,识别率仅为61.52%;为了提高识别率,提出波段比算法与均匀二次差分算法相结合的方法,使缺陷识别率提高到95.65%。试验结果表明:通过高光谱成像技术可以准确有效地对常见马铃薯外部缺陷进行检测,为马铃薯在线无损检测分级提供了参考。     

基于线激光与LED的棉花中异性纤维检测方法

激光成像可以检测出皮棉中的白色异性纤维,而深色和有色的异性纤维反光性能差,激光成像难以检测。该文提出了一种基于LED与线激光的双光源一次成像方法,可以检测出各种颜色的异性纤维。试验以白色、深色和浅色共20种典型异性纤维和皮棉作为样本,在相机曝光时间与光圈不变的条件下,逐步改变LED亮度和线激光功率,发现在RGB颜色空间,利用R(红色)通道,白色异性纤维与棉花的可分度随着激光功率的增大而增大,达到峰值之后又逐步减小;在HIS颜色空间,利用S(饱和度)通道,有色异性纤维与棉花的可分度随着LED亮度的增大而增大,达到峰值之后又逐步减小。在此基础上,该文获取了310幅棉花与异性纤维的图像,作出了基于R与S通道的图像可分度、LED亮度与激光功率的对应变化曲线,然后将两种曲线进行融合,在曝光时间106μs、光圈2.8C条件下,发现线激光功率7.01 m W、LED亮度3 326 lx时,白色异性纤维和深色、有色异性纤维与棉花的可分度最大。采用上述双光源成像参数和该文的成像装置获取840幅图像,通过简单的二值化图像分割算法,白色异性纤维的正确识别为84.1%,深色和有色异性纤维正确识别为93.9%,优于单独激光成像或单独LED成像的识别率。     

基于流形学习算法的马铃薯机械损伤机器视觉检测方法

针对马铃薯表面芽眼和凹凸不平的影响,使之马铃薯机械损伤难以检测的问题,该文提出了一种基于流形学习算法的马铃薯机械损伤检测方法。首先利用马铃薯图像的显著图分割出马铃薯区域,然后利用主成分分析(principal component analysis,PCA)、等距映射(isometric mapping,Isomap)和局部线性嵌入(locally-linear embedding,LLE)3种流形学习方法提取马铃薯区域图像特征参数,然后分别建立基于3种流形特征的支持向量机(support vector machine,SVM)分类模型PCA-SVM、Isomap-SVM和LLE-SVM,利用网格搜索法(grid search)、遗传算法(genetic algorithm,GA)以及粒子群算法(particle swarm optimization,PSO)3种模型参数优化方法,优化支持向量机模型的惩罚参数c和RBF核参数g,以建立最优分类模型,最后比较3种分类模型的识别效果,确定最优分类模型。研究结果表明,PCA-SVM分类模型对训练集识别率为100%,测试集识别率为100%;Isomap-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%;LLE-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%,表明PCA、Isomap和LLE 3种流形学习方法用于马铃薯机械损伤检测是可行的,其中PCA-SVM分类模型检测效果最优。     

基于高光谱图像和光谱信息融合的马铃薯多指标检测方法

针对随机放置的马铃薯缺陷多项指标难以同时检测的问题,提出了一种基于高光谱信息融合的流形学习降维算法与极限学习机(extreme learning machine,ELM)相结合的方法,该方法可同时识别马铃薯的多项缺陷指标。分别采集发芽、绿皮、黑心和合格马铃薯的反射高光谱数据(390~1 040 nm),在光谱维,提取马铃薯样本感兴趣区域(region of interest,ROI)的平均光谱,分别采用扩散映射(diffusion maps,DM)、局部线性嵌入(locally linear embedding,LLE)和海森局部线性嵌入(hessian locally linear embedding,HLLE)3种流形学习降维算法对光谱数据进行降维;在图像维,对马铃薯伪彩色图像进行形态学处理,获取基于灰度共生矩阵(gray level co-occurrence matrix,GLCM)的图像纹理信息,采用连续投影算法(successive projections algorithm,SPA)优选图像纹理特征;融合光谱维信息和图像维信息,分别建立基于极限学习机(ELM)与支持向量机(support vector machine,SVM)的马铃薯多分类识别模型。结果表明,扩散映射结合极限学习机(DM-ELM)模型的预测结果较优,该模型对发芽、绿皮、黑心和合格马铃薯样本的单一识别率分别为97.30%、93.55%、94.44%和100%,混合识别率达到96.58%,时间为0.11 s,可知高光谱信息融合技术结合流形学习降维算法可同时识别随机放置马铃薯的多种缺陷指标。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于彩色信息的树上柑橘识别研究

