苹果腐心病的透射光谱在线检测系统设计及试验

针对苹果内部缺陷在线检测的产业技术需求,研究基于透射光谱技术的苹果内部缺陷在线检测系统。研究设计了光源套件、专用光纤和果托式输送单元等关键部件,提升在线透射光谱质量、降低热损伤和机械损伤;解决了光电信号干扰问题,开发了专用检测软件,实现苹果内部品质信息的无损在线获取。比较分析了正常苹果与腐心病果的光谱响应差异,优化参数后设置在线检测速度3个/秒,触发控制光谱采集时间80 ms。在选择特征波长的基础上利用线性判别分析建立了苹果腐心病的在线判别模型,预测的总体识别率达90%以上。研究结果表明该系统可以实现苹果内部缺陷的快速、无损在线检测。     

融合光谱形态特征的苹果霉心病检测方法

针对轻微霉心病和健康苹果光谱差异较小,致使基于可见/近红外特征光谱的检测方法对轻微霉心病检测准确率较低的问题。该研究将光谱形态特征与光谱特征融合的方法引入霉心病模型构建,建立了融合光谱形态特征的判别模型。以215个苹果可见/近红外光谱为样本,分析了不同预处理和特征提取组合对建模效果的影响,并完成了光谱特征的提取;分析健康果和霉心病苹果平均光谱的差异性,提取波峰、波谷等差异明显的光谱形态特征点,对比波段比、波段差和归一化强度差三类形态特征获取方法;最终建立光谱形态特征参数和光谱特征融合的苹果霉心病模型。试验结果表明,归一化预处理后提取的特征光谱和归一化强度差形态特征融合后模型判别准确率最高,在支持向量机模型中训练集、测试集判别准确率分别为98.6%和96.3%。特别是当发病程度小于10%时,该研究的判别模型准确率高于95%,表明通过融合光谱形态特征可以提升轻微病变霉心苹果的判别准确率。     

光源光斑直径对苹果霉心病近红外检测的影响

为实现中早期霉心病苹果的有效剔除以提高苹果的整体品质，该研究利用近红外光谱技术对苹果霉心病进行快速无损检测，从光谱和分类模型两方面探究光源光斑直径对苹果霉心病检测的影响。在30、50 及70 mm光源光斑直径条件下采集了苹果样本的透射光谱，分析不同光源光斑直径下健康苹果和霉心病苹果的光谱差异，然后应用支持向量机（support vector machines，SVM）和粒子群算法优化-最小二乘支持向量机（particle swarm optimization-least squares support vector machine，PSO-LSSVM）方法建立苹果霉心病的分类模型，并对不同光源光斑直径下的分类模型性能进行对比。在此基础上，采用竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）方法筛选特征波长变量并建立分类模型。研究结果表明，30 mm光源光斑直径对苹果霉心病的检测效果最好，建立的SVM和PSO-LSSVM分类模型性能均最优。30 mm光源光斑直径下，最优PSO-LSSVM模型的预测集的灵敏度、特异度和正确率分别为89.5%、95.5%和92.7%。CARS-PSO-LSSVM分类模型性能比全波段的分类模型性能略有下降，预测集的灵敏度、特异度和正确率分别为89.5%、90.9%和90.2%，但建模变量数仅占原波长变量数的4.2%，有效地简化了分类模型。该研究为苹果霉心病的快速无损高精度检测提供技术支撑。     

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。     

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。     

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。     

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。     

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.     

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。     

基于高光谱图像纹理特征的牛肉嫩度分布评价

传统牛肉品质的检测方法耗时长,效率低,破坏样品,已不能满足现代化生产的需要。为了实现对牛肉嫩度品质的快速无损检测和评价,该文利用高光谱成像系统,以西门塔尔牛多个胴体的背最长肌部位为研究对象,采集56个有效样本的高光谱立体图像,研究无损评价牛肉样品的嫩度分布。通过提取样本的反射光谱信息,并利用逐步回归算法结合遗传算法(GA,genetic algorithm)筛选出牛肉剪切力值(WBSF,warner-bratzler shear force)的特征波段。利用主成分分析(PCA,principle component analysis)提取样品的3个主成分。基于选出的特征波段图像和提取的主成分,通过计算图像灰度共生矩阵求取每幅图像8个主要纹理特征参数,分别建立了基于支持向量机(SVM,support vector machine)和线性判别(LDA,linear discriminant analysis)法的嫩度等级判别模型。经分析比较,基于主成分纹理特征优于基于特征波段图像建立的预测模型,并且,线性判别模型识别准确率相比支持向量机模型较高。基于主成分纹理特征建立的线性判别模型预测集判别精度为94.44%。研究结果证明,基于高光谱图像纹理特征分析,可以建立牛肉的嫩度判别模型,对牛肉嫩度快速无损检测技术研究提供理论参考。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测,该研究采用对称极坐标法（Symmetrized Dot Pattern,SDP）将苹果声振信号变换为雪花图,然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息,将其输入到支持向量机（Support Vector Machine,SVM）分类器,对霉心程度≤7%的苹果进行检测。研究结果表明,当时间间隔系数为25和角度放大因子为50°时,健康果与早期霉心果声振信号的SDP图形状特征差异最大,在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型,在各类SVM模型中,ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率,经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%,平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%,82.54%和82.68%,该模型不仅对多数类的健康果保持较高分类准确率,而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

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。     

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。针对目前在线检测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。4种表面损伤面积的预测值和真实值的决定系数R²均在0.97以上,均方根误差(Root Mean Squared Error, RMSE)在4 mm²以下。在偏角试验中,4种表面损伤面积的预测值和真实值的决定系数R²均在0.974 2以上,RMSE在6.304 4 mm²以下。装置检测苹果的速度为2个/s,评级准确率为95%。研究结果表明,检测与苹...     

