论文部分内容阅读
枣营养丰富,是新疆重要经济作物。鲜枣的分选有利于后续加工前剔除级别低的残次品,节省能量消耗减少成本。因此,本文以新疆阿克苏地区鲜骏枣为研究对象,使用近红外光谱技术、机器视觉技术、信息融合技术,开展了其重量等级分选、总糖预测、裂纹果分拣与鲜骏枣综合等级分选建模研究。主要结论如下:(1)重量等级分选。鲜骏枣图像经自动裁剪、中值滤波预处理、大津算法阈值分割处理后获得鲜骏枣二值图像,掩模原始灰度图像后,获得骏枣目标区域尺寸、纹理和颜色特征信息。采用面积、长轴、短轴、周长四个特征建立多元线性回归预测模型,其相关系数为0.9920,预测集相对误差为0.0259;使用线性判别分析法对鲜骏枣大小等级分选,总判别分选准确率为95.45%。(2)裂纹果识别。由于裂纹低的频率特性,采用小波变换分别获得不同频度的分解后图像,提取分解后高频或低频图像等子图像的灰度共生矩阵的熵、相关性、对比度、能量、平稳度特征,以支持向量机分选裂纹果,分级正确率能够达到89.92%,高于原鲜骏枣图像灰度共生矩阵特征建立的77.28%的裂纹果识别率。(3)基于近红外光谱信息的鲜骏枣糖度预测分析。通过马氏距离和浓度残差法分别剔除近红外光谱异常值和鲜骏枣总糖化学异常值;对比导数、移动窗口平滑、移动窗口平滑+数据中心化等不同光谱预处理方法,确定移动窗口平滑是较好的预处理方法;对比相关系数法、遗传算法、区间偏最小二乘法和后向区间偏最小二乘法对鲜骏枣的近红外光谱特征波长筛选,并建立其总糖预测模型。结果表明:当采用移动窗口平滑+遗传算法+偏最小二乘法建立的鲜骏枣糖度预测模型高于其他模型的结果,预测相关系数为0.8336,预测均方根误差1.89。(4)基于图像和光谱融合信息的鲜骏枣综合品质分选。在特征层融合鲜骏枣近红外光谱和图像信息,使用主成分分析法提取不同预处理光谱特征和图像特征,使用支持向量机、BP神经网络等信息融合方式建立阿克苏鲜骏枣综合品质等级识别模型。结果表明:将平滑求导预处理后的9个近红外光谱主成分和图像特征的3个主成分融合后,建立基于支持向量机的鲜骏枣综合品质分选模型,预测集识别率为96.92%;高于BP神经网络融合方式建立的鲜骏枣综合品质分选预测集识别率94.46%;高于近红外光谱单传感器的识别率87.69%;高于机器视觉单传感器的识别率83.09%。