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。     

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。     

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。     

漫反射和透射光谱检测马铃薯黑心病的比较

针对马铃薯黑心病不易检测,提出马铃薯黑心病的光学无损检测方法,并比较了马铃薯黑心病的漫反射光谱和透射光谱检测方法。通过高光谱图像采集系统、透射光谱采集系统和傅里叶变换近红外光谱仪获取合格马铃薯与黑心病马铃薯的可见/近红外漫反射光谱、可见/近红外透射光谱以及近红外漫反射光谱,并采用偏最小二乘-线性判别分析方法建立马铃薯黑心病的识别模型。透射光谱采集系统采集的可见/近红外透射光谱所建模型的判别正确率最高,对测试集样本的识别正确率为98.46%;高光谱图像采集系统获取的可见/近红外漫反射光谱经二阶导与标准化组合预处理后所建模型对测试集样本的识别正确率为92.31%;傅里叶变换近红外光谱仪获取的漫反射光谱经标准正态变量变换与标准化组合预处理后所建模型对测试集样本的识别正确率90.77%。试验结果表明:采用光谱检测马铃薯黑心病,透射光谱系统优于高光谱成像系统,高光谱成像系统优于傅里叶近红外光谱仪。研究结果为马铃薯内部缺陷的光谱定性判别及便携式仪器的研制提供了参考。     

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。     

苹果水心病在贮藏期变化的无损检测

该研究通过自制差分仪监测了贮藏中苹果透光强度的变化,建立了贮藏中苹果透光强度和质量随时间变化的回归方程.在贮藏过程中有水心病的苹果透光强度下降较无水心病苹果快,贮藏后期发病不严重的病果症状消失,同时发现质量较大的苹果中水心病发病比率高.     

漫透射法无损检测荔枝可溶性固形物

为了快速无损检测荔枝内部品质并为荔枝快速检测分级提供科学依据,研究荔枝可溶性固形物无损检测途径。该文首先针对荔枝果皮较硬而且凹凸不平的特征,比较了漫反射法和漫透射法的试验效果,接着采用多种预处理方式对漫透射光谱进行了处理,并采用连续投影算法结合相关系数法优选建模波长,最后比较了最小二乘法和神经网络法的建模效果。试验结果显示漫透射方式是较好的荔枝光谱采集方式;通过连续投影算法结合相关系数法,从全部500个波长变量中最终提取出11个优选波长,只占波长总数的2.2%;基于这11个波长的神经网络模型的预测相关系数为0.867,预测均方根误差为0.370%。结果表明基于漫透射法进行荔枝可溶性固形物无损检测是可行的。     

马铃薯黑心病和单薯质量的透射高光谱检测方法

针对单一检测技术不能同时检测马铃薯内外品质的多项指标,采用透射高光谱成像技术并融合光谱和图像信息,对其内部黑心病、质量指标进行检测。通过透射高光谱成像系统获取266个样本高光谱图像（400～1000 nm）,并提取光谱和图像二者信息。采用不同变量选择方法对光谱进行变量选择,用9个光谱变量建立检测马铃薯黑心病偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）模型与质量偏最小二乘回归（partial least squares, PLS）模型;提取样本透射高光谱图像的面积信息,建立基于光谱-图像的检测马铃薯质量PLS模型。试验结果表明,黑心样本识别率为100%,识别最小黑心面积为1.88 cm2;基于光谱-图像所建立质量检测模型预测效果较好,其预测集相关系数(Rp)为0.99,预测均方根误差(RMSEP）为10.88。结果表明：采用透射高光谱成像技术并融合图像和光谱信息对马铃薯内部黑心病、质量同时进行检测是可行的。     

近红外光谱式联合收割机谷物蛋白质含量检测系统设计

为了实现谷物联合收割机收获时实时在线检测谷物的蛋白质含量并记录采样地理位置信息,研发了一种基于近红外光谱原理的谷物蛋白质含量在线检测系统,系统主要由近红外光谱传感器模块、螺旋采样输送机构、控制模块、GPS/北斗定位模块、工控显现一体机等组成。谷物联合收割机近红外光谱式蛋白质含量在线检测系统工作时,当联合收割机出粮搅笼排出的谷物经过螺旋采样输送机构,采样机构的步进电机根据检测速率要求由控制器控制并间断进行谷物输送,控制器同时控制近红外光谱传感器在步进电机停止转动时进行光谱采样,谷物的近红外光谱和GPS/北斗定位模块位置信号等数据由RS485总线传输至上位机。编制了近红外传感器和采样机构等的控制与数据处理分析软件,经谷物蛋白质含量预测模型处理后,将谷物蛋白质、采样位置信息等实时显示在终端上并保存。为了验证谷物蛋白质含量预测模型及在线检测系统的性能,开展了室内标定和田间系统动态测试试验,小麦蛋白质含量预测模型的决定系数R2为0.865,绝对误差范围为-0.96%～1.22%,相对误差范围在-7.30%～9.53%,预测标准差值为0.638%;水稻蛋白质含量预测模型的决定系数R2为0.853,绝对误差范围为-0.60%～1.00%,相对误差范围为-8.47%～9.71%,预测标准差值为0.516%。系统田间测试试验表明,小麦蛋白质含量的最大相对误差为-6.69%,水稻蛋白质含量的最大相对误差为-8.02%,采样分析时间间隔对系统测试精度的影响不显著,系统稳定性和检测精度达到田间谷物蛋白质在线检测需要,为精准农业作业提供了科学依据。     

基于可见/近红外光谱的菠萝水心病无损检测

水心病近年严重危害菠萝产业,探究一种菠萝水心病的无损检测方法对保证上市果品、指导采后处理、促进产业提升具有重要意义.该研究采用自行搭建的菠萝可见/近红外光谱无损智能检测平台,考虑实际应用成本与效果,搭载覆盖不同波段(400～1100、900～1700和400～1700 nm)的检测器对菠萝样本进行采样,随后人工标定水心...     

