基于高光譜圖像和機(jī)器視覺(jué)技術(shù)的大豆品質(zhì)檢測(cè)研究.pdf

1、在農(nóng)產(chǎn)品加工與流通過(guò)程中，品質(zhì)檢測(cè)與質(zhì)暈分級(jí)是其重要環(huán)節(jié)。農(nóng)產(chǎn)品品質(zhì)檢測(cè)技術(shù)水平的高低對(duì)農(nóng)產(chǎn)品質(zhì)量、市場(chǎng)競(jìng)爭(zhēng)力、勞動(dòng)強(qiáng)度都有著很大的影響。在眾多農(nóng)產(chǎn)品中，大豆在我國(guó)擁有特別的地位，它既是我國(guó)最主要的植物油來(lái)源，也是重要的植物蛋白來(lái)源，同時(shí)大豆也是我國(guó)進(jìn)口量最大的農(nóng)產(chǎn)品之一。目前，大豆品質(zhì)檢測(cè)大多還依賴人工肉眼觀測(cè)的水平和傳統(tǒng)的化學(xué)檢測(cè)手段。人工檢測(cè)客觀性、準(zhǔn)確性、快速性不足;化學(xué)檢測(cè)周期長(zhǎng)、破壞樣本、造成環(huán)境污染。本研究以黑龍江省生產(chǎn)的

2、大豆為研究對(duì)象，采用光譜信息和圖像信息相結(jié)合的方法，綜合利用高光譜成像、機(jī)器視覺(jué)、圖像處理、光譜分析、模式識(shí)別、化學(xué)計(jì)量學(xué)和大豆科學(xué)等諸多領(lǐng)域的知識(shí)，開展大豆外觀品質(zhì)和內(nèi)在品質(zhì)快速、無(wú)損檢測(cè)方法的研究，并在此基礎(chǔ)上建立大豆品質(zhì)快速檢測(cè)模型，開發(fā)大豆品質(zhì)檢測(cè)系統(tǒng)。本論文的主要研究?jī)?nèi)容如下:
　　(1)利用高光譜圖像技術(shù)對(duì)大豆異黃酮含量進(jìn)行了預(yù)測(cè)。大豆異黃酮具有許多重要的生理活性，應(yīng)用價(jià)值較高，具有極大的開發(fā)潛力。針對(duì)高光譜數(shù)據(jù)量大的

3、特點(diǎn)，采用主成分分析(PCA，Principal Component Analysis)方法對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理，采用支持矢量回歸(Support Vector Regression，SVR)、BP神神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial NeuralNetworks，BPANN)、偏最小二乘（Partial Leastsquare，PLS）、逐步多元線性回歸(SMLR)等方法建立大豆異黃酮含量預(yù)測(cè)模型，對(duì)

4、各種預(yù)測(cè)模型性能進(jìn)行比較，實(shí)現(xiàn)大豆異黃酮含量預(yù)測(cè)。
　　(2)利用高光譜圖像技術(shù)對(duì)大豆品種進(jìn)行分類和識(shí)別。采集大豆樣本1000～2500nm范圍的高光譜圖像數(shù)據(jù);通過(guò)主成分分析法，得到其主成分圖像，在特征波長(zhǎng)圖像中分別提取基于灰度共生矩陣的能量、熵、慣性矩和相關(guān)性4個(gè)紋理特征參數(shù);應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法建立大豆品種識(shí)別模型。利用所建模型對(duì)東農(nóng)4400、墾豆16、黑農(nóng)44、合豐40、合豐25等5個(gè)大豆品種進(jìn)行識(shí)別。
　　(3)綜