为正确识别自然环境中的树上水果，从而为机械手的运动提供参数并完成水果的自动采摘，研究了基于彩色信息的树上柑橘识别方法。在对53幅含有各种背景情况的可见光彩色图像进行颜色特征提取和理解的基础上，建立了利用柑橘、树叶、树枝在R-B颜色指标上的差异进行树上柑橘识别的颜色模型，并利用动态阈值法，根据图像特征动态产生阈值T，将柑橘从背景中分割出来。分别在顺光条件和逆光条件下进行了试验分析，试验结果表明该识别模型可以实现对树上可见的柑橘的识别，并适用于单个和多个果实的识别，正确识别率较高。     

基于两级分割与区域标记梯度Hough圆变换的苹果识别

自然环境下果实的准确分割与快速识别是采摘机器人作业面临的难题之一。针对自然环境中的成熟苹果，该研究提出一种基于Otsu与分水岭相结合的两级分割算法与区域标记梯度Hough圆变换的苹果识别方法。首先，使用亮度自适应校正算法对表面亮度分布不均的苹果图像进行校正，增强图像的细节信息。结合果实颜色特征，提取YCbCr颜色空间的Cr分量图像作为预处理样本。然后，采用改进后的Otsu算法进行初次分割，得到苹果目标的二值图像，该算法通过引入形态学开-闭重建滤波去除大量背景噪声，通过缩减灰度级遍历范围提高分割速率。采用基于距离变换的分水岭算法进行二次分割，分离粘连果实区域，提取目标苹果的外部轮廓。最后，在轮廓外设置最小外接矩形标记有效区域，在标记区域内进行梯度Hough圆变换实现苹果目标的自动识别。对自然环境中采集的200幅苹果图像进行测试，并与传统梯度Hough圆变换方法进行对比，本文方法在顺、逆光下的识别准确率为90.75和89.79%，比传统方法提高了15.03和16.41%，平均识别时间为0.665和0.693 s，比传统方法缩短了0.664和0.643 s。所提的两级分割算法不仅可以从复杂环境中准确分割果实目标区域，而且可以从粘连果实区域中提取单个果实边界。利用区域标记的梯度Hough圆变换方法能够快速准确地对果实进行识别。研究结果能满足苹果采摘机器人对不同光照下目标识别速度和精度的要求，可为苹果等类球形果实的快速识别提供参考。     

基于机器视觉的马铃薯自动分级方法

为了实现马铃薯的自动分级,设计了基于V型平面镜同时获取三面图像的马铃薯机器视觉分级系统,并提出了相应的分级算法。根据大小特性,提出基于最小外接柱体体积法的马铃薯大小分级检测方法;根据外形特性,采用最长径外接矩形的宽高比法,实现了类圆形、椭圆型以及长型马铃薯的分类;根据马铃薯缺陷特点,分别提出以缺陷面积大小作为判别准则的孔洞、干腐马铃薯判别方法,以外接矩形对角线长度作为判别准则的机械损伤马铃薯判别方法和基于交叉法的发芽、畸形马铃薯检测方法。最终马铃薯的分级正确率为91.0%。试验结果表明:基于机器视觉的马铃薯自动分级检测方法可行,可用于马铃薯外部品质的在线检测。     

基于色度域划分的马铃薯绿皮检测方法

绿皮是马铃薯品质缺陷之一。为了检测马铃薯的品质,该文提出了一种基于色度域划分的马铃薯绿皮检测方法,从量化角度实现了马铃薯表皮颜色信息的提取。利用基于统计的逐步判别分析方法和支持向量机识别方法构建模型,因局限于特定样本集的特征空间,识别结果稳定性不好。该研究克服了上述方法的缺点,提取色度作为模式识别的特征,并确定了区分正常和绿皮马铃薯的有效色度值区间57～64,再结合二次阈值判别方法对马铃薯的绿皮进行检测。试验结果表明该方法简单、识别率高,而且稳定性强。     

Determination of folate concentrations in diverse potato germplasm using a trienzyme extraction and a microbiological assay