基于电学特征的苹果水心病无损检测

为了探寻快速而准确的苹果水心病无损检测新方法,该文以‘秦冠’水心病疑似病果和好果作为试材,逐果采集11个电学指标在100 Hz~3.98 MHz间13个频率点的特征值,然后切开并统计真实发病情况。利用主成分分析结合不同分类模型进行好果与病果判别分析,结果选取方差累积贡献率大于90%的主成分15个,Fisher判别、多层感知器人工神经网络(multi-layer perceptron,MLP)对好果和病果的判断正确率均随着主成分数的增加而增大,并分别在主成分数量达到前13、10时趋于稳定水平93.3%、95.4%。径向基人工神经网络(radical basis function,RBF)结合15个主成分判别的正确率75.1%。水心病引起介电损耗系数D、复阻抗相角deg、串联等效电容Cs和并联等效电容Cp及相对介电常数(ε')、损耗因子(ε")共6个参数在低频区(100~10 000 Hz)的观测值高于好果,是电学法能够对水心病果和好果进行‘识别’的原因。同时发现,利用低频率下(100~25 100 Hz)损耗因子(ε")值结合MLP或RBF人工神经网络模型对水心病果和好果识别正确率均能达到100%,是一种简便而高效的苹果水心病无损检测方法,可为今后进一步研发苹果果实水心病在线无损检测仪器提供理论与技术依据。     

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,研究结果可为苹果多品质指标的高效检测提供参考。     

基于光声光谱和TCA迁移学习的稻种活力检测

种子活力是决定水稻产量的最重要因素之一,但目前水稻种子活力的近红外和高光谱等无损检测方法易受种子表皮颜色影响,且所建模型难以适应新品种。该研究提出基于光声光谱技术的稻种活力无损检测方法并结合迁移学习进行新品种稻种活力检测。首先,对Y两优、龙粳、南粳、宁粳、武运粳、新两优等具有区域代表性的典型6种水稻品种,进行高温高湿人工老化处理,得到0～7 d老化时间的水稻种子;再通过调制频率获得8种不同深度的光声光谱信息,用主成分分析、竞争性自适应重加权算法对光谱降维得到特征光谱后,对Y两优、龙粳、南粳、宁粳、武运粳分别建立偏最小二乘回归（Partial Least Squares Regression,PLSR）、反向传播神经网络（Back Propagation Neural Network,BP）、广义回归神经网络（Generalized Regression Neural Network,GRNN）、支持向量回归模型（Support Vector Regression,SVR）、深度卷积神经网络（Convolutional Netural Network,CNN）的稻种活力预测模型,并选择最优调制频率;最后,通过迁移学习将建立的模型迁移到新两优稻种进行活力预测。结果表明,光声光谱最佳扫描频率为300 Hz,CNN预测模型精度较高,相关系数和均方根误差分别不低于0.990 9、不高于0.967 5;且经过迁移学习,仅需通过对源域数据的训练,即可直接对新品种稻种的活力进行精确预测;通过TCA迁移学习后,新两优稻种活力预测的相关系数从0.718 5提高到0.990 3。研究表明,采用光声光谱深度扫描技术对不同种类稻种的活力进行高精度检测是可行的,且经过迁移学习,仅需80粒新品种稻种信息即可实现稻种活力的精确预测。     

基于光子传输模拟的苹果品质高光谱检测源探位置研究

光谱无损的检测方法是质检测最常用的方法之一。传统的光谱仪光源探头位置和源探距离相对固定,导致品质检测精度受限。为解决这个问题,提出基于蒙特卡洛的苹果多层组织的光子传输模拟,分析了光子入射最佳位置和源探距离,并用点光源高光谱仪实际拍摄红富士苹果进行验证。分析表明,光子在苹果赤道位置入射,具有73.12%概率到达更深的深度。源探距离与苹果的光学参数有关,形状为圆环,源探距离内外半径为1.5～10.15 mm。点光源高光谱仪采集红富士苹果的光谱信息,光子入射位置为赤道,源探距离为距离光源点半径2.7～11.7mm的圆环,与模拟数据分析结果基本一致。蒙特卡洛光子传输模拟方法为研究高光谱苹果品质无损检测开辟了新思路,分析结果可以为研究高光谱品质检测试验设计和苹果便携式品质检测光学仪器设计提供理论基础。     

基于SERS的苹果树腐烂病原菌早期侵染检测

为了早期诊断由黑腐皮壳真菌(Valsa mali Miyabe et Yamada)引起的苹果树腐烂病,该研究基于表面增强拉曼光谱(surface-enhanced Raman scattering,SERS)技术,以腐烂病菌丝、病原菌丝侵染的苹果树和健康的苹果树枝作为研究对象,结合S-G平滑和迭代自适应加权惩罚最小二乘法进行拉曼光谱预处理,经解析发现病原菌丝与染菌样本在1 598、1 595 cm^-1和2 930、2 925 cm^-1附近敏感谱峰明显区别于健康样本。重复试验分析发现,病原菌侵染可致寄主特征谱峰偏移以及谱峰强度改变：健康样本在1 286 cm^-1附近的特征峰随病原菌的侵染偏移至1 365 cm^-1附近;健康样本在1 286与1 587 cm^-1附近的谱峰强度比值小于0.5,染菌样本在1 365与1 595 cm^-1附近的谱峰强度比值大于0.5,而菌丝在1 327与1 598 cm^-1附近的谱峰强度比值大于1.0;1 5...     

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。