基于图谱特征的番茄种子活力检测与分级

为解决现存分级过程中损伤种子问题,替代仅根据种子表面特征评价的粗筛查方法,本研究基于高光谱的图谱融合技术,提出了一种番茄种子图像采集并辨识种子特征进而将种子分级的算法。试验随机选取170粒番茄种子作为样品,校正集与验证集比例约为3∶1。通过标准发芽试验得到种子活力结果,基于连续投影算法(Successive projections algorithm,SPA)求得反映番茄种子活力的特征波长为:535、577、595、654、684、713、744、768、809、840 nm。对特征波长下的光谱图像进行解析,通过双边滤波法、大津法、形态学变换算法提取了种子边缘轮廓,计算求出每粒种子的面积、圆形度以及图像灰度平均值。基于统计学分析,利用校正集128粒种子的特征值及其标准发芽试验结果求出分级阈值,其中有活力为合格,无活力为不合格。然后,利用验证集42粒种子的特征值对阈值进行验证,结果显示,在713 nm波长下的图像特征对活力结果判断分级的正确率最高,校正集和验证集的正确率分别为93.75%和90.48%。     

基于近红外光谱的猪肉水分在线检测与分级

基于近红外光谱法,优化光纤探头检测距离并通过检测距离调节系统和多点同时检测,设计了猪肉水分在线检测分级系统。首先,为确定光纤探头与生鲜猪肉样品表面间的最佳检测距离,在13个不同检测距离下(5~29 mm)采集了54个样品的光谱,采用多元散射校正方法对原始光谱进行预处理,分别建立了第1波段(349~1 435 nm)、第2波段(1 037~1 761 nm)和双波段结合3种情况的含水率偏最小二乘回归模型,分析了不同检测距离和不同波段的模型,确认19 mm为在线检测分级装备的最佳检测距离。然后,通过检测距离实时调节系统动态固定最佳检测距离,设计了双波段多点同时检测系统,采集45个猪肉样品在静态条件和在线条件下的光谱,通过比较分析,两种情况下预测结果相近,从而证实了所设计的在线系统能够预测猪肉水分,并且双波段融合建模效果优于单波段,预测结果为:校正集相关系数和校正均方根误差分别为0.906和0.598,验证集相关系数和预测均方根误差分别为0.836和0.402。最后,利用独立的21个猪肉样品验证猪肉预测分级模型精度及稳定性,结果判断正确率为90.48%,表明可见近红外光谱法结合多点检测能有效地在线检测猪肉水分并分级。     

基于深度学习的牛肉大理石花纹等级手机评价系统

大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。     

夹持压力可控的香梨采摘末端执行器设计与试验

库尔勒香梨是新疆特色水果,其酥脆特点为香梨机械化采摘带来较大挑战。为了降低香梨机械损伤及实现自动采摘,在分析物理特性、力学模型的基础上研制了夹持压力可控的夹持-扭转协同工作的香梨采摘末端执行器,主要包括夹持部件、旋转部件、压力反馈单元及控制单元等。以夹持-扭断时间、放果时间和采摘成功率为指标,进行采摘试验,结果表明:夹持压力阈值和扭转角度分别为7N和60°时,夹持-扭转时间在1.01～1.75s之间,放果时间在0.43～0.91s之间,采摘成功率约为94.6%。该末端执行器采摘速度快、成功率高,可为香梨采摘机器人的研发提供参考。     

基于可控气流-激光检测技术的鸡肉嫩度评估方法

以鸡肉嫩度为研究对象，采用可控气流-激光检测技术的瞬态、蠕变回复和应力松弛等动静态检测模态，并使用支持向量机分类器和全局变量偏最小二乘算法，结合不同预处理方法，对鸡肉嫩度进行定性判别和定量预测。结果表明3个激励模态结合不同预处理算法均可实现鸡肉嫩度的定性定量评估。在定性方面，瞬态模态对嫩度具有最佳的分类效果；S-G卷积平滑算法表现出最佳的预处理性能，校正集嫩/老分类精度分别为1和0.98，马修斯相关系数为0.97；而验证集分类精度也达到了0.95和0.84。在定量预测方面，S-G卷积平滑算法在提升原始数据的信噪比上同样具有最佳效果；瞬态模态校正集和验证集模型相关系数分别为0.948和0.913，均方根误差分别为0.736N和1.013N。因此，在组织结构引起的品质预测动态模态较静态模态更适用。本研究开展的可控气流-激光技术在鸡肉嫩度评估的应用，为肉品检测领域提供了新的解决方案。     

基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测

定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义.本研究验证高光谱成像技术结合偏最小二乘-最小二乘支持向量机(PLS-LS-SVM)建模方法预测大田冬小麦叶绿素含量的可行性.首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱,进而得到其立方体图像数据,并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值.为保证PLS-LS-SVM模型的鲁棒性和预测稳定性,首先通过PLS方法解决多重共线性问题并将输入变量维数减至4维,然后利用LS-SVM进行训练建模.所建叶绿素含量预测模型的决定系数达R2=0.8459,预测均方根误差RMSEV=0.4370.研究结果表明,基于高光谱成像系统,采用PLS-LS-SVM建立模型用来预测大田冬小麦叶绿素含量是完全可行的.     

