發(fā)布時(shí)間：2018-02-21 00:01

  本文關(guān)鍵詞： 鮮棗 近紅外光譜技術(shù) 高光譜成像技術(shù) 多傳感器融合技術(shù) 綜合品質(zhì) 在線檢測(cè)　出處：《山西農(nóng)業(yè)大學(xué)》2016年博士論文　論文類型：學(xué)位論文

【摘要】：鮮棗因具有香甜的口感和豐富的營(yíng)養(yǎng)物質(zhì),成為深受我國(guó)消費(fèi)者喜愛的本土水果。隨著我國(guó)鮮棗種植面積、產(chǎn)量和出口量的不斷增加,為保障鮮棗品質(zhì)、減少產(chǎn)后損失、提高鮮棗附加值,因此,基于無(wú)損檢測(cè)技術(shù)對(duì)鮮棗品質(zhì)進(jìn)行檢測(cè)研究具有十分重要的現(xiàn)實(shí)意義。本文以鮮棗為研究對(duì)象,采用可見/近紅外光譜技術(shù)、高光譜成像技術(shù)以及多傳感器信息融合技術(shù)對(duì)鮮棗的綜合品質(zhì)進(jìn)行快速無(wú)損檢測(cè),主要的研究?jī)?nèi)容有：(1)提出利用高光譜成像技術(shù)基于光譜信息、圖像紋理信息、圖像色彩信息以及融合信息對(duì)處于不同成熟階段的鮮棗進(jìn)行成熟度的判別。研究二維相關(guān)光譜技術(shù)(Two-dimensional correlation spectroscopy, TDCS)、相關(guān)系數(shù)算法(Regression coefficients, RC)、連續(xù)投影算法(Successive projuctions algorithm, SPA)以及正自適應(yīng)加權(quán)算法(Competitive adaptive reweighted sampling, CARS)的特征波長(zhǎng)提取技術(shù)、紋理特征值(對(duì)比度、相關(guān)性、能量值、同質(zhì)性、方差、均值和熵值)以及顏色特征值(RGB模型、HSV模型、YCbCr模型)的提取算法,并建立線性的偏最小二乘(Partial least squares, PLS)模型和非線性的偏最小二乘-支持向量機(jī)(Least square-support vector machines, LS-SVM)模型實(shí)現(xiàn)了對(duì)鮮棗成熟度的判別。結(jié)果表明：除利用特征波長(zhǎng)建模外,單一使用紋理值或顏色值所建模型的判別精度均較低。因此,提出利用多傳感器信息融合技術(shù)以實(shí)現(xiàn)對(duì)不同成熟階段鮮棗的光譜值、紋理值、顏色值的融合建模。經(jīng)過模型比較后,最終選定：運(yùn)用CARS算法提取得到的光譜特征值、剔除均值后的6項(xiàng)紋理指標(biāo)值Tm以及HSV顏色模型提取得到的顏色特征值進(jìn)行數(shù)據(jù)融合,所建立的LS-SVM模型取得最佳的模型判別精度,其預(yù)測(cè)集的判別正確率達(dá)到96.67%。(2)建立了鮮棗水分含量、可溶性固形物含量(Soluble solids content, SSC)、VC含量、蛋白質(zhì)含量和硬度值的可見／近紅外光譜預(yù)測(cè)模型,對(duì)這5項(xiàng)品質(zhì)指標(biāo)的模型預(yù)測(cè)性能進(jìn)行了系統(tǒng)全面的探究。對(duì)近紅外光譜數(shù)據(jù)進(jìn)行多種數(shù)據(jù)變換及光譜預(yù)處理,并分析了不同數(shù)據(jù)變換和光譜預(yù)處理對(duì)鮮棗品質(zhì)建模精度的影響。運(yùn)用多種特征波長(zhǎng)算法探析了鮮棗品質(zhì)指標(biāo)的最佳特征波長(zhǎng)提取方法,為后期在線建模裝置的研發(fā)提供了數(shù)據(jù)支持和理論支撐。(3)鑒于水分含量的差異對(duì)近紅外光譜具有極為重要的影響,建立了針對(duì)鮮棗各品質(zhì)指標(biāo)(SSC含量、VC含量、蛋白質(zhì)含量、硬度值)的水分補(bǔ)償預(yù)測(cè)模型。在提取各項(xiàng)品質(zhì)指標(biāo)特征波長(zhǎng)的基礎(chǔ)上,剔除其中表征水分含量的波譜信息,并與鮮棗水分含量值進(jìn)行數(shù)據(jù)融合,最后建立了各指標(biāo)的水分補(bǔ)償模型。結(jié)果表明,各品質(zhì)指標(biāo)在水分補(bǔ)償后其模型的預(yù)測(cè)精度均在一定程度上有所下降。由此可知,水分含量指標(biāo)與備品質(zhì)指標(biāo)之間存在有一定的相關(guān)性,故提出對(duì)各品質(zhì)指標(biāo)之間的相關(guān)性進(jìn)行顯著性分析。