基于可見(jiàn)光-近紅外光譜的稻米質(zhì)量快速無(wú)損檢測(cè)研究.pdf

1、隨著社會(huì)經(jīng)濟(jì)的發(fā)展和人民生活水平的提高,糧食供求的主要矛盾已經(jīng)從數(shù)量的不充足轉(zhuǎn)變?yōu)橘|(zhì)量的不理想。因此,建立稻米質(zhì)量快速無(wú)損檢測(cè)方法,無(wú)論是在育種,還是在食品加工和農(nóng)產(chǎn)品貿(mào)易中都有重要意義。本文以不確定性人工智能理論和化學(xué)計(jì)量學(xué)理論為基礎(chǔ),利用數(shù)字圖像處理技術(shù)、光譜分析技術(shù)、小波分析和模式識(shí)別技術(shù)研究影響稻米食用品質(zhì)的三種重要品質(zhì)堊白、直鏈淀粉含量和陳化的快速無(wú)損檢測(cè)方法。
　　 為了提高機(jī)器視覺(jué)對(duì)堊白的識(shí)別精度與適應(yīng)能力,在稻米

2、堊白品質(zhì)快速無(wú)損檢測(cè)方面,主要研究了以下內(nèi)容:
　　 (1)構(gòu)建了用于圖像采集的計(jì)算機(jī)視覺(jué)系統(tǒng)。分別在透射光與反射光環(huán)境下研究了光源、電壓、背景等因素對(duì)稻米圖像質(zhì)量的影響,從而確定了適合稻米圖像采集的最佳環(huán)境條件,即透射光條件下的最佳拍攝條件為:電壓水平為6.4V,光源為L(zhǎng)ED燈組,背景為淺藍(lán)色；反射光條件下的最佳拍攝條件為:電壓水平為6.0V,光源為L(zhǎng)ED燈組,背景為深藍(lán)色。
　　 (2)分析了透射光與反射光條件下采集

3、的稻米圖像的直方圖,研究了合適的圖像去噪方法與圖像分割算法。通過(guò)不同色彩空間下彩色直方圖與灰度直方圖分析發(fā)現(xiàn)反射光下采集的圖像的灰度分布適合稻米堊白區(qū)域的識(shí)別。設(shè)計(jì)了加權(quán)均值濾波模板,既消除了噪聲,又保護(hù)了胚乳區(qū)與堊白區(qū)的邊界。根據(jù)圖像分割算法.最大類間方差法的適用范圍確定了稻米圖像在進(jìn)行堊白識(shí)別時(shí)應(yīng)截取的矩形區(qū)域的大小。
　　 (3)研究了具有自適應(yīng)能力的堊白識(shí)別算法。該方法以不確定性人工智能理論與云模型為基礎(chǔ),把堊白與非堊白

4、定義為兩個(gè)定性概念,以一個(gè)不對(duì)稱云和一個(gè)對(duì)稱云來(lái)分別表達(dá)堊白與非堊白,以兩組數(shù)字特征分別描述堊白云與非堊白云。通過(guò)對(duì)比同一電壓下人工目測(cè)法、固定閾值法,云分類法的堊白大小檢測(cè)結(jié)果檢驗(yàn)云分類法的精確度,試驗(yàn)結(jié)果表明,云分類法比人工目測(cè)法的精確度高,云分類法與固定閾值法(即準(zhǔn)確值)的偏差的均值為0.97,人工目測(cè)法與固定閾值法(即準(zhǔn)確值)的偏差的均值為1.93；通過(guò)對(duì)比不同電壓下人工目測(cè)法、云分類法的堊白大小檢測(cè)結(jié)果檢驗(yàn)云分類法的適應(yīng)性,試

