漿果品質(zhì)光學(xué)無損檢測技術(shù)的研究進展
相關(guān)鏈接： 中國安全網(wǎng) 中國質(zhì)量網(wǎng) 中國論文網(wǎng) 中國資訊網(wǎng)
田有文*，張巍，鄭鵬輝
沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院(沈陽110866)
摘要近年來，漿果以其營養(yǎng)豐富，口感好，色澤鮮艷等優(yōu)點，頗受人們的喜愛。但是漿果體積小，顏色深，為其識別分揀及分級帶來嚴重的不便。傳統(tǒng)的漿果品質(zhì)檢測方法一般為破壞性的檢測，且工程量大，不利于生產(chǎn)線實時檢測。目前，許多國內(nèi)外學(xué)者致力于研究漿果品質(zhì)的無損檢測，利用了計算機視覺技術(shù)、光譜技術(shù)及高光譜成像技術(shù)等對漿果品質(zhì)進行無損檢測的研究，并且取得了一定的研究成果。綜合總結(jié)了國內(nèi)外關(guān)于漿果品質(zhì)無損檢測方面
的研究成果，并分析其優(yōu)缺點，給出總結(jié)與展望。
關(guān)鍵詞光學(xué)；漿果；無損檢測：品質(zhì)
漿果是指由子房或聯(lián)合其他花器發(fā)育成的柔軟多汁的肉質(zhì)果。由于漿果含有豐富的營養(yǎng)物質(zhì)如維生素、氨基酸、礦物質(zhì)、多酚類物質(zhì)，并且其果實顏色鮮艷，果肉鮮嫩多汁、特殊果香，已經(jīng)成為現(xiàn)在市場廣受消費者喜愛的水果之一。漿果主要包括葡萄、獼猴桃、藍莓、樹莓、草莓、黑加侖、蔓越橘和軟棗獼猴桃等。
近年來，我國漿果種植面積不斷擴大，品種也逐漸增多，已成為世界漿果的重要生產(chǎn)國。同時，隨著農(nóng)業(yè)科技的發(fā)展和人民生活水平的提高，人們對漿果的品質(zhì)也有了更高的要求。為了提高漿果的加工質(zhì)量和出品等級，需要對漿果品質(zhì)進行檢測。漿果的品質(zhì)檢測主要包括內(nèi)部品質(zhì)的檢測和外部品質(zhì)的檢測，內(nèi)部品質(zhì)主要包括硬度、糖度、酸度和可溶性固形物等，外部品質(zhì)主要有顏色、缺陷、損傷和病斑等。市場上銷售的漿果大多數(shù)依靠機械配合人工的方式實現(xiàn)分級。由于漿果果實較小，顏色深，果皮較軟，有些缺陷肉眼難以辨別，因此給人工分級帶來一定的困難，使得漿果分選與分級難以實現(xiàn)快速、準確和無損化。
目前，已經(jīng)有許多國內(nèi)外學(xué)者利用包括計算機視覺技術(shù)、光譜技術(shù)、高光譜成像技術(shù)在內(nèi)的光學(xué)無損檢測技術(shù)對漿果的品質(zhì)進行無損化檢測，并且已經(jīng)取得了一定的研究成果。因此總結(jié)了國內(nèi)外在漿果光學(xué)無損檢測方面的研究成果，并對各無損檢測技術(shù)進行分析。
1 計算機視覺技術(shù)在漿果品質(zhì)無損檢測的應(yīng)用
計算機視覺技術(shù)是通過圖像傳感器獲取所需對象的圖像，將圖像轉(zhuǎn)化為相應(yīng)的數(shù)據(jù)，利用計算機進行分析，從而得到與視覺相關(guān)任務(wù)的技術(shù)。計算機視覺技術(shù)是多學(xué)科交叉與綜合的一門技術(shù)，它包括計算機科學(xué)、光學(xué)、應(yīng)用數(shù)學(xué)、生物仿生學(xué)、物理學(xué)和信號處理等。計算機視覺系統(tǒng)的組成一般有CCD攝像機、計算機、圖像采集卡等。計算機視覺技術(shù)當今世界一門新興學(xué)科，在農(nóng)業(yè)中的應(yīng)用，目前國內(nèi)外研究比較多的是農(nóng)產(chǎn)品的品質(zhì)檢測。
