脐橙糖度的高光谱图像无损检测技术

提出了利用高光谱图像系统来检测脐橙糖度的方法.由脐橙反射光谱图像获取反映脐橙糖度的光谱特征波长;应用人工神经网络系统建立了脐橙糖度的预测模型.结果表明,脐橙糖度预测模型相关系数R为0.831,采用高光谱图像无损检测脐橙糖度是可行的.     

融合光谱与图像信息的河套蜜瓜糖度在线检测试验系统

针对蜜瓜糖度在线检测的需求,设计了融合漫透射光谱与图像信息的河套蜜瓜糖度在线检测试验系统,该系统包括硬件平台和软件系统两部分。硬件平台主要包括蜜瓜输送装置、光谱采集装置、图像采集装置和控制系统4部分。软件系统基于Microsoft Visual C++6.0语言,结合Omni Driver软件、Fly Capture2及Open CV软件开发。系统可实现蜜瓜光谱与图像信息的自动采集、显示及保存,可实现对漫透射光谱预处理,获取糖度检测所需光谱数据,对图像预处理,提取蜜瓜外观特征图像信息(R、G、B颜色值和蜜瓜体积)。在此基础上,系统可通过融合漫透射光谱与图像信息的蜜瓜糖度检测模型,计算蜜瓜糖度。系统同时可实现检测个数统计,外观特征信息及糖度的实时显示、保存等功能。测试试验表明,该试验系统检测1个样品用时1.2 s,糖度检测均方根误差为1.22,可满足河套蜜瓜糖度在线检测试验需求,为进一步开展河套蜜瓜糖度在线检测研究奠定了基础。     

基于邻域粗糙集和高光谱散射图像的苹果粉质化检测

研究了基于邻域粗糙集理论的高光谱散射图像苹果粉质化无损检测方法。以576幅波长范围为600~1000nm的苹果高光谱数据为研究对象,利用邻域粗糙集模型对81个原始波段进行选择,从中选择出最优波长子集;利用支持向量机建立分类模型,随机选择526个样本作为训练集,其余50个样本作为测试集,重复仿真10次验证分类能力。仿真结果表明邻域粗糙集能够得到充分表述粉质化程度的14个最优波长,测试模型的平均精度为75%,高于全波长模型的71%和采用主成分分析法的74%。     

基于高光谱图像技术预测苹果大小

以新疆红富士苹果为研究对象,探讨应用高光谱图像技术和最小外接矩形法预测其大小的研究方法。提取苹果高光谱图像中可见红色区域受色度影响较小的713nm以及近红外区域793和852nm的3个波长图像,做双波段比运算处理。比较所得双波段比图像可知,852/713双波段比图像中背景和前景灰度对比度最大。对该图像做阈值分割以及形态闭运算去除果梗区域,使用8邻接边界跟踪法得到二值图像的轮廓坐标序列,采用最小外接矩形法求苹果的大小,与实测值建立回归方程。结果表明,基于高光谱图像技术采用波段比算法,结合最小外接矩形法,能够有效地检测苹果大小,预测值与实际值最大绝对误差为3.06mm,均方根误差为1.21mm。     

基于高光谱图像技术的农产品品质无损检测

高光谱图像技术结合了计算机图像与光谱技术两者的优点,是农产品品质无损检测技术的发展趋势.为此,阐述了农产品品质检测中高光谱图像技术的基本原理;介绍了高光谱图像技术在农产品外部品质和内部品质检测中的应用现状及信息处理方法;并对高光谱图像技术应用于农产品品质检测技术的发展提出了建议.     

基于多元校正法的香梨糖度可见/近红外光谱检测

应用可见/近红外光谱透射技术结合多元校正法探讨了样品在不同温度条件(5、10、15、20℃)下香梨糖度的快速无损检测。在波长500~900nm范围内,用逐步多元线性回归(SMLR)、偏最小二乘法(PLS)、最小二乘支持向量机(LS-SVM1、LS-SVM2)和遗传算法-偏最小二乘法(GA-PLS)等多种多元校正法进行了建模预测比较研究。预测结果从优到差依次为LS-SVM2、LS-SVM1、GA-PLS、PLS、SMLR。     

利用高光谱图像技术检测水果轻微损伤

提出了利用高光谱图像技术检测水果轻微损伤的方法.试验以苹果为研究对象,利用500～900 nm范围内的高光谱图像数据,通过主成分分析提取547 nm波长下的特征图像,然后设计不均匀二次差分消除了苹果图像亮度分布不均匀的影响,最后通过合适的数字图像处理方法提取苹果的轻微损伤.试验结果表明,高光谱图像技术对苹果轻微损伤的检测正确率达到88.57%.     

