菠菜富含大量矿物质、维生素等重要元素,是居民膳食中常见的绿叶蔬菜。菠菜采后极易失水萎蔫、皱缩衰老,失去新鲜状态,影响食用品质和商品价值。因此,为了保障居民食用蔬菜的营养安全性,同时提高蔬菜产品的市场竞争力,有必要对菠菜采后新鲜度的无损检测方法进行研究。本课题尝试将机器视觉和电子鼻技术应用于菠菜采后新鲜度变化的检测研究,利用菠菜在储藏期内的图像信息和气味信息,实现对菠菜采后品质的有效检测分析。研究的主要内容如下:1.基于机器视觉的菠菜新鲜度的检测研究1)适用于菠菜图像采集的机器视觉硬件系统的搭建,完成了对相机、镜头、光源及背景颜色等主要部件的选型,并对图像采集系统进行调试,保证图像采集系统的稳定性。2)基于图像信息的菠菜新鲜度等级判别模型的研究。将菠菜的叶片区域作为待提取的感兴趣区域。利用大津阈值法完成对整株菠菜的阈值分割,并将图像处理范围缩小至整株菠菜的后2/3区域,再通过形态学及区域差集运算实现对叶片区域的完整分割。对所得的叶片图像,提取(?)R_δ, G_δ, B_δ, H_δ, S_δ, V_δ, L_δ, a_δ, b_δ这18个颜色特征变量,分别建立判别菠菜新鲜度等级的K-近邻法模型和BP神经网络模型。其中,K-近邻法判别模型对训练集、测试集样本的正确判别率分别为92.71%和85.42%;BP神经网络判别模型对训练集、测试集样本的正确判别率分别为91.67%和85.42%。所建模型均实现了对储藏期内菠菜不同新鲜度等级的判别预测,且KNN模型的判别效果略优于BP神经网络模型。3)叶绿素定量预测模型的建立。提取所得叶片图像的颜色变量,运用线性回归过程中的“向后选择法”筛选出与叶绿素化学检测值的相关程度较高的变量,得到(?),g+b,b/g这6个颜色特征变量,将其用于菠菜叶绿素预测模型的建立。将偏最小二乘回归和BP神经网络用于建立定量预测模型。建模结果显示,偏最小二乘回归模型中预测集样本的均方根误差RMSEP为0.2315,相关系数R_p为0.7338;BP神经网络模型中预测集样本的均方根误差RMSEP为0.2147,相关系数R_p为0.7995。表明利用图像信息对菠菜叶绿素含量的预测是基本可行的,且BP神经网络模型的预测效果较优于偏最小二乘回归模型。2.基于电子鼻技术的菠菜新鲜度的检测研究1)电子鼻传感器阵列的优化。提取电子鼻传感器的稳定值作为特征变量,将因子载荷分析用于阵列优化。从具有相似载荷因子的传感器中选择一个作为该类传感器的代表。根据载荷分析图结果,最终将传感器9、3、8、11、1、4、10作为优化后的传感器阵列,用于进一步的检测分析。2)基于气味信息的菠菜新鲜度等级判别模型研究。将优化后传感器阵列的稳定值作为特征变量,分别建立用于判别菠菜新鲜度等级的支持向量机和BP神经网络模型。结果表明,SVM模型对训练集和测试集的正确识别率分别为84.38%和75.00%,BP神经网络模型的识别率分别为88.54%和81.25%,判别效果与SVM模型相比有所提高。说明利用电子鼻技术能够较好地实现对菠菜储藏期内新鲜度等级的判别预测。3)叶绿素定量预测模型的建立。仍用优化后传感器阵列的稳定值作为模型定量预测所使用的特征变量,基于电子鼻信息和BP神经网络建立叶绿素定量预测模型。结果显示,训练集均方根误差RMSEC为0.3119,相关系数R_c为0.7013;预测集均方根误差RMSEP为0.3023,相关系数R_p为0.6905。可以看出,虽然BP神经网络对叶绿素含量有一定的预测能力,但预测效果与机器视觉相比较差。3.基于机器视觉和电子鼻融合信息的菠菜新鲜度检测研究。将图像信息和气味信息相结合,以获取更全面的感官信息。提出将不同检测技术获得的特征值进行融合的方法,建立BP神经网络模型分别用于菠菜新鲜度的等级判别及叶绿素的定量预测。模型结果显示,基于融合信号的BP神经网络模型对训练集和预测集的新鲜度等级判别率分别提高至97.92%和93.75%;且模型对叶绿素含量的预测精度也有所提升,训练集均方误差为0.1759,相关系数为0.8888;预测集均方根误差为0.2121,相关系数为0.8736。研究表明,所提出的基于机器视觉和电子鼻技术对菠菜采后新鲜度的检测是可行的,同时数据融合方法有助于提高检测精度。