基于增强拉曼光谱的苹果中啶虫脒农药残留的无损定量分析

为了快速准确检测苹果的农药残留,该研究基于表面增强拉曼光谱技术,以新烟碱类农药啶虫脒作为研究对象,建立了一种快速准确检测苹果农药残留含量的方法。为了改善表面增强剂对定量检测的检测精度和稳定性,在pH值为6.5的弱酸性条件下向银溶胶中加入稳定剂聚丙烯酸钠和团聚剂NaCl。采用了卡尔曼平滑（Rauch-Tung-Striebel,RTS）与非对称重加权惩罚最小二乘法（asymmetrically reweighted Penalized Least Squares,arPLS）结合扩展乘性散射校正（Extended Multiplicative Signal Correction,EMSC）来消除噪声和荧光信号对模型的影响。为了检测方法的重复性,对30个相同啶虫脒含量（20 mg/kg）的苹果进行了拉曼信号采集,并对627 cm-1,835 cm-1和1 107 cm-1 3个特征峰强度进行分析,其相对标准偏差（rRelative sStandard dDeviation,RSD）分别为6.14%,6.83%,6.99%,说明该方法具有较好的重复性。采集含有梯度浓度啶虫脒的苹果（0.012 mg/kg～10.830 mg/kg）的信号时,最低检测限为0.035 mg/kg,远低于国家规定的标准0.8 mg/kg。建立的苹果中啶虫脒农药残留偏最小二乘回归（Partial Least Squares Regression,PLSR）预测模型效果较好,检测范围在0.082～3.830 mg/kg,预测相关系数（Rrediction coefficient,Rp）为0.974,预测集均方根误差（Root Mean Square Errors of prediction,RMSEp）为0.044 1 mg/kg,校正相关系数（Correlation coefficient,Rc）为0.986,校正集均方根误差（Root Mean Square Errors of calibration,RMSEc）为0.036 9 mg/kg。研究表明,该方法可以对苹果中残留的啶虫脒农药进行准确的定量预测。     

基于高光谱特征选择的霉变玉米黄曲霉毒素B_1的检测方法

为研究高光谱技术检测霉变玉米中黄曲霉毒素B_1含量的可行性,选择5种不同霉变程度的玉米为试验材料,利用高光谱图像采集系统获得了250个霉变玉米样本的高光谱数据,并进行多元散射校正(MSC)预处理;运用偏最小二乘回归(PLSR)系数来选择特征波长,筛选出7个特征波长,然后利用Fisher判别分析(FDA)分别对全波长和特征波长下霉变玉米进行鉴别分析。结果表明,5组样本在全光谱波段下的FDA鉴别正确率在85%～88%之间,而在特征光谱下的FDA鉴别正确率均在98%以上,说明特征波长能较好地表征不同霉变等级的玉米。神经网络模型优于PLSR模型,其预测集相关系数和均方根误差分别为0.999 9、0.180 9。因此,可认为利用高光谱技术来检测不同霉变程度玉米中的黄曲霉毒素B_1含量是可行的。本研究结果为高光谱鉴别其他农产品提供了重要参考。     

基于电学参数的苹果可溶性固形物含量预测

为实现苹果可溶性固形物含量的无损检测,该研究提出了一种长短期记忆编解码和多层感知机（LSTMED-MLP,long short-term memory encoder-decoder-multi-layer perceptron）融合的介电特征预测方法。在0.158～3 980 kHz频率范围内的9个频率点下,采用介电谱测量仪获取300个富士苹果的电学参数,其中每个频率点对应15项电学参数,即每个苹果对应135项电学特性参数,之后通过苹果基因组学理化分析方法,获取可溶性固形物含量;根据电学参数与可溶性固形物含量,构建苹果关键基因组学参数的回归预测模型。为简化模型输入,提取样本变量特征,使用主成分分析（principal component analysis,PCA）和LSTMED模型,提取每个样本的40项特征值,作为非线性回归模型多层感知机（MLP）和XGBoost的输入,建立可溶性固形物含量预测模型。试验结果表明,LSTMED具有更好的适用性,且LSTMED-MLP模型的预测效果最好,在校正集和预测集上,决定系数分别为0.95和0.90,均方根误差分别为0.77和0.84,且对不同种植模式下苹果样本的变化差异具有更强鲁棒性,LSTMED-XGBoost模型次之。因此,LSTMED可以作为一种有效的非线性特征降维提取方法,应用于农产品品质参数分级和无损检测方面。