漿果的果皮顏色、損傷和缺陷等都是評定漿果外觀、成熟期、采摘期和出口品質(zhì)的重要因素，國內(nèi)外利用計算機視覺技術(shù)在這些方面都做了深入的研究。
1.1對藍莓的檢測
Gabriel A．Leiva-Valenzuela等利用圖像分析技術(shù) 自動識別藍莓的果梗、花萼以及損傷果。作者利用支持向量機( SVM)和線性分析判別來判別藍莓的果梗、花萼識別率達96.8%，真菌腐爛果、枯萎果和機械損傷果識別率分別為97%，93.3%和86%以上。研究表明，這種方法在實際的生產(chǎn)線中對提高藍莓的出口品質(zhì)有有很大的發(fā)展前景。
Silvia Matiacevich等通過計算機視覺技術(shù)獲得五個品種的藍莓圖像并分析得到藍莓的顏色、表面蠟質(zhì)層、脫水跡象及微生物生長四個質(zhì)量指標。試驗成功地檢測出不同品種藍莓的四個質(zhì)量指標不同的結(jié)果。
李志鵬等通過圖像采集設(shè)備得到藍莓樹冠圖像并分析得到單株藍莓輪廓及成熟藍莓果實所占比例，確定了先識別藍莓植株、再定位熟果的識別策略；利用顏色和邊緣信息識別、分割藍莓植株和藍莓熟果，得到藍莓植株相對尺寸和熟果的相對面積，并建立藍莓采摘中心的算法模型。該方法可為選擇采摘機采摘參數(shù)提供依據(jù)。
1.2對葡萄的檢測
Alex Zuniga等采用圖像技術(shù)和神經(jīng)網(wǎng)絡(luò)對葡萄的成熟度進行了估計。提出的研究方法利用模式識別方法分析圖像和通過監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)辨別未熟果、成熟果和過熟果。該方法提供了葡萄成熟度的客觀信息，有利于決定葡萄的采摘期。
Francisco J．Rodriguez-Pulido等利用圖像分析葡萄果實進行了成熟期的估計。試驗中利用數(shù)字圖像分析描述了葡萄籽和葡萄果實的完整特性；圖像分析確定了葡萄的尺寸和葡萄著色期，從而確定葡萄的成熟期。
田銳等對自然條件下的葡萄進行自動識別。在RGB顏色空間內(nèi)計算葡萄顏色樣本值，根據(jù)其值進行圖像分割，利用分割的結(jié)果進行特征提取。試驗表明，利用圖像處理技術(shù)能夠很好的在自然條件下實現(xiàn)對葡萄的識別，紫色、紅色葡萄的準確率達到90%，為實現(xiàn)葡萄的自動采摘提供很好的理論依據(jù)。
陳英等為實現(xiàn)葡萄外觀品質(zhì)分級，設(shè)計了一套基于計算機視覺的葡萄檢測分級系統(tǒng)，利用RGB色彩空間計算采葡萄果面著色率，然后采用投影面積法和果軸方向投影曲線計算果穗大小和形狀參數(shù)，從而進行外觀品質(zhì)分級。試驗與人工分級進行對比，顏色和大小形狀分級的準確率分別為90%和88.3%，試驗表明，這一套自動檢測系統(tǒng)為在線生產(chǎn)中，自動分級代替人工分級奠定了理論基礎(chǔ)。
1.3對番茄的檢測
王樹文等為提高番茄損傷檢測與分類的準確率和效率，運用計算機視覺技術(shù)、BP算法和人工神經(jīng)網(wǎng)絡(luò)技術(shù)，實現(xiàn)番茄損傷的自動檢測與分類，試驗證明番茄損傷檢測和分類的準確率都不低于90%。
趙杰文等研究了一種基于HIS顏色特征的田間成熟番茄識別技術(shù)，將計算機視覺系統(tǒng)獲取的番茄RGB圖像轉(zhuǎn)換成HIS圖像，找出成熟番茄、未成熟番茄和葉子（枝干）灰度分布差別，分割出成熟番茄區(qū)域，該方法對田間成熟番茄之間相互分離的情況有很好的識別效果。