精准施肥决策模型与数据库系统

以华北地区小麦及玉米为研究对象,以北京市昌平区崔村镇大辛峰村种植区为例,研究了精准施肥决策系统中施肥参数,并建立了相应的数学模型.将算法模型与数据库相结合,采用线性回归的方法,计算施肥时土壤对氮、磷、钾的需求量,利用二维插值的方法,建立了实验区中已知肥力样点与区域内未知肥力样点的相关关系,从而建立了土壤肥力查询数据库.通过以上方式,结合土壤的养分含量、作物种类及目标产量等相关参数来确定实验区域的施肥量.结果表明,该系统可实现施肥量的精确控制.     

基于机器视觉的马铃薯黑心病检测机构设计与试验

马铃薯黑心病是一种难以用肉眼分辨的内部病害。在生产加工中,为了准确检出黑心病个体,该研究基于光在马铃薯块茎组织中的透射特性设计了一种马铃薯黑心病检测机构。机构主要包括马铃薯块茎承托槽、光源单元以及光源位置调节轨道等部分,光源单元包括2个LED面光源,形成多点透射的结构,光源波长为705 nm。文中取50个正常样品和29个黑心样品采集图像分析,经过预处理,分别提取马铃薯目标图像和马铃薯高灰度区域的灰度平均值,以二者的相对比值作为黑心病的判别参数。通过与单点透射模式所采集的正常样品图像的相对比值比较,由该机构所采集的正常图像的相对比值普遍偏小,表明所获得图像的灰度均匀性更好,同时得到光源较佳夹角为45°。在该机构下获得的正常样品和黑心样品的灰度平均值相对比值的分类阈值为0.220,得到2种样品的判断正确率分别为98%和96.6%,且黑心样品的相对比值更大,表明使用该机构可以检测黑心马铃薯样品。该研究为马铃薯黑心病检测机构的设计提供了参考。     

冬小麦叶绿素含量高光谱检测技术

以大田冬小麦叶绿素含量为研究对象，首先利用高光谱成像系统以线扫描方式获取其反射光谱图像，选择感兴趣区域（ROI）并计算出光谱平均反射率值；然后分别针对其原始光谱和一阶差分光谱，通过相关分析和逐步回归分析，得到能反映叶绿素含量变化的7个最佳优化波长；进而基于该优化波长采用多元线性回归（MLR）方法组建模型，通过假设检验剔除对模型贡献不显著的3个波长变量。选用剩余的4个波长即710.85、767.42、650和520nm作为自变量重新建立模型，基于校正集和预测集模型的决定系数R2分别为0.8434和0.7093。研究结果表明，利用高光谱技术检测大田冬小麦叶绿素含量的方法是可行的。     

表面增强拉曼光谱快速检测生鲜肉中的瘦肉精

为了快速检测生鲜肉中的瘦肉精,该研究利用表面增强拉曼光谱技术,以沙丁胺醇为检测目标物,建立了一种快速检测肌肉组织和肝脏中瘦肉精含量的方法。在碱性环境下利用乙酸乙酯对样品中沙丁胺醇进行提取,采用Savitzky-Golay 5点平滑法和自适应迭代重加权惩罚最小二乘法消除光谱噪声以及荧光背景对分析建模的影响。为检测方法的重复性,对50个相同沙丁胺醇质量分数(1 mg/kg)的肌肉组织样品进行信号采集,对沙丁胺醇特征峰强度进行分析,621、814、1 253、1 489、1 609 cm~(-1) 5个特征峰强度的相对标准偏差(RSD)为6.54%、6.07%、8.65%、7.44%、6.81%,说明该方法具有较好的重复性。建立沙丁胺醇标准溶液的预测模型,沙丁胺醇浓度与其特征峰强度相关性较好,决定系数R~2为0.968。对肌肉组织和肝脏中沙丁胺醇含量进行检测,检测范围分别为0.01~5和0.02~5 mg/kg,检出限分别为0.01和0.02 mg/kg,其含量与预测实测值决定系数为0.912和0.921。研究表明,该方法可以实现肌肉组织和肝脏中沙丁胺醇含量的定量预测。