Folate deficiency is a leading cause of birth defects and is implicated in several other diseases. We are interested in how much folate concentrations vary among potato germplasm. We determined total folate concentrations of potato tubers from 67 cultivars, advanced breeding lines, or wild species. Folates were extracted by a tri-enzyme treatment and analyzed by using a Lactobacillus rhamnosus microbiological assay. Folate concentrations varied from 521 +/- 96 to 1373 +/- 230 ng/g dry weight and were genotype and location dependent. The highest folate concentrations were mostly found in color-fleshed potatoes. Variations of folate concentrations within either color- or white-fleshed tubers were similar ( approximately 2-fold). Skin contained approximately 30% higher folate concentrations than flesh. Storage of tubers for 7 months generally led to an increase in folate contents. Semiquantitative RT-PCR analyses showed that higher folate contents were correlated with lower mRNA expression of some folate genes.     

射流式马铃薯输送泵性能试验

为了研究射流式马铃薯输送泵的性能,该文根据马铃薯输送的特点设计了一台射流式马铃薯输送泵,通过试验的方法对流量比、面积比和输送高度3个因素对输送性能的影响进行了研究,并分析了不同工况对马铃薯损伤的影响。研究结果表明:马铃薯的最高输送能力达1 667.46 kg/h;在相同的输送高度和面积比下,输送能力和泵水功率随着流量比的增加而增加;在相同的被吸流体流量和扬程下,输送能力随着面积比升高而降低;在相同的面积比和工作流体流量下,输送能力随着输送高度的升高而降低,而输送单位质量马铃薯的能耗随之升高;在大部分工况中,马铃薯在输送过程中没有损伤;但是在少数流量比较低的工况中,由于回流的作用,马铃薯可能与喷嘴或者泵内壁面碰撞而导致损伤;综合考虑输送能力和马铃薯损伤,在试验所涉及的工况中,射流式马铃薯输送泵面积比1.75,流量比0.49,输送高度1.40 m为输送马铃薯的最优工况。     

低温等离子体制备CEO-SBA-15/马铃薯淀粉膜性能优化及结构表征

为提高CEO-SBA-15在马铃薯淀粉膜中的分散性以增强复合膜的物理性能,通过低温等离子体处理制备改性的CEO-SBA-15/马铃薯淀粉膜,以等离子体处理时间,马铃薯淀粉、甘油、CEO-SBA-15用量为考察因素,对复合膜的性能进行正交试验优化,对其进行微观结构表征,以及对复合膜进行物理、透气以及光学试验。结果表明,等离子体处理使CEO-SBA-15较均匀地分散在马铃薯淀粉膜中,且适合等离子体合成复合膜的最佳因素配比为等离子体处理马铃薯淀粉溶液时间6 min,马铃薯淀粉用量5 g/100 mL、甘油用量1.5 g/100 mL、CEO-SBA-15用量0.5 g/100 mL。X-射线衍射光谱与傅里叶变换红外光谱分析证实等离子体处理淀粉改性使CEO-SBA-15与马铃薯淀粉分子间形成较强的氢键;紫外光谱分析表明等离子体处理的复合膜具有较好的抗紫外光作用以及较好的透光率。此外,等离子体合成的复合膜包装物理性能得到增强,其透氧率、透水率、溶胀度较未改性处理的复合膜分别降低了47.95%、94.56%、83.01%,拉伸强度提高了126.09%,可较好地保护食品内容物不受外界因素干扰以及机械损伤。     