何微等應(yīng)用計算機視覺技術(shù)對番茄果實質(zhì)量進行自動識別，提取番茄圖像投影面積，輪廓周長，最大內(nèi)接圓直徑和最小外接圓直徑外部特征參數(shù)，采用多元線性建立質(zhì)量預(yù)測模型。預(yù)測果實質(zhì)量與實際果實質(zhì)量的絕對誤差均值為3.260 g，相對誤差均值為
1.535%。
1.4對獼猴桃的檢測
周逸騰等對獼猴桃損傷和疤痕缺陷進行檢測，利用閾值分割法將獼猴桃圖像與背景分離，選用Y c b Cr顏色模型對獼猴桃損傷果檢測，準確地檢測出損傷部位。選用HSV顏色空間對獼猴桃疤痕檢測，可準確地檢測出疤痕部位。試驗檢測綜合準確率達88%，該研究為獼猴桃缺陷無損檢測提供了一種新的方法。
1.5對草莓的檢測
X u Liming等利用圖像處理技術(shù)對草莓進行自動分級，根據(jù)草莓的形狀、尺寸、顏色等特征建立了草莓自動化分級系統(tǒng)。這個系統(tǒng)能夠有效地通過在草莓圖像上畫線并用K均值聚類法獲得草莓的形狀特征；通過主色法a通道獲得草莓顏色特征；通過計算草莓的最大果徑獲得其尺寸特征。研究結(jié)果表明，草莓顏色分級精度是88.8%，形狀分類精度是90%以上，分級一個草莓所用的平均時間不超過3s。
通過分析國內(nèi)外利用計算機視覺技術(shù)在漿果品質(zhì)無損檢測方面的研究成果，可以看出，在漿果的顏色、尺寸、損傷、缺陷等方面的外部品質(zhì)檢測中，取得了很好的研究成果，研究者們提出的檢測方法為實現(xiàn)在線生產(chǎn)中的檢測，提高漿果分級效率，提高漿果出口品質(zhì)提供了很好的理論和技術(shù)依據(jù)。
2近紅外光譜技術(shù)在漿果品質(zhì)無損檢測的應(yīng)用
近紅外光譜區(qū)域為780～2 526 nm，它是介于可見光與中紅外之間的電磁波。近紅外光譜分析技術(shù)是上世紀80年代后期迅速發(fā)展起來的一種無損檢測技術(shù)，與傳統(tǒng)的檢測技術(shù)相比，近紅外技術(shù)具有成本低，不破壞被檢測物，分析速度快的優(yōu)點。它是利用物質(zhì)對光的吸收、散射、透射、反射等特性來確定物質(zhì)成分含量的一種無損檢測技術(shù)。將其應(yīng)用于漿果內(nèi)部品質(zhì)檢測，檢測速度只需數(shù)秒，并且可以同時檢測多種成分。
與形狀、尺寸、顏色和缺陷等外部品質(zhì)參數(shù)一樣，漿果的糖度、酸度、可溶性固形物含量、花青素含量、維C含量等也是評定漿果品質(zhì)的重要指標，所以國內(nèi)外學(xué)者利用近紅外光譜技術(shù)對漿果的這些品質(zhì)進行了相關(guān)的研究。
2.1對藍莓的檢測
Takehiro Sugiyama等通過近紅外光譜和判別分析方法檢測冷凍藍莓中的可視異物（葉子和莖）。從藍莓表面近紅外光譜中選取異物的感興趣區(qū)域，根據(jù)吸收光譜判別分析的結(jié)果選取最佳波長為1 268和1 317 nm;判別分析用于感興趣的吸收光譜圖像來確定判別函數(shù)和二值圖像的閾值；將獲得的二值圖像閾值和判別函數(shù)應(yīng)用于1 268和1 317 nm的吸收光譜圖像的每一個像素，異物部分從藍莓的二值圖像中以黑色區(qū)域清晰的分割出來。
王珊珊等利用近紅外漫反射光譜技術(shù)檢測藍莓可溶性固形物含量，利用主成分分析和偏最小二乘法建立藍莓可溶性固形物預(yù)測模型。結(jié)果表明，所建模型的相關(guān)系數(shù)為0.915 18，試驗表明，該方法快速、準確、無損，能準確地預(yù)測藍莓中可溶性固形物含量。
2.2對葡萄的檢測