結(jié)果表明：水分含量在0.01的水平上分別與SSC含量、VC含量和蛋白質(zhì)含量之間均呈現(xiàn)出極顯著的相關(guān)性,與水分補(bǔ)償模型的建模精度相對(duì)應(yīng)。(4)基于5項(xiàng)品質(zhì)評(píng)價(jià)指標(biāo)建立了能同時(shí)表征鮮棗綜合品質(zhì)信息的內(nèi)部綜合品質(zhì)指標(biāo)。首先,對(duì)鮮棗的5項(xiàng)內(nèi)部品質(zhì)指標(biāo)進(jìn)行了因子分析后發(fā)現(xiàn),前2項(xiàng)主因子的累計(jì)貢獻(xiàn)率達(dá)到82.738%,能較好的反映原始基礎(chǔ)變量的主要信息,并比較分析了不同數(shù)值旋轉(zhuǎn)方式下所建模型的建模精度。最終選定未進(jìn)行數(shù)值旋轉(zhuǎn)的綜合品質(zhì)評(píng)價(jià)指標(biāo)值Ia為最優(yōu)內(nèi)部綜合品質(zhì)指標(biāo),并對(duì)該指標(biāo)下的特征波長(zhǎng)進(jìn)行了提取和分析。研究結(jié)果表明：運(yùn)用CARS-LS-SVM模型可以得到對(duì)鮮棗內(nèi)部綜合品質(zhì)的最佳預(yù)測(cè)精度,預(yù)測(cè)集相關(guān)系數(shù)(RP)和預(yù)測(cè)均方根誤差(R MSEP)分別為：0.9241和6.0635。(5)研究了高光譜成像技術(shù)對(duì)鮮棗內(nèi)外部綜合品質(zhì)進(jìn)行同步檢測(cè)的方法。選取鮮棗采摘前出現(xiàn)的各種自然損傷(包含有：縮果病、裂紋、蟲害、黑斑病、鳥啄傷)樣本為研究對(duì)象,從光譜層(特征波長(zhǎng))、圖像層(Sobel算子與區(qū)域生長(zhǎng)算法)分別構(gòu)建了鮮棗自然損傷(外部品質(zhì))的檢測(cè)模型。與此同時(shí),建立了基于特征波長(zhǎng)算法對(duì)鮮棗內(nèi)部綜合品質(zhì)(內(nèi)部品質(zhì))的預(yù)測(cè)分析模型。最后運(yùn)用信息融合技術(shù)對(duì)高光譜成像系統(tǒng)獲得的光譜信息和圖像紋理信息進(jìn)行數(shù)據(jù)融合,實(shí)現(xiàn)了同時(shí)對(duì)鮮棗自然損傷和內(nèi)部綜合品質(zhì)指標(biāo)值進(jìn)行檢測(cè)研究的目的,自然損傷(外部品質(zhì))的判別正確率為92.31%；內(nèi)部綜合品質(zhì)(內(nèi)部品質(zhì))的RP和RMSEP分別為0.9538和8.1879。(6)探析了在高光譜成像系統(tǒng)和近紅外光譜儀之間的光譜數(shù)據(jù)的遷移性變化。為了系統(tǒng)的研究和比較高光譜成像系統(tǒng)和近紅外光譜儀在測(cè)試性能以及光譜數(shù)據(jù)的遷移性,分別使用10ImSpector V10E高光譜成像系統(tǒng)和美國(guó)ASD (Analytical spectral device)公司的Field Spec 3型光譜儀采集實(shí)驗(yàn)樣本的光譜數(shù)據(jù),并從光譜曲線變化、特征波長(zhǎng)選值、模型精度比較三個(gè)方面比較對(duì)兩種儀器的測(cè)試性能和光譜數(shù)據(jù)的遷移性。結(jié)果表明：雖然運(yùn)用10ImSpector V10E高光譜成像系統(tǒng)采集到的光譜數(shù)據(jù)所建模型的預(yù)測(cè)性能低于F ield Spec 3型近紅外光譜儀,但模型的建模效果仍能較好的實(shí)現(xiàn)對(duì)自然損傷和完好混合樣本的內(nèi)部綜合品質(zhì)指標(biāo)的預(yù)測(cè),說明兩種儀器采集的光譜數(shù)據(jù)間具有較好的遷移性。當(dāng)只對(duì)樣本的內(nèi)部品質(zhì)進(jìn)行研究時(shí),選用Field Spec 3型光譜儀進(jìn)行光譜采集較為合理,因?yàn)樵摴庾V儀數(shù)據(jù)間隔小、波段覆蓋廣；如果需要對(duì)樣本的外部品質(zhì)或者內(nèi)外部綜合品質(zhì)進(jìn)行檢測(cè)研究時(shí),選用10ImSpector V10 E高光譜成像系統(tǒng)更為合理。(7)自主搭建了漫反射式在線檢測(cè)系統(tǒng),建立了鮮棗內(nèi)部綜合品質(zhì)指標(biāo)的在線檢測(cè)模型。