基于深度学习与图像处理的哈密瓜表面缺陷检测

针对传统人工检测哈密瓜表面缺陷效率低等问题,提出利用卷积神经网络(Convolutional Neural Networks, CNN)对哈密瓜表面缺陷进行快速检测。对原始图像进行主成分分析(Principal Components Analysis,PCA)、奇异值分解(Singular Value Decomposition, SVD)和二值化等预处理操作,通过数据扩充得到正常、霉菌、晒伤和裂纹的哈密瓜图像各2 500幅。构建一种改进的类似VGG卷积神经网络模型,将预处理后的图像输入模型,并使用随机梯度下降(StochasticGradient Descent,SGD)优化器进行算法优化,为探究CNN模型的特征提取原理,将改进的类似VGG模型每层卷积的特征进行可视化,最后利用开发的哈密瓜表面缺陷检测软件对模型进行试验验证。研究结果表明:图像预处理算法提高了模型的鲁棒性和泛化能力,改进的类似VGG模型优于Alex Net和VGG-16模型,其训练集和测试集准确率分别为100.00%和97.14%;对比预处理前后4类哈密瓜卷积特征可视化结果表明,随着卷积层层数的增加,哈密瓜表面缺陷特征越来越明显,图像预处理后卷积层特征提取效果优于原始图像提取效果。软件测试结果表明:静态下哈密瓜缺陷检测速率达到0.7 s/幅,识别准确率达到93.50%。研究结果可为哈密瓜表面缺陷在线检测技术提供理论依据和技术参考。     

近红外光谱变量筛选提高西瓜糖度预测模型精度

水果的内部品质是水果分级、保鲜及存储的一项重要指标,利用近红外光谱技术对西瓜内部品质进行快速无损检测研究有着非常重要的意义。为了研究变量筛选方法对西瓜糖度预测模型精度的影响,该文以麒麟瓜为研究对象,利用近红外漫透射光谱技术对麒麟瓜可溶性固形物含量（SSC）进行检测,采用偏最小二乘回归（PLSR）,多元线性回归（MLR）和主成分回归（PCR）建立麒麟瓜可溶性固形物数学模型,并探讨等间隔平均光谱和等间隔抽取光谱变量筛选结合连续投影算法（SPA）对预测模型精度的影响。研究结果表明：光谱经等间隔抽取（间隔5,115个变量）经归一化预处理,结合SPA优选出6个波长建立的PLSR预测模型的相关系数（rpre）为0.828、校正均方根误差（RMSEC）为0.589、预测均方根误差（RMSEP）为0.611。该模型预测效果相对较优,建模时间短,提高了模型的预测能力和预测精度。该研究为西瓜内部品质的在线无损检测提供研究基础。     

基于近红外高光谱成像技术鉴别杂交稻品系

种子的筛选和鉴别是农业育种过程中的关键环节。该文基于近红外高光谱成像技术(874~1 734 nm)结合化学计量学方法以及图像处理技术实现杂交稻种的品系鉴别及可视化预测。采集了3类不同品系共2 700粒杂交水稻的高光谱图像,用SPXY算法,按照2∶1的比例划分建模集和预测集。基于水稻样本的光谱特征,采用主成分分析(PCA)方法初步探究3类样本的可分性。采用连续投影算法(SPA),提取出7个特征波长:985.08、1 106、1 203.55、1 399.04、1 463.19、1 601.81、1 645.82 nm。基于特征波长和全波段光谱,建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。试验结果表明,所建模型判别效果较好,识别正确率均达到了90%以上,其中,SVM模型的判别效果优于PLS-DA模型,基于全谱的判别分析模型结果优于基于特征波长的判别模型。结合SPA-SVM校正模型和图像处理技术,生成样本预测伪彩图,可以直观的鉴别不同品系的水稻种子。结果表明,近红外高光谱成像技术可以实现杂交稻的品系识别及可视化预测,为农业育种过程中种子的快速筛选及鉴定提供了新思路。     