Bart Kemps等利用可見／近紅外光譜評價葡萄的品質(zhì)參數(shù)。試驗選取了成熟季節(jié)的4種葡萄品種（赤霞珠、梅鹿輒、席拉和佳美娜）進行檢測，利用最小二乘法建立預(yù)測模型。試驗結(jié)果表明，席拉在PH10和IPH32的花青素濃度可以預(yù)測，而其他品種的花青素濃度仍然保持不變，所以無法進行預(yù)測；對于所有品種，多酚類物質(zhì)濃度是無法預(yù)測的；對應(yīng)于紅色，在700 nm的光譜段，糖度和密度的預(yù)測結(jié)果最好。
呂剛等應(yīng)用光譜技術(shù)對處于生長期的四個葡萄品種的可溶性固形物含量進行現(xiàn)場測試。試驗分別采用偏最小二乘法回歸、潛變量人工神經(jīng)網(wǎng)絡(luò)和潛變量支持向量機三種方法建立了可溶性固形物含量預(yù)測模型，并進行比較，結(jié)果表明潛變量支持向量機模型的預(yù)測結(jié)果最佳，不僅預(yù)測精度高，且品種泛化能力強，適合用于果園葡萄活體可溶性固形物含量無損檢測。
2.3對獼猴桃的檢測
蔡建榮等利用了近紅外光譜技術(shù)快速無損檢測了獼猴桃的糖度。利用小波濾噪對獼猴桃的近紅外光譜進行預(yù)處理，利用聯(lián)合區(qū)間偏最小二乘法建立糖度模型。研究表明，采用小波濾噪和聯(lián)合區(qū)間偏最小二乘法建立的糖度預(yù)測模型，即減少了建模運算時間，也剔除了噪聲過大的光譜區(qū)，提高了預(yù)測能力和精度。
2.4對番茄的檢測
Panmanas Sirisomboon等通過近紅外光譜檢測番茄成熟度和質(zhì)構(gòu)特性，試驗分別利用獨立主成分分析和相似分類法判別番茄不同的成熟度（成熟綠色、粉色和紅色），采用偏最小二乘回歸檢測番茄質(zhì)構(gòu)特性．番茄的醇不溶性物質(zhì)和可溶性固形物含量。對綠色番茄的分辨率為96.85%，對粉色和紅色番茄的分辨率為100%，偏最小二乘回歸模型不能精確地檢測出
新鮮番茄中醇不溶性物質(zhì)的含量，但可以很好的預(yù)測可溶性固形物含量，且預(yù)測相關(guān)系數(shù)為0.8。該研究方法為番茄加工產(chǎn)業(yè)及研究中心提供了有用信息。
馬蘭等探索適合近紅外光譜無損檢測番茄可溶性固形物含量的光譜預(yù)處理方法，比較了平均光譜和10種光譜預(yù)處理方法對偏最小二乘法建模效果的影響，常數(shù)偏移消除預(yù)處理后的光譜最佳，所建偏最小二乘法校正模型的預(yù)測值和實測值的相關(guān)系數(shù)為0.954。隨后，馬蘭等根據(jù)平均光譜和偏最小二乘法建立番茄總糖含量的定量分析模型，預(yù)測值和實測值的相關(guān)系數(shù)（R）為0.917。試驗表明，近紅外光譜分析技術(shù)可實現(xiàn)對番茄總糖含量的非破壞性檢測。
黃康等將最小二乘支持向量機回歸方法用于番茄汁的近紅外光譜分析，預(yù)測番茄汁品質(zhì)糖度和有效酸度，預(yù)測結(jié)果糖度的相關(guān)系數(shù)為0.990 25，有效酸度的相關(guān)系數(shù)為0.967 5。試驗表明，最小二乘支持向量機回歸方法是一種快速、準確的近紅外光譜分析方法。
2.5對草莓的檢測
閆潤以草莓為研究對象，利用近紅外光譜技術(shù)對草莓的品質(zhì)參數(shù)SSC和TA、成熟度、不同品種草莓鑒別進行了無損檢測。確定了SVR模型對SSC和TA含量，SSC相關(guān)系數(shù)為0.958 23和TA相關(guān)系數(shù)為0.947 32的預(yù)測最優(yōu)；建立了成熟度的SVC預(yù)測模型，校正集的識別率達100%，預(yù)測集的識別率達93.33%; PLS-ANN模型用于不同草莓品種的鑒別，其識別率達96.67%。