5、驗(yàn)結(jié)果表明,云分類法比人工目測(cè)法的適應(yīng)性好,用云分類法計(jì)算不同電壓下同一粒米的堊白大小的標(biāo)準(zhǔn)差均值為0.57,人工目測(cè)法為2.29。
　　 為了建立穩(wěn)定性好、預(yù)測(cè)精度高的稻米直鏈淀粉含量近紅外光譜定量分析模型,在稻米直鏈淀粉含量快速檢測(cè)方面,主要研究了以下內(nèi)容:
　　 (1)研究了光譜采集參數(shù)對(duì)稻米近紅外光譜響應(yīng)特性的影響。通過(guò)對(duì)同一直鏈淀粉含量的稻米在不同參數(shù)下采集的光譜的統(tǒng)計(jì)分析,確定最佳采集參數(shù)為:掃描次數(shù)為64,

6、分辨率為8cm-1,室內(nèi)溫度為15℃。
　　 (2)研究了稻米異常光譜剔除方法和光譜預(yù)處理方法。為了優(yōu)化校正集,提高模型的預(yù)測(cè)精度,用基于馬氏距離準(zhǔn)則和基于預(yù)測(cè)濃度殘差準(zhǔn)則相結(jié)合的方法剔除了18條因各種主客觀因素產(chǎn)生的異常光譜。為了消除由于基線的漂移與偏移、儀器的隨機(jī)噪聲、雜散光等對(duì)光譜產(chǎn)生干擾,提高光譜的信噪比,采用多種方法對(duì)稻米光譜進(jìn)行預(yù)處理,并比較了這些方法對(duì)建模結(jié)果的影響。通過(guò)模型評(píng)價(jià)指標(biāo)的比較,確定用原光譜經(jīng)一階導(dǎo)數(shù)與

7、SG卷積濾波相結(jié)合的方法進(jìn)行光譜預(yù)處理。
　　 (3)研究了定量分析方法對(duì)建模效果的影響。分別用逐步多元線性回歸、主成分回歸和偏最小二乘回歸三種定量分析方法對(duì)經(jīng)導(dǎo)數(shù)與SG卷積濾波處理后光譜建立校正模型。比較各項(xiàng)模型評(píng)價(jià)指標(biāo)發(fā)現(xiàn),偏最小二乘回歸(PLS)方法建立的校正模型穩(wěn)定性最好,預(yù)測(cè)值與標(biāo)準(zhǔn)值的相關(guān)系數(shù)最高,預(yù)測(cè)均方差最小。預(yù)測(cè)值與標(biāo)準(zhǔn)值相關(guān)系數(shù)為98.96％,校正均方差為0.62,預(yù)測(cè)均方差為1.19,交叉檢驗(yàn)均方差為1.5

8、8。
　　 為了建立陳化稻米近紅外光譜定性識(shí)別模型,本文主要研究了以下內(nèi)容:
　　 (1)研究了陳化米和非陳化米的近紅外光譜響應(yīng)特性,并利用主成分分析法結(jié)合馬氏距離研究了不同光譜預(yù)處理方法對(duì)聚類效果的影響,一方面確定了用稻米的近紅外光譜進(jìn)行定性識(shí)別的可行性；另一方面,綜合考慮類內(nèi)距離小,類間距離大的聚類原則,最終選擇不經(jīng)任何處理的原光譜參加建模。
　　 (2)研究了有效的光譜特征提取方法。用小波分析不僅能提取敏感

9、的光譜特征信息,而且能夠有效的降低高維空間數(shù)據(jù),與支持向量機(jī)結(jié)合而成的新方法是一種有效的識(shí)別方法。利用db6小波變換得到的77個(gè)小波系數(shù)作為支持向量機(jī)模型的輸入。當(dāng)分解尺度為5時(shí),數(shù)據(jù)點(diǎn)數(shù)由原來(lái)的2127個(gè)減少至77個(gè)。
　　 (3)研究了支持向量機(jī)的模型參數(shù)選擇。首先用沒(méi)有內(nèi)部參數(shù)的線性函數(shù)作為核函數(shù),改變懲罰因子C,以獲得最小的MSE為準(zhǔn)則,確定了最佳的誤差懲罰因子C的值為1000；然后以不同的核函數(shù)以及核函數(shù)的內(nèi)部參數(shù)建立