【摘要】：我國(guó)雖然是世界蘋(píng)果生產(chǎn)大國(guó),但出口數(shù)量相對(duì)總產(chǎn)量卻只有不到3%,與其他蘋(píng)果主要生產(chǎn)國(guó)、出口國(guó)相比,有較大差距。究其原因,是因?yàn)樘O(píng)果采后的商品化處理水平低,其中分級(jí)在其產(chǎn)后處理過(guò)程中起著核心的作用。目前寒富蘋(píng)果分級(jí)主要以人工分揀為主,但其分揀主觀性強(qiáng),檢測(cè)精度不高。因此本研究采用高光譜成像技術(shù)對(duì)寒富蘋(píng)果的綜合品質(zhì)等級(jí)進(jìn)行評(píng)價(jià),其成果對(duì)提高寒富蘋(píng)果產(chǎn)后分級(jí)水平具有重要意義。本研究主要研究?jī)?nèi)容及成果:(1)本研究將蘋(píng)果圖像從RGB顏色空間轉(zhuǎn)換到HIS顏色空間,提取H分量,運(yùn)用像素點(diǎn)變換法計(jì)算出著色面積,并計(jì)算出著色度。對(duì)蘋(píng)果圖像進(jìn)行預(yù)處理,找到蘋(píng)果輪廓的質(zhì)心并計(jì)算出直徑大小,求出蘋(píng)果輪廓的最小外接圓和最大內(nèi)切圓,并計(jì)算兩圓面積比,求出果形指數(shù)。(2)本研究對(duì)蘋(píng)果果梗的完整性進(jìn)行檢測(cè),利用高光譜成像技術(shù)提取蘋(píng)果感興趣區(qū)域光譜信息。采用逐步多元回歸算法(SMLR)從全波段(450~970nm)提取了5個(gè)特征波長(zhǎng),采用連續(xù)投影算法(SPA)從全波段(450~970nm)提取了7個(gè)特征波長(zhǎng),然后,提取感興趣區(qū)域的慣性矩、相關(guān)性、能量和熵4個(gè)紋理特征。將光譜特征、紋理特征、光譜特征結(jié)合紋理特征3組數(shù)據(jù),分別作為輸入矢量,采用支持向量機(jī)(SVM)、BP人工神經(jīng)網(wǎng)絡(luò)(BPANN)對(duì)蘋(píng)果果梗完整性進(jìn)行識(shí)別,結(jié)果表明:只采用光譜特征作為輸入矢量識(shí)別效果較好,其中SPA-SVM方法識(shí)別效果最好,識(shí)別正確率達(dá)到91.7%,且數(shù)據(jù)計(jì)算量小。該研究為蘋(píng)果品質(zhì)等級(jí)評(píng)價(jià)提供了理論依據(jù)。(3)本研究提出了將模糊隸屬度函數(shù)應(yīng)用到蘋(píng)果品質(zhì)好壞程度的評(píng)價(jià)。將大小、果梗完整性、病害缺陷、硬度、果形指數(shù)、著色面積、糖度七項(xiàng)指標(biāo)作為輸入矢量,分別建立決策樹(shù)C4.5、T-S模糊神經(jīng)網(wǎng)絡(luò)(T-S-FNN)、模糊最小二乘支持向量機(jī)(FLSSVM)模型對(duì)寒富蘋(píng)果綜合品質(zhì)等級(jí)進(jìn)行評(píng)價(jià)。決策樹(shù)C4.5模型的判別效果最好,驗(yàn)證集總正確率為95.47%,其中,特等果判別正確率為100%,一等果判別正確率為95.5%,二等果判別正確率為94%,等外果判別正確率為92.4%。FLSSVM模型的判別效果次之,驗(yàn)證集總正確率為93.6%。試驗(yàn)結(jié)果表明:決策樹(shù)C4.5模型在多指標(biāo)決策中具有一定優(yōu)勢(shì),更能適應(yīng)數(shù)據(jù)的微小變動(dòng)。
【學(xué)位授予單位】：沈陽(yáng)農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP391.41;S661.1
【圖文】：

10圖 1.1 技術(shù)路線流程圖Fig. 1.1 Technical route flow chart1.4 本章小結(jié)本章對(duì)研究課題的背景進(jìn)行了闡述，說(shuō)明了我國(guó)蘋(píng)果競(jìng)爭(zhēng)力不足的原因，同時(shí)也說(shuō)明了課題研究的意義。對(duì)高光譜成像技術(shù)在水果品質(zhì)檢測(cè)以及綜合品質(zhì)等級(jí)評(píng)價(jià)方面的國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行了分析，提出本研究的研究?jī)?nèi)容和技術(shù)路線。

圖 2.2 蘋(píng)果邊緣二值圖2 Apple edge binarization imag子檢測(cè)得到的蘋(píng)果邊緣圖像像素點(diǎn)。圖中虛假信息較多，有的為較小的閉合曲線）于蘋(píng)果輪廓曲線的像素，利克俊，2009）。如圖 2.3 所圖 2.3 蘋(píng)果輪廓曲線圖 2.3 Apple outline curve image輪廓曲線是連續(xù)且閉合的，

域中的像素點(diǎn)，其邊緣強(qiáng)子具有平滑功能。將 Cann的二值圖像，如圖 2.2 所示圖 2.2 蘋(píng)果邊緣二值圖2 Apple edge binarization ima子檢測(cè)得到的蘋(píng)果邊緣圖像像素點(diǎn)。圖中虛假信息較多，有的為較小的閉合曲線）于蘋(píng)果輪廓曲線的像素，利克俊，2009）。如圖 2.3 所

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 黃滔滔;孫騰;張京平;;基于CT圖像的蘋(píng)果內(nèi)部品質(zhì)無(wú)損檢測(cè)[J];浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版);2013年01期

2 沈?qū)殗?guó);魏新華;尹建軍;;基于最小外接圓法的蘋(píng)果直徑檢測(cè)技術(shù)[J];農(nóng)機(jī)化研究;2011年12期

3 章文英,應(yīng)義斌;蘋(píng)果著色面積的計(jì)算機(jī)視覺(jué)研究[J];農(nóng)機(jī)化研究;2005年04期

4 鄭詠梅,張軍,陳星旦,申鉉國(guó),張鐵強(qiáng);基于逐步回歸法的近紅外光譜信息提取及模型的研究[J];光譜學(xué)與光譜分析;2004年06期

5 饒秀勤,應(yīng)義斌;基于機(jī)器視覺(jué)的水果尺寸檢測(cè)誤差分析[J];農(nóng)業(yè)工程學(xué)報(bào);2003年01期

本文編號(hào)：2752005