牛曉穎等利用近紅外光譜對草莓的內(nèi)部品質(zhì)固酸比和可滴定酸進行了無損檢測，試驗采用偏最小二乘法提取其潛在變量作為最小二乘支持向量機模型的輸入，建立兩指標的近紅外定量模型，并且與偏最小二乘模型進行比較。結(jié)果表明，最小二乘支持向量機模型比偏最小二乘模型的預(yù)測效果好。此模型的輸入變量可在較大程度上改善草莓可滴定酸和固酸比指標近紅外定量模型的預(yù)測性能和穩(wěn)定性。
2.6對黑加侖的檢測
金長江等用近紅外光譜測定黑加侖中總酸、維生素C、總糖和花青素含量。試驗用多元線性回歸建立預(yù)測總酸、維生素C和總糖含量的數(shù)學(xué)模型；用主成回歸分析建立預(yù)測花青素含量的數(shù)學(xué)模型。試驗結(jié)果表明，利用該方法對同時定量分析黑加侖多組分含量是可行的，可以在實踐中應(yīng)用和推廣。
近紅外光譜技術(shù)在漿果的花青素濃度、可溶性固形物含量、糖度、酸度等內(nèi)部品質(zhì)方面的無損檢測研究中都取得了很好的研究成果，為在線檢測漿果內(nèi)部品質(zhì)，提高漿果分級精度及出口質(zhì)量提供了一種快速、無損、高效的技術(shù)及理論依據(jù)。
3高光譜成像技術(shù)在漿果品質(zhì)無損檢測的應(yīng)用
高光譜成像技術(shù)是融合了光譜技術(shù)和圖像技術(shù)的一門新技術(shù)，高光譜成像技術(shù)能夠同時獲得被檢測物的圖像信息和光譜信息，既可以對被檢測物的內(nèi)部成分進行檢測，又可以對其外部品質(zhì)進行檢測。高光譜圖像是一系列光波波長處的圖像，通常包含數(shù)十到數(shù)百個波段，光譜分辨率一般為1～10 nm。由于高光譜成像技術(shù)能對圖像中的每個像素提供一個光譜，其在被檢測物上獲得空間信息的同時又能獲得光譜信息，因而可獲得比多光譜更為廣泛的信息。
高光譜成像系統(tǒng)的硬件主要由光源、CCD攝像機、成像光譜儀、鏡頭、光纖、計算機及輸送裝置組成，圖1所示。由于高光譜成像技術(shù)包含了大量的圖像及光譜信息，因此近年來許多國內(nèi)外學(xué)者利用高光譜成像技術(shù)來檢測漿果的內(nèi)外部品質(zhì)檢測。
3.1對藍莓的檢測
Gabriel A．Leiva-Valenzuela等利用高光譜的反射和透射全光譜圖像及特征光譜圖像對藍莓的可溶性固形物和硬度進行了評估。利用高光譜儀對藍莓樣本的果蒂、花萼和赤道面三個方向采集其反射和透射圖像；分別采用偏最小二乘回歸法和間隔偏最小二乘法對藍莓的反射，透射以及它們相結(jié)合的全光譜及特征光譜圖像建立可溶性固形物和硬度的預(yù)測模型。試驗結(jié)果表明，果蒂面反射光譜預(yù)測模型的預(yù)測效果最好。利用高光譜圖像技術(shù)來預(yù)測藍莓內(nèi)部品質(zhì)是可行的。
Julio Nogales-Bueno等利用近紅外高光譜成像技術(shù)檢測紅色和白色品種葡萄的成熟度和果皮中總酚類化合物含量，建立了葡萄皮總酚濃度、糖度、可滴定酸和pH的多向偏最小二乘預(yù)測模型，成功地檢測出了兩個品種的葡萄的成熟度和果皮中的總酚類化合物含量。隨后，Julio Nogales-Bueno等坯利用近紅外高光 譜工具篩選紅葡萄皮中的可萃取多酚（總酚、花青素和黃烷醇），建立了多向偏最小二乘模型。兩個研究都提供了一種快速、廉價、合理的檢測完整葡萄品質(zhì)的方法。此外，還可以用于檢測葡萄成熟階段可萃取多酚的不均勻性。
Ce Yang等利用高光譜波段選擇方法檢測不同藍莓果實成熟期。利用相對熵的三個信息理論基礎(chǔ)對高光譜波段進行劃分。然后分別采用K鄰域，支持向量機，Ada Boost算法對劃分出來的波段建立預(yù)測模型。結(jié)果表明，通過波段選擇方法建立的預(yù)測模型的分類精度達到88%以上。因此，波段選擇方法對高光譜數(shù)據(jù)降維，建立一個檢測藍莓成熟期的多光譜圖像系統(tǒng)是非常有用的。