近红外光谱在南疆红枣糖度无损检测中的应用

南疆红枣的分级目前还停留在外部品质,然而红枣的内部品质比外部品质更重要。红枣的内部品质包括糖度、酸度等。利用近红外漫反射光谱技术对南疆红枣糖度进行无损检测,应用傅立叶变换近红外光谱仪采集红枣光谱图,糖度的测定选用数字阿贝折射仪。分别选用偏最小二乘法(PLS)和主成分回归分析法(PCR)的化学计量学方法建立红枣校正模型,光谱数据预处理选择一阶导数光谱、平滑等,得到的校正相关系数(Rc)为0.942 5,预测相关系数(Rp)为0.910 4,校正标准偏差(SEC)值为1.02。预测标准偏差(SEP)值为0.836,主因子数为5。     

基于高光谱成像技术的苹果内外品质同时检测

结合高光谱图像处理和光谱分析方法,通过一次图像扫描同时对苹果的表面摔伤和糖分含量进行检测。苹果第一主成分图像与794nm的图像相减后进行去噪和阈值分割处理,摔伤检测的准确率为92.6%。对感兴趣区域的反射光谱曲线进行多元散射校正、一阶导数和SG平滑处理后利用偏最小二乘回归方法建立糖分含量的预测模型,校正集相关系数Rc为0.93,SEC为0.47°Brix,验证集相关系数Rv为0.92,SEV 为0.67°Brix。结果表明：利用高光谱成像技术可以实现苹果内部品质和外部品质的同时检测。     

农畜产品品质无损检测中高光谱图像技术的应用进展

高光谱图像技术结合了计算机图像与光谱技术两者的优点,是农畜产品品质检测技术的发展趋势。阐述了农畜产品品质检测中高光谱图像技术的硬件组成和图像的获取方法。介绍了高光谱图像技术在农畜产品品质检测中的应用现状以及数据处理方法,重点分析了不均匀二次差分算法和独立分量分析算法。对高光谱图像技术应用于农畜产品品质检测的技术发展提出了建议。     

测试部位对猕猴桃近红外光谱响应特性的影响

应用近红外光谱漫反射技术,采集猕猴桃赤道附近不同测试部位的近红外光谱,对不同测试部位的平均吸光度和噪声进行差异性分析,对不同测试部位的近红外光谱波峰位置、不同波长处的吸光度以及近红外光谱糖度定量分析模型的预测精度进行了单因素方差分析.同一猕猴桃在赤道附近的不同测试部位,其近红外光谱平均吸光度及噪声的波动性较小,波峰位置差异不显著;同一猕猴桃在相同的波峰位置处,不同测试部位的吸光度差异不显著.越是靠近长波近红外区,吸光度的相对标准偏差越大,但是从总体上看,不同波长位置、不同测试部位吸光度的离散度都不大;用不同测试部位的光谱所建立的糖度定量分析模型检测精度差异不显著.猕猴桃赤道附近不同测试部位的近红外光谱都可以用来分析整个猕猴桃的品质.     

苹果叶片氮素含量快速检测模型

利用UV-2450型光谱分析仪测量苹果叶片光谱反射率,同时在实验室利用凯氏定氮法测量苹果叶片的氮素质量比,建立了适用于便携式检测仪的苹果叶片氮素含量快速检测模型.研究了苹果叶片光谱特性并进行了光谱反射率与氮素的相关性分析,获得了两个氮素敏感波长652 nm和772 nm.同时,利用分段减量精细采样法,构建了350 ～ 730 nm与740～880 nm波段内所有两两波段形成的归一化植被指数NDVI,并获取了与氮素含量相关性最高的波段组合(859 nm,364 nm)来构建苹果树NDVI.最后建立了基于苹果树NDVI、652 nm处反射率以及772 nm处反射率的偏最小二乘回归模型,建模精度达到0.904 8,均方根误差为0.159 7,检验模型精度达到0.917,均方根误差为0.283 3.     