5、合利用大豆外觀圖像信息對(duì)標(biāo)準(zhǔn)大豆及異常大豆進(jìn)行識(shí)別。本實(shí)驗(yàn)對(duì)各種分割方法進(jìn)行比較。定義了大豆顏色特征、紋理特征與形態(tài)特征等39個(gè)特征參數(shù)。將特征參數(shù)數(shù)據(jù)標(biāo)準(zhǔn)化，用主成分分析法完成數(shù)據(jù)降維，降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜度，改善訓(xùn)練精度。采用粒子群優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，并建立了基于粒子群優(yōu)化的大豆病害神經(jīng)網(wǎng)絡(luò)識(shí)別模型。
　　(4)利用測(cè)得的大豆能量偏差、橢長(zhǎng)軸、橢短軸、偏心率、緊實(shí)度、圓形度、H均值、S均值、V均值、R均值、G均值、B

6、均值、L均值、a均值及b均值等15個(gè)外觀品質(zhì)參數(shù)與大豆異黃酮含量進(jìn)行相關(guān)性分析。
　　本研究的目的是探索基于高光譜圖像技術(shù)與機(jī)器視覺(jué)技術(shù)對(duì)大豆內(nèi)在品質(zhì)與外觀品質(zhì)進(jìn)行檢測(cè)的有效方法，為大豆綜合品質(zhì)檢測(cè)裝備的開發(fā)提供理論依據(jù)，為在線檢測(cè)大豆品質(zhì)奠定研究基礎(chǔ)，研究結(jié)論如下:
　　(1)針對(duì)大豆異黃酮含量檢測(cè)，實(shí)驗(yàn)結(jié)果表明，1516nm、1572nm、1691nm、1716nm和1760nm波長(zhǎng)可作為特征波長(zhǎng)。在對(duì)數(shù)據(jù)進(jìn)行主成分分析

7、(PCA)降維處理的基礎(chǔ)上建立支持矢量回歸分析(SVR)模型，其模型決定系數(shù)R2為0.9713，MSE僅為0.087。與其他多元回歸分析得到的結(jié)果相比較，主成分分析(PCA)結(jié)合支持矢量回歸分析(SVR)的建模方法更有效，明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)(BPANN)、偏最小二乘法(PLS)和逐步線性回歸(SMLR)法。
　　(2)針對(duì)大豆品種識(shí)別，應(yīng)BP神經(jīng)網(wǎng)絡(luò)建立的大豆品種識(shí)別模型，訓(xùn)練時(shí)平均判別率為96％，預(yù)測(cè)時(shí)平均判別率為92.5％，

8、表明高光譜圖像技術(shù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)大豆品種具有較好的分類和識(shí)別作用。
　　(3)將大豆形態(tài)特征和顏色特征相結(jié)合進(jìn)行外觀品質(zhì)檢測(cè)，使識(shí)別結(jié)果更具有客觀性和一致性，并且提高了識(shí)別精度。本文利用數(shù)字圖像處理技術(shù)對(duì)人豆籽粒的形態(tài)特征和顏色特征進(jìn)行提取，并對(duì)提取的參數(shù)進(jìn)行篩選、優(yōu)化，從而獲得量化的大豆籽粒形態(tài)特征和顏色特征，并在此基礎(chǔ)上實(shí)現(xiàn)了基于形態(tài)特征和顏色特征的大豆籽粒外觀品質(zhì)的檢測(cè)方法。
　　(4)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練屬于非線性的高

9、復(fù)雜度的優(yōu)化問(wèn)題，而粒子群優(yōu)化算法是一類新興的隨機(jī)全局優(yōu)化技術(shù)，是有著潛在競(jìng)爭(zhēng)力的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。PSO采取并行的全局搜索策略，克服了BP算法易墜入局部最優(yōu)的缺點(diǎn)。本文將基于粒子群優(yōu)化算法的人工神經(jīng)網(wǎng)絡(luò)引進(jìn)到大豆外觀品質(zhì)檢測(cè)中去，運(yùn)用尋優(yōu)能力更強(qiáng)的粒子群優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明利用基于粒子群優(yōu)化算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)對(duì)大豆外觀品質(zhì)進(jìn)行檢測(cè)，可以取得更快的收斂速度和更高的預(yù)測(cè)精度。
　　(5)經(jīng)過(guò)分析，異黃