3.2對葡萄的檢測
吳迪等對葡萄果皮花色苷含量進行了無損檢測。采用連續(xù)投影算法結(jié)合多元線性回歸、偏最小二乘、BP神經(jīng)網(wǎng)絡(luò)建立模型，與全光譜變量偏最小二乘模型進行比較，得出連續(xù)投影結(jié)合偏最小二乘預(yù)測模型效果最佳，其預(yù)測相關(guān)系數(shù)和均方根誤差分別為0.900 0和0.550 6，研究表明，利用高光譜成像技術(shù)能夠有效檢測葡萄果皮中花色苷的含量。
吳彥紅等將高光譜成像技術(shù)和激光誘導(dǎo)熒光技術(shù)相結(jié)合采集誘導(dǎo)出的熒光散射圖像，利用多元線性回歸建立獼猴桃糖度模型來預(yù)測熒光高光譜圖像所包含的信息與獼猴桃糖度的相關(guān)性。研究表明，采用激光誘導(dǎo)熒光成像技術(shù)可以實現(xiàn)獼猴桃糖度的無損檢測，為實現(xiàn)獼猴桃內(nèi)部品質(zhì)的在線檢測提供技術(shù)依據(jù)。
3.3對獼猴桃的檢測
董金磊等利用高光譜成像技術(shù)檢測獼猴桃的可溶性固形物，采用連續(xù)投影算法結(jié)-BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，能有效地檢測獼猴桃可溶性固形物含量。該技術(shù)將使獼猴桃內(nèi)部品質(zhì)的工業(yè)化分級成為可能。
楊勇等采用激光誘導(dǎo)熒光高光譜成像技術(shù)對獼猴桃硬度進行無損檢測。提取感興趣區(qū)建立果實硬度的預(yù)測模型。獼猴桃硬度的相關(guān)系數(shù)為0.898。研究表明，高光譜成像技術(shù)預(yù)測獼猴桃的內(nèi)部品質(zhì)是可行的。
3.4對番茄的檢測
Byoung-Kwan Cho等提出了多光譜熒光成像技術(shù)來檢測櫻桃番茄缺陷，在藍綠光譜區(qū)域缺陷處的熒光強度明顯高于正常部分，利用方差分類分析和主成分分析選擇最佳波段。研究表明，多光譜熒光成像技術(shù)結(jié)合方差分類分析法檢測櫻桃番茄缺陷的準確率為99%以上，可用來實時多光譜系統(tǒng)來檢測番茄品質(zhì)。
張若宇等采用高光譜漫透射成像結(jié)合偏最小二乘檢測番茄可溶性固形物含量，試驗獲取果臍，三個圓周面及三個圓周面組合姿態(tài)的圖像，試驗發(fā)現(xiàn)采用 組合姿態(tài)圖像的檢測結(jié)果優(yōu)于單個姿態(tài)，采用組合姿態(tài)可以很好的檢測番茄可溶性固形物。
張令標等將稀釋農(nóng)藥1：20,1：100和1：500涂抹于番茄表面，利用可見／近紅外高光譜成像技術(shù)檢測番茄表面農(nóng)藥殘留。檢測結(jié)果表明高濃度1：20，1：100，農(nóng)藥點檢測率100%，低濃度1：500農(nóng)藥點檢測率0。試驗表明，高光譜成像技術(shù)對高濃度農(nóng)藥殘留具有較好的檢測結(jié)果。
3.5對草莓的檢測
Gamal El Masry等利用可見／近紅外高光譜對草莓內(nèi)部品質(zhì)（水分、可溶性固形物、酸度）進行無損檢測。利用偏最小二乘法建立預(yù)測模型，預(yù)測結(jié)果，水分、可溶性固形物和酸度的相關(guān)系數(shù)分別為0.9，0.8和0.87，利用偏最小二乘的β-系數(shù)選擇最佳波長，并建立多元線性回歸模型預(yù)測內(nèi)部品質(zhì)。預(yù)測結(jié)果：水分、可溶性固形物和酸度的相關(guān)系數(shù)分別為0.87，0.8和0.92，此外，為分類成熟階段的草莓，利用灰度共生矩陣對其進行紋理分析，利用00水平方向上的GLCM參數(shù)獲得更高的分類精度為89.61%。
