基于光譜和多光譜成像技術(shù)的葡萄內(nèi)部品質(zhì)快速無(wú)損檢測(cè)和儀器研究.pdf

1、近年來(lái)，我國(guó)水果產(chǎn)業(yè)受到的外來(lái)挑戰(zhàn)越來(lái)越大，提高水果果品的品質(zhì)成了當(dāng)前的燃眉之急，這就對(duì)我國(guó)水果的分級(jí)處理能力提出了要求。但是我國(guó)目前的分級(jí)技術(shù)等產(chǎn)后處理技術(shù)十分落后，還有不少水果的分級(jí)處理工作仍需人工完成。傳統(tǒng)方法對(duì)水果內(nèi)部品質(zhì)檢測(cè)都需要對(duì)樣本作破壞性處理，費(fèi)時(shí)費(fèi)力。因此，亟需一種快速、無(wú)損、環(huán)保的檢測(cè)方法對(duì)水果的內(nèi)部品質(zhì)進(jìn)行測(cè)定。本文通過(guò)可見-近紅外光譜技術(shù)與多光譜圖像技術(shù)對(duì)葡萄可溶性固體含量(SSC)進(jìn)行了無(wú)損檢測(cè)建模和儀器化研究

2、，主要研究?jī)?nèi)容如下:
　　1.應(yīng)用可見-近紅外光譜分析技術(shù)對(duì)4個(gè)葡萄品種（比昂扣，紅地球，巨玫瑰、藤稔）的可溶性固體含量(SSC)進(jìn)行了測(cè)定。采用USB4000微型光譜儀對(duì)葡萄樣本采集了可見-近紅外光譜數(shù)據(jù)，應(yīng)用偏最小二乘法回歸(PLS)、反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)、最小二乘支持向量機(jī)(LS-SVM)模型以及基于粒子群優(yōu)化的支持向量機(jī)(PSO-SVM)等方法建立了葡萄SSC預(yù)測(cè)模型。預(yù)測(cè)結(jié)果顯示，PSO-SVM模型的預(yù)測(cè)

3、能力最強(qiáng)，對(duì)各個(gè)品種的預(yù)測(cè)決定系數(shù)R2p為0.87～0.95，預(yù)測(cè)誤差RMSEP為0.77～1.23°Brix。
　　2.應(yīng)用多光譜圖像技術(shù)對(duì)同樣4個(gè)葡萄品種的SSC進(jìn)行了建模研究。研究中采用多光譜攝像機(jī)對(duì)葡萄樣本采集了多光譜圖像數(shù)據(jù)，結(jié)合數(shù)字圖像處理技術(shù)，自動(dòng)分離出葡萄圖像，并對(duì)其進(jìn)行了HIS、CIE XYZ等多個(gè)顏色空間的轉(zhuǎn)換和植被指數(shù)的計(jì)算，共獲得葡萄果實(shí)13個(gè)光學(xué)特征參量，利用這些特征參量建立了單元線性回歸模型和多元回歸模

4、型(MLR、BP-ANN、LS-SVM和PSO-SVM。預(yù)測(cè)結(jié)果表明，多元回歸模型預(yù)測(cè)精度較高，其中PSO-SVM模型預(yù)測(cè)精度最高，對(duì)4個(gè)葡萄品種的預(yù)測(cè)決定系數(shù)R2p為0.82～0.93，預(yù)測(cè)誤差RMSEP為0.99～1.17°Brix。另外，對(duì)13個(gè)光學(xué)特征參量的組合優(yōu)化表明，用CIE XYZ，RGB顏色特征結(jié)合近紅外特征的預(yù)測(cè)精度更高。
　　3.提出了基于特征波長(zhǎng)發(fā)光二極管的葡萄SSC快速無(wú)損檢測(cè)儀的原理和實(shí)現(xiàn)方案。首先應(yīng)用連