獼猴桃形狀特征是獼猴桃在產(chǎn)后分級處理過程的一項重要指標,不僅影響果實外觀,也決定果實等級高低的劃分。傳統(tǒng)的形狀分級方法大多采用人工分級,存在耗時長、效率低、重復(fù)性差且易受人為主觀影響等問題。針對傳統(tǒng)獼猴桃形狀分級存在的問題,研究利用高光譜成像建立獼猴桃正常果和畸形果的分類檢測方法。以成熟期的248個金魁獼猴桃（正常果107個,畸形果141個）作為研究樣本,先利用可見-近紅外高光譜成像系統(tǒng)采集獼猴桃樣本的光譜數(shù)據(jù),再采用主成分分析法對光譜數(shù)據(jù)進行降維,得到第一主成分圖像。隨后提取第一主成分圖像的3個特征波長（682, 809和858 nm）,并對其進行融合計算,生成新的光譜圖像（融合圖像）。然后利用四叉樹分解算法對融合圖像進行分割處理,并計算掩膜圖像所對應(yīng)的12組形狀特征參數(shù),結(jié)合偏最小二乘線性判別分析（PLS-LDA）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、最小二乘支持向量機（LSSVM）建立判別模型,對比分析,最終得到獼猴桃形狀特征的最佳分類模型。結(jié)果表明,所建立的三種分類模型中, BPNN和LSSVM模型的分類效果較好,總體分類準確率均在95%以上; PLS-LDA的效果略差,訓(xùn)練集和測試... 

【文章來源】：光譜學(xué)與光譜分析. 2020,40(08)北大核心EISCICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

購買的獼猴桃樣品

高光譜圖像采集系統(tǒng)如圖2所示。 該系統(tǒng)主要由1臺CMOS照相機(Photonfocus, Switzerland), 1臺行掃描光譜攝制儀(Spectrograph V10E), 2個250 W的光纖鹵素?zé)?ALPHA-1501, 21 V/250 W Halogen Tugsten Lamp)和一套光學(xué)移動平臺(由步進電機控制的載物臺)等部件組成。 為防止采集的圖像受噪聲和雜散光的干擾, 將其他硬件設(shè)備(除電腦外)全放置暗箱中。 圖像采集范圍是400～1 000 nm, 光譜分辨率約為1 nm, 曝光時間40 ms。 光譜采集軟件為Spectral Cube(Spectral Imaging Ltd. , Finland)。2 高光譜圖像處理及數(shù)據(jù)處理

圖3顯示了獼猴桃第一主成分(PC-1)圖像的光譜權(quán)重系數(shù), 根據(jù)波峰、 波谷等特征位置得到3個特征波長(682, 809和858 nm), 在圖上已標明。 利用3個特征波長, 對原始圖像進行加權(quán)計算, 融合成一個和PC-1很接近的圖像。 圖4顯示了波長為800 nm的原始圖像及由PC-1的融合圖像, 對比可看出, 融合圖像[圖4(b)]前景和背景差異性較大, 獼猴桃區(qū)域亮度更高, 邊界更清晰, 便于處理。圖4 單波長和特征波長下灰度圖像的對比

【參考文獻】：
期刊論文
[1]基于機器視覺的產(chǎn)地臟污鴨蛋外形扁平度在線檢測[J]. 王巧華,蘆茜,馬美湖,段宇飛,王彩云.  中國食品學(xué)報. 2017(05)
[2]基于果萼圖像的獼猴桃果實夜間識別方法[J]. 傅隆生,孫世鵬,Vázquez-Arellano Manuel,李石峰,李瑞,崔永杰.  農(nóng)業(yè)工程學(xué)報. 2017(02)
[3]近紅外光譜聯(lián)合CARS-PLS-LDA的山茶油檢測[J]. 孫通,吳宜青,許朋,溫珍才,胡田,劉木華.  核農(nóng)學(xué)報. 2015(05)
[4]獼猴桃自動分級設(shè)備設(shè)計與試驗[J]. 左興健,武廣偉.  農(nóng)業(yè)機械學(xué)報. 2014(S1)



本文編號：3428734