為實(shí)現(xiàn)鮮棗內(nèi)部品質(zhì)的在線檢測(cè)研究,自主設(shè)計(jì)研發(fā)了關(guān)于鮮棗內(nèi)部綜合品質(zhì)的漫反射式在線檢測(cè)系統(tǒng)。該裝置的硬件系統(tǒng)包括機(jī)電控制單元、數(shù)據(jù)采集單元及數(shù)據(jù)處理單元,軟件系統(tǒng)主要為檢測(cè)軟件的設(shè)計(jì)。根據(jù)檢測(cè)實(shí)際需要,開發(fā)了漫反射光譜在線檢測(cè)軟件,在該軟件中集成了已經(jīng)得到證實(shí)的最優(yōu)校正模型,即CARS-LS-SVM模型。為驗(yàn)證檢測(cè)系統(tǒng)的穩(wěn)定性和可靠性,對(duì)該檢測(cè)系統(tǒng)進(jìn)行了相關(guān)的驗(yàn)證性實(shí)驗(yàn)。該項(xiàng)研究證實(shí),利用自主研發(fā)的在線檢測(cè)系統(tǒng)可以在線的實(shí)現(xiàn)對(duì)鮮棗內(nèi)部綜合品質(zhì)指標(biāo)的預(yù)測(cè)和檢驗(yàn),為鮮棗內(nèi)部綜合品質(zhì)無(wú)損檢測(cè)技術(shù)的提升以及裝備的研發(fā)提供了一定的理論依據(jù)和方法參考,對(duì)推動(dòng)近紅外光譜技術(shù)從靜態(tài)實(shí)驗(yàn)室研究型向生產(chǎn)實(shí)際實(shí)用型轉(zhuǎn)變具有積極的作用。
[Abstract]:In this paper , the quality of fresh jujube is determined by using the technique of visible / near infrared spectroscopy ( TDCS ) , correlation coefficient algorithm ( RC ) , continuous projection algorithm ( TDCS ) , correlation coefficient algorithm ( RC ) , continuous projection algorithm ( SPA ) and multi - sensor information fusion technology . This paper makes a systematic research on the model of fresh jujube by using multi - sensor information fusion technology . The results show that the prediction accuracy of each index is 96 . 67 % . The results show that the correlation between the content of water content , soluble solids content ( SSC ) , VC content , protein content and hardness value is analyzed . ( 4 ) Based on five quality evaluation indexes , the internal comprehensive quality index of fresh Chinese date ' s comprehensive quality information was established . The results showed that the best prediction accuracy , the prediction set correlation coefficient ( RP ) and the prediction mean square error ( R MSEP ) of the first two main factors were 0.9241 and 6.0635 . A diffuse reflection type on - line detection system for the internal quality of fresh jujube was developed by using 10ImSpector V10E high - spectrum imaging system and Field Spec - 3 spectrometer of American ASD .

【學(xué)位授予單位】：山西農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：S665.1
，

本文編號(hào)：1520412