波段比算法结合高光谱图像技术检测柑橘果锈

为克服柑橘表面不平整导致光线反射不均匀的影响,研究提出了波段比算法,使高光谱图像技术能够快速有效地检测柑橘果锈。首先根据Sheffield指数（SI）确定最佳波段（625 nm和717 nm）,经比值变换后得到第一幅比值图像;然后选取特征波长625 nm的邻近波段（621 nm）,与其比值变换后得到第二幅比值图像,提取轮廓,构建掩膜以消除第一幅比值图像的背景噪声,最后进行阈值分割和数字形态学运算,完成果锈区域的特征检测。试验结果表明,基于波段比算法的高光谱图像技术可有效检测柑橘果锈,检测率达到92%。研究表明波段比算法在高光谱图像技术快速无损地检测柑橘果锈中,能够有效地降低光照反射不均匀的影响,增强谱间差异,提高检测的精度。     

红茶感官品质及成分近红外光谱快速检测模型建立

以在发酵过程中小叶种工夫红茶为研究对象,分别建立了基于近红外光谱检测技术的感官品质评分和理化品质指标(茶黄素、茶红素、茶褐素、儿茶素和酚氨比)的定量分析模型。在模型建立过程中,探讨了特征变量优选方法对预测模型的影响。首先,对获取的近红外光谱数据进行标准正态变量变换法(standard normal Z transformation,SNV)预处理,进而采用联合区间偏最小二乘回归(synergy interval PLS,Si-PLS)、随机蛙跳算法(shuffled frog leaping algorithm,SFLA)、竞争性自适应权重取样法(competitiveadaptivereweightedsampling,CARS)和连续投影(successive projections algorithm,SPA),筛选出各品质指标的最优特征波长变量;最后基于优选波长分别建立各发酵品质指标的偏最小二乘法(partial least squares regression,PLS)线性预测模型和支持向量机(support vector regression,SVR)非线性预测模型。模型结果比较表明,Si、CARS、SFLA和SPA等变量筛选方法可有效压缩变量,以及进一步提高模型精度。非线性模型的预测均方根误差值(root-mean-square error of prediction,RMSEP)均明显小于PLS模型,相关性系数(correlation coefficient,R)和相对分析误差(relative percent deviation,RPD)均高于PLS模型。对于红茶发酵品质的检测上,非线性模型性能优于线性模型。感官品质、茶褐素和儿茶素的最优变量SVR预测模型的RPD值分别为3.923、3.234和5.462,酚氨比和茶红素模型的RPD值分别为2.815和2.223。除茶黄素的评价模型外(RPD为1.77),基于最优特征波长的各品质指标SVR模型的RPD值均大于2,表明模型具有极好的预测性能。研究结果为实现工夫红茶发酵品质的近红外光谱快速检测的实际应用奠定理论基础。     

鱼粉品质检测电子鼻传感器阵列的多特征数据融合优化

为了提高基于仿生嗅觉的鱼粉品质检测装置的鉴别能力,该文利用自主设计的仿生嗅觉鱼粉品质检测装置,提取鱼粉样本的响应特征信息,对其传感器阵列进行多特征数据融合优化。依据各传感器对样本的响应曲线,提取传感器特征值(10×6个)构成原始特征矩阵,后对传感器阵列特征值进行归一化处理,以紧凑性作为评价特征选择方法合理性的标准,采用了3种单特征排序方法(MIC、χ^2、F-test),3种多特征排序方法(RF、LR、SVM),4种特征递减消除方法(RFRFE、SVMRFE、DTRFE、LRRFE)对不同品质的鱼粉进行分类准确率检验,得到基于随机森林的特征递减消除算法(RFRFE)的紧凑性最好,此时最佳的分类准确率为98.3%,特征数目为33个。优化后的传感器阵列特征发生了明显的变化,传感器阵列由原来的10个变为了8个,去掉了传感器TGS2620和传感器TGS2600,特征值也减少了45%。为了避免选择偏差,采用了10折交叉验证方法,再次得到了RFRFE算法具有更佳的紧凑性。该特征选择方法为利用仿生嗅觉技术鉴别其他动物源性原料样本的特征优化提供了新的方法和参考。     

农作物无损检测的机器视觉系统标定方法研究

基于机器视觉的无损检测是植物生长建模的关键技术之一,对图像采集系统进行标定是实现无损检测的基本步骤.目前,摄像机标定的方法有传统标定方法、主动视觉标定法、自标定方法等.为此,对现有标定方法分别进行了讨论与比较,结果表明,传统线性标定法可以满足农作物无损检测的要求.     

