基于機器視覺和近紅外光譜的馬鈴薯分級檢測方法.pdf

1、馬鈴薯的產(chǎn)量高、營養(yǎng)豐富，是世界上繼小麥、水稻以及玉米之后的第四大糧食作物，同時也是我國第四大糧食作物。馬鈴薯的品質等級直接關系到馬鈴薯在市場上的價格高低以及馬鈴薯相關產(chǎn)業(yè)的發(fā)展。因此開展馬鈴薯品質無損檢測研究具有重要的科學意義和實用價值。
　　以馬鈴薯為研究對象，采用機器視覺技術、近紅外光譜分析技術以及信息融合技術研究了基于機器視覺和近紅外光譜的馬鈴薯形狀、外部缺陷、碰傷、瘡痂病等品質的無損檢測方法。論文主要完成的工作及相應的結

2、論如下:
　　1)自行搭建了馬鈴薯圖像采集平臺，利用偏最小二乘橢圓擬合算法對馬鈴薯的邊界進行橢圓擬合，利用圖像處理技術提取畸形馬鈴薯畸形部分面積像素個數(shù)，確定畸形部分像素個數(shù)占馬鈴薯總的像素個數(shù)的0.1％以上為畸形，否則判定為合格馬鈴薯。在合格馬鈴薯中，以馬鈴薯擬合橢圓離心率為判定馬鈴薯薯形的標準，經(jīng)過試驗確定圓形馬鈴薯離心率為0.1-0.6，長形馬鈴薯離心率為0.6-0.9。
　　用該方法對驗證集中的90個馬鈴薯進行驗證，

3、對30個畸形馬鈴薯進行識別時，識別正確率為100％，對30個圓形馬鈴薯進行識別時，只將一個圓形馬鈴薯誤判為長形馬鈴薯，識別正確率為96.67％，對30個長形馬鈴薯進行識別時識別正確率為100％。
　　2)確定了馬鈴薯外部缺陷無損檢測方法。比較了單閾值分割方法、K均值聚類分割方法、上山法結合區(qū)域生長法三種不同圖像特征分割方法對馬鈴薯缺陷部位的分割效果，最終確定上山法結合區(qū)域生長法為馬鈴薯特征分割方法。采用上山法結合區(qū)域生長法對馬鈴薯

4、外部缺陷特征進行特征分割，以提取的馬鈴薯表面特征區(qū)域顏色特征參數(shù)作為輸入，建立了基于機器視覺技術的馬鈴薯外部缺陷分級檢測的支持向量機識別模型。使用該模型對測試集的144個馬鈴薯樣本進行判別時，將其中的131個樣本級別做出了正確的識別，其中9個缺陷馬鈴薯誤判為合格馬鈴薯，4個合格馬鈴薯誤判為缺陷馬鈴薯，模型總的識別率為90.97％，對合格馬鈴薯的識別率為94.29％，對缺陷馬鈴薯的識別率為87.84％。
　　3)確定了基于近紅外光譜

5、技術的碰傷馬鈴薯無損檢測方法。以240個馬鈴薯樣本為研究對象，采集的馬鈴薯近紅外光譜經(jīng)去除趨勢結合多元散射校正(Detrend+MSC)光譜預處理方法處理后，采用偏最小二乘-線性判別分析法(PLS-DA)與支持向量機-判別分析法(SVM-DA)兩種建模方法分別建立基于近紅外光譜的PLS-DA碰傷馬鈴薯檢測模型以及SVM-DA碰傷馬鈴薯檢測模型。PLS-DA模型對于校正集中碰傷馬鈴薯與合格馬鈴薯的識別正確率均為100％，其驗證集對碰傷馬鈴

6、薯的識別率為91.4％，對合格馬鈴薯的識別率為91.1％。SVM-DA馬鈴薯碰傷識別模型的校正集識別率為100％，驗證集中碰傷馬鈴薯的識別率為88.6％，合格馬鈴薯的識別率為91.1％。試驗結果表明采用PLS-DA所建模型的識別率比SVM-DA所建模型對測試集的識別率高，因此確定PLS-DA為最優(yōu)建模方法。
　　4)確定了基于圖像與光譜信息的馬鈴薯瘡痂病無損檢測方法。研究了機器視覺技術和近紅外光譜分析技術分別對馬鈴薯瘡痂病進行檢測

7、的方法，采用支持向量機識別方法分別建立了基于機器視覺技術和近紅外光譜分析技術的馬鈴薯瘡痂病識別模型，該模型對測試集馬鈴薯識別率分別為89.17％、91.67％。
　　為了進一步提高馬鈴薯瘡痂病無損檢測識別精度，提出基于DS證據(jù)理論結合支持向量機的機器視覺和近紅外光譜的多源信息融合技術馬鈴薯瘡痂病無損檢測方法。試驗以360個馬鈴薯為研究對象，采用DS證據(jù)理論與支持向量機相結合的方法對獲取的圖像特征和光譜特征進行融合，建立了基于近紅外