油桃外部缺陷的高光谱成像检测

采用高光谱(420~1 000 nm)成像技术对中油9号油桃的4种外部缺陷(裂纹果、锈病果、异形果和暗伤果)进行检测判别。对400个样本(4种外部缺陷样本和完好样本)运用偏最小二乘回归(PLSR)从全波段中分别提取了10条特征波长,分别为497、534、657、677、696、709、745、823、868、943 nm。缺陷样本的高光谱图像经过主成分分析后,对876 nm下的单波段图像通过掩膜、Sobel算子处理,并对主成分图像经过区域生长算法实现缺陷样本的缺陷区域分割。对光谱数据进行主成分分析得到前10个主成分值,并对图像数据采用灰度共生矩阵(GLCM)提取得到6项图像纹理指标(均值、对比度、相关性、能量、同质性、熵值)。将主成分值和纹理值融合建立极限学习机(ELM)模型对油桃外部缺陷进行检测判别。结果表明,该模型对缺陷样本的判别正确率为91.67%,完好样本的正确率为100%。     

苹果糖度在线检测降低杂散光影响研究

基于光谱学原理设计了智能苹果糖度在线分级设备,研究了上置式检测器在线检测中的杂散光问题,通过光路图分析了富士苹果3种摆放方式对杂散光的影响,并提出了遮光降噪方案。利用偏最小二乘(PLS)回归分别建立了3种摆放方式的富士苹果可溶性固形物含量(SSC)在线预测模型。研究结果表明,对于上置式检测器而言,摆放方式和遮光处理尤为重要。其中果柄朝上遮光为最佳降噪措施,所建立的模型校正集均方差(RMSEC)为0.60,校正集相关系数(RC)为0.94,预测集均方差(RMSEP)为0.67,预测集相关系数(RP)为0.87,可以满足实际生产中的在线分级要求。     

不同水分条件下棉花冠层含氮量高光谱监测研究

【目的】建立1种适用于不同水分条件的棉田氮肥高光谱监测模型。【方法】通过设置包含灌溉梯度和施氮梯度的大田水肥试验,在生育期内同步测定棉花冠层光谱反射率、冠层含氮量(Canopy nitrogen content, CNC)、冠层等效水厚度(Canopy equivalent water thickness, CEWT)等信息,综合分析棉花冠层含氮量及冠层等效水厚度与光谱指数的相关性,确定最优光谱指数并构建棉花CNC的高光谱监测模型。【结果】冠层光谱与CNC在可见光波段附近出现连续的敏感区域,其中最大相关系数|r|max为0.53,位于718nm;在不考虑CEWT对模型精度影响时,NDSI(800,770)的建模效果最佳(R^2=0.76),但是进入花铃后期其预测精度偏低,出现了低估现象;综合考虑CEWT的影响后,本研究选取NDSI(570,500)作为最优光谱指数,所建模型有效改善了棉花含水率变化而造成模型精度偏低的现象(RRMSE=0.18)。【结论】本研究建立的新型水分钝感光谱指数NDSI(570,500)可以有效提升棉花CNC的估算精度,为高光谱技术在棉田氮肥监测的应用提供技术依据。     

树形对适收期黄花梨糖度VIS/NIR光谱检测的影响研究

针对树体的光通透性影响果实糖分的积累,不同树形的果实品质存在差异的问题,研究了树形对适收期黄花梨糖度可见/近红外光谱检测模型的影响。采集了适收期前后6个批次、不同树形(开心形和棚架形)的黄花梨果实480个进行实验,两类树形果实糖度差异显著(p0.05),采用同一树形黄花梨建立的模型预测均方根误差(RMSEP)分别为0.69°Brix、0.64°Brix,相对分析误差RPD分别为2.08、1.97;单一树形全部样品建立的模型对不同树形样品的RMSEP分别为1.31°Brix、1.07°Brix,RPD分别为1.14、1.36;2类树形联合模型RMSEP为0.59°Brix,RPD为2.38。结果表明,树形对适收期黄花梨糖度预测模型的精度和稳健性均有较大影响,对进一步研究近红外光谱技术在田间水果采收期品质及最佳采收期检测的应用有一定的参考价值。