基于高光谱技术的鲜食水果玉米含水率无损检测

目的：实现对鲜食玉米含水率的快速、准确预测。方法：采用高光谱技术对鲜食水果玉米进行光谱数据采集,比较了变量标准化算法（SNV）、附加散射校正算法（MSC）、卷积平滑（SG）、移动平均法（MA）等数据预处理方法对模型精度的影响,选取MSC进行预处理。基于MSC预处理数据选用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）以及随机蛙跳法（RF）分别提取含水率的特征波长并建模分析。结果：MSC-CARS-PLS模型的含水率预测效果最好,预测集的决定系数（R²_p）达到0.825 0,预测均方根误差（RMSEP）为0.006 0。结论：利用高光谱技术可实现对鲜食水果玉米含水率的快速无损检测。     

基于高光谱的茄子外部缺陷检测

利用高光谱(900～1700nm)对完好、木栓化和烂果茄子进行识别研究。共采摘了252个茄子样本,包含完好茄子170个,木栓化茄子60个和烂果茄子22个,利用高光谱成像系统采集完好、木栓化和烂果3种区域一共252个样本的高光谱图像,然后提取合理的感兴趣区域(ROI)获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法(SPA)、回归系数法(RC)和竞争性自适应重加权算法(CARS)提取特征波长,并分别建立偏最小二乘(PLS)和多元线性回归(MLR)判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc2为0.94,预测集决定系数Rp2为0.90,RMSEC和RMSEP分别为0.19和0.21,预测集判别准确率达到96.82%。本研究采用高光谱可以对完好、木栓化和烂果茄子进行有效鉴别,为茄子的缺陷无损检测提供了理论参考。     

基于机器视觉的辣椒外部品质检测

为实现正常辣椒和缺陷辣椒(黑斑、虫蚀和花皮)的快速检测,通过图像采集,利用中值滤波去噪;提取样本图像24个颜色特征值,20个纹理特征值,利用Otsu算法阈值分割,提取2个形态特征值;选用连续投影法(Successive Projections Algorithm,SPA)优选14个特征值,结合最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)方法进行建模,SPA-LS-SVM模型检测结果为98.67%,模型最优。