不同工艺马铃薯粉物化特性及氨基酸组成比较

为明确马铃薯渣粉、以马铃薯渣为原料的马铃薯复配粉与马铃薯全粉、马铃薯冻干粉以及高筋小麦粉成分和性质的差异,本研究对其基本成分、物化及感官特性、氨基酸组成进行比较,并以FAO/WHO氨基酸模式为评价标准,采用模糊识别法、氨基酸比值系数评分法、氨基酸评分、必需氨基酸指数、生物价和营养指数多种方法对各样品蛋白的营养价值进行全面评价及对比。结果表明,在样品吸水性方面,马铃薯全粉马铃薯渣粉马铃薯复配粉马铃薯冻干粉高筋小麦粉;氨基酸比值系数最高为马铃薯复配粉(100.00),其次是马铃薯全粉(81.00)和马铃薯薯渣粉(72.25),马铃薯冻干粉和高筋小麦粉最低(68.89);必需氨基酸指数和生物价最高为马铃薯复配粉和马铃薯渣粉,其次为马铃薯冻干粉和马铃薯全粉,高筋小麦粉最低;营养指数从高到低依次为高筋小麦粉、马铃薯全粉、马铃薯冻干粉、马铃薯渣粉及马铃薯复配粉。马铃薯复配粉的成本低,吸水性、加工性能等优于马铃薯全粉,但营养指数暴露出马铃薯复配粉蛋白含量较低的缺陷,后续的加工过程中可以通过向马铃薯复配粉中添加营养价值较高且与马铃薯蛋白氨基酸组成互补的蛋白质,弥补马铃薯复配粉蛋白含量较低的缺陷,这为解决薯渣利用问题提供了新思路。     

基于色饱和度三维几何特征的马铃薯芽眼识别

芽眼准确识别是马铃薯种薯自动切块的前提,为降低误识别率,提高芽眼识别率和可靠性,提出基于色饱和度三维几何特征的马铃薯芽眼识别方法。对S分量在三维几何空间进行分析提出了以其纵向截面曲线及其一阶导数为基础的4个特征向量,利用四特征综合判定准则进行芽眼纵向识别,然后根据芽眼横向特点对芽眼纵向识别结果进行再次筛选,降低芽眼误识别率。试验结果表明:该方法芽眼识别率达91.48%,其中,未发芽芽眼识别率92.21%,已发芽芽眼识别率89.00%,芽眼误识别率4.32%,识别单幅图像的平均耗时为2.68s。因芽眼误识别造成种薯切块无芽眼的概率小于1.01%。试验证明该方法抗干扰能力强,能有效降低误识别率,防止种薯切块无芽眼引起的缺苗现象,可为马铃薯种薯自动切块机芽眼识别提供参考。     

高海拔生境下怀玉山高山马铃薯和怀玉山本土农家薯块茎的转录组分析

为探究高海拔生境下怀玉山高山马铃薯的适应机制,本研究以怀玉山高山马铃薯(麻籽洋芋)和怀玉山本土农家薯的采后块茎为试验材料进行转录组分析。结果表明,怀玉山高山马铃薯上调的差异基因956个,下调的差异基因2 262个,总数为3 218个;怀玉山高山马铃薯和怀玉山本土农家薯与叶绿素结合、光系统Ⅰ、光合作用和光捕获、光系统Ⅱ、血红素结合、氧化还原酶活性等光合系统相关的GO term富集显著;怀玉山高山马铃薯和怀玉山本土农家薯与光合作用-天线蛋白、丙烷合成、光合作用、苯丙氨酸代谢等Pathway也富集显著,说明怀玉山高山马铃薯和怀玉山本土农家薯在怀玉山高海拔生境下主要是涉及到光合作用基因的差异表达。本研究结果为怀玉山高山马铃薯适应高海拔生境相关基因的挖掘与应用提供了一定的理论参考。     

收获期马铃薯块茎碰撞恢复系数测定与影响因素分析

为了建立马铃薯块茎在土薯分离机构和振动筛上发生碰撞时的碰撞模型,该文基于质点对固定面的碰撞动力学理论在自制测定装置上对马铃薯块茎碰撞恢复系数进行了试验测定。对块茎碰撞恢复系数的主要影响因素碰撞材料、下落高度、块茎质量、含水率、跌落方向和马铃薯品种等进行了混合正交试验和单因素试验。混合正交试验结果表明,各因素对马铃薯块茎碰撞恢复系数的影响顺序为:碰撞材料、下落高度、块茎质量、含水率、跌落方向和马铃薯品种,其中碰撞材料、下落高度、块茎质量和含水率影响较为显著。单因素试验结果表明,马铃薯与65Mn钢、橡胶、马铃薯和土块间块茎碰撞恢复系数依次减小,其中新大坪的值分别为0.791 2、0.710 5、0.663 2、0.525 3,陇薯7号的值分别为0.762 7、0.695 2、0.690 4、0.563 1;马铃薯块茎碰撞恢复系数随着下落高度、块茎质量和含水率的增加而减小,回归方程决定系数均大于0.9。研究结果可为马铃薯收获机挖掘及土薯分离装置关键部件的优化设计提供参考。