從利用高光譜成像技術(shù)檢測漿果品質(zhì)的研究可知，高光譜成像技術(shù)不僅可以用于檢測漿果的內(nèi)部品質(zhì)，同時還可以檢測外部品質(zhì)，實現(xiàn)了漿果的內(nèi)外部品質(zhì)的同時檢測。國內(nèi)外研究成果為將來實現(xiàn)漿果內(nèi)外品質(zhì)同時在線無損檢測提供了很好的方法。
4結(jié)論與展望
隨著我國漿果的大量栽培及市場越來越大的需求，漿果品質(zhì)自動無損檢測越來越受到關(guān)注，許多研究學(xué)者將光學(xué)檢測技術(shù)應(yīng)用到漿果的品質(zhì)檢測中，致力于尋找一種快速、無損的檢測方法。國內(nèi)外利用計算機視覺技術(shù)來檢測漿果的品質(zhì)，并且取得了非常好的研究成果，隨著計算機視覺技術(shù)的提高和硬件成本的下降，此項技術(shù)在漿果的外部品質(zhì)檢測應(yīng)用方面也
越來越廣。但是計算機視覺技術(shù)不能實現(xiàn)漿果的內(nèi)部品質(zhì)。
而近紅外光譜技術(shù)則被研究者用來檢測漿果的內(nèi)部品質(zhì)，但是近紅外光譜技術(shù)對于漿果的外部品質(zhì)的檢測不如利用計算機視覺技術(shù)容易、可靠。近紅外光譜分析法只是對果品某個點進行品質(zhì)檢測，但其不能反應(yīng)整個果品的品質(zhì)，不具有代表性。所以光譜技術(shù)和圖像技術(shù)都不能全面的檢測漿果品質(zhì)。
而高光譜成像技術(shù)檢測漿果品質(zhì)結(jié)合二者的優(yōu)點，能夠同時檢測漿果內(nèi)外部品質(zhì)，高光譜成像技術(shù)具備獲取漿果整體空間光譜信息的優(yōu)勢，與近紅外獲取的小光斑光譜信息相比，能更加全面反映漿果的整體情況。高光譜成像技術(shù)不再是單一地采集漿果的反射圖像，它可以根據(jù)研究的需要，采集漿果的透射、散射、漫透射、漫反射等圖像，它還可以結(jié)合熒光誘導(dǎo)技術(shù)采集熒光誘導(dǎo)高光譜圖像，同時高光譜成像技術(shù)還可以選擇某一個或幾個最優(yōu)波段進行全面而深入的檢測，大大減少了圖像的冗余信息，提高了檢測精度和速度。
但是高光譜成像技術(shù)圖像信息量非常大，且冗余多，數(shù)據(jù)處理復(fù)雜，目前漿果的檢測主要在實驗室進行研究較多，要將其應(yīng)用到實際的在線生產(chǎn)中，還有待進一步的研究。且目前國內(nèi)外學(xué)者利用光學(xué)無損檢測研究的漿果品種和文獻較少，主要集中在葡萄、藍莓、獼猴桃、番茄和草莓的研究，而其它漿果品質(zhì)的研究少有見報道。
同時由于漿果有一定的特殊性，例如漿果顏色深且果皮軟，在采摘、運輸和儲存過程中會有一些輕微的損傷，損傷部位與正常部位顏色差別不大，這為檢測帶來很大的困難；例如獼猴桃表面斑點及未清理的茸毛對光譜采集，建模有影響；另外漿果果形小，外觀不規(guī)則，在對其圖像光譜分析時帶來一定的困難等，這些在以后的漿果品質(zhì)檢測中都是需要克服的難題。
隨著光學(xué)檢測技術(shù)及軟硬件的發(fā)展，光學(xué)無損檢測技術(shù)成為在漿果品質(zhì)無損檢測方面的必然趨勢，而其中高光譜成像技術(shù)具有相當?shù)膬?yōu)勢，對漿果內(nèi)外品質(zhì)無損檢測具有重大的研究意義。光學(xué)無損檢測技術(shù)在漿果品質(zhì)檢測應(yīng)用方面具有廣闊的應(yīng)用前景。
上一篇:基于LED光源的植物智能補光控制系統(tǒng)設(shè)計
下一篇:返回列表