椰糠基质有效氮近红外检测仪设计与试验

为了实现椰糠基质有效氮含量的快速实时检测,基于漫反射光谱设计了椰糠基质有效氮近红外检测仪。该检测仪的硬件系统主要由前处理装置、气力输送装置、重力式沉降样品室、近红外光谱检测装置、样品回收装置和空气压缩机等组成。制备了不同有效氮含量的椰糠基质样本135个,采用研制的检测仪获取了样本原始光谱数据,并建立了椰糠基质有效氮含量的最优偏最小二乘回归预测模型,其校正集相关系数和验证集相关系数分别为0.973和0.965,校正集均方根误差和验证集均方根误差分别为14.025 mg/(100 g)和15.757 mg/(100 g),残差预测偏差为3.72。基于MFC开发工具,采用C/C++语言开发了检测仪硬件控制及实时检测分析软件界面,将建立的最优有效氮光谱预测模型移植到软件程序中,实现了椰糠基质有效氮近红外检测仪功能硬件控制及有效氮检测的一键式操作。试验验证结果表明,所研制仪器预测值与国标测量值相关系数为0.883,测试集均方根误差为18.605 mg/(100 g)。该检测仪实现了椰糠基质有效氮含量的快速实时检测,并且预测性能较好,可以满足快速评价椰糠基质养分的实际需求。     

玉米主要品质便携式检测装置设计与试验

我国玉米产量高,高效、便携、低成本的玉米成分检测技术及其装置对于玉米品质的检测至关重要,基于可见/近红外光谱技术,设计了一款玉米主要品质便携式检测装置。为探究所设计方案的可行性,自行搭建了可见/近红外光谱采集系统,对不同品种共72份玉米样本进行光谱采集,分别建立了玉米籽粒蛋白质、脂肪和淀粉含量的偏最小二乘（PLS）预测模型以及结合竞争性自适应重加权算法（CARS）的CARS-PLS预测模型。结果表明,CARS方法可以有效筛选出各组分的相关变量,提升模型效果,各组分质量分数的预测集均方根误差（RMSEP）均有所下降, 蛋白质质量分数的RMSEP由0.4866%降至0.4068%;脂肪质量分数的RMSEP由0.1549%降至0.0989%;淀粉质量分数的RMSEP由0.4714%降至0.4675%。预测集相关系数Rp均有所提高,蛋白质质量分数的Rp由0.9309提升至0.9603;脂肪质量分数的Rp由0.9497提升至0.9770;淀粉质量分数的Rp由0.9520提升至0.9605。基于CARS方法所筛选的各组分特征变量,选择了合适的近红外光谱传感器,在此基础上设计了检测装置的光谱采集单元、控制单元、显示单元、电源单元以及散热单元,并基于NodeMCU开发板和Arduino IDE开发工具,采用Arduino语言对装置控制程序进行开发,实现“一键式”快速检测。试验验证了该装置的检测精度和稳定性,结果表明,预测玉米籽粒蛋白质、脂肪和淀粉质量分数的相关系数分别为0.8431、0.8243、0.8154,预测均方根误差分别为0.3576%、0.2318%、0.2333%,相对分析误差分别为1.8577、1.7761、1.5735。对同一样本多次重复预测,各组分预测值的变异系数分别为0.235%、0.241%和0.028%。     

X射线无损检测技术在农产品品质评价中的应用

近年来,无损检测技术在农业中得到了广泛的应用.X射线检测作为无损检测的重要技术手段,在农产品品质检测与评价中发挥了重要的作用.为此,综述了国内外在X射线检测技术应用于农产品品质检测方面的研究进展;阐明了X射线检测技术测定的基本原理;介绍了其在果品水分测定、农产品内部病虫害检测、外观品质检测以及异物检测等方面的典型应用实例;并展望了X射线检测技术在农产品检测中的应用前景.