基于機(jī)器視覺和近紅外高光譜的冬棗檢測方法研究.pdf

1、冬棗，皮薄肉脆、甘甜可口、富含維生素C和礦物質(zhì)，深受大眾喜歡。目前，冬棗的分級主要有機(jī)械式選果機(jī)和人工兩種方式。機(jī)械式選果機(jī)能實現(xiàn)多個等級的大小分級，效率高，但是不能檢測病害果。人工分級效率低，且冬棗的小個頭增加了挑選難度，長時間工作容易疲勞。因此研究冬棗的智能檢測方法對實際生產(chǎn)具有重要意義。冬棗的分級需求主要包括以下幾個方面:按照GB/T22345-2008《鮮棗質(zhì)量等級》分成未熟、白熟、脆熟、完熟四個等級的冬棗不僅價格有差異，后期用

2、途也不相同。由于機(jī)械振動采摘摔落造成的輕微損傷和多種病害不僅會影響冬棗自身果品的品質(zhì)，甚至腐爛導(dǎo)致大量棗果變質(zhì)。本論文將冬棗的不同成熟度、輕微損傷和多種病害的識別作為研究內(nèi)容，為冬棗的自動化無損檢測提供理論依據(jù)，得到以下幾個結(jié)論:
　　(1)對于冬棗成熟度的檢測，分別提取未熟、白熟和脆熟冬棗圖像的RGB、HSB和L*a*b*顏色模型的9個顏色分量，通過單因素方差分析(one-way ANOVA)獲得顯著性差異的變量，為了進(jìn)一步縮小

3、變量的個數(shù)，通過費希爾最小顯著差異(Fisher' LeastSignificant Difference，F(xiàn)isher' LSD)檢驗得到區(qū)分顏色差異的最為顯著的兩個顏色分量H和a。然后建立貝葉斯(Bayes)線性分類函數(shù)，通過交叉驗證方法獲得提取像素的識別正確率為97.5％。根據(jù)果實的HSB模型的B分量經(jīng)過去噪平滑，大津算法(Otsu)自動求取閾值得到二值圖像，去除小面積雜質(zhì)運算，形態(tài)學(xué)運算填充內(nèi)部細(xì)小空洞，得到果實區(qū)域的提取圖像，

4、將上述Bayes線性判別函數(shù)模型對未熟、白熟、脆熟棗的果實提取圖像進(jìn)行遍歷得到識別圖像。分析不同成熟度面積所占果實區(qū)域比例的均值和均方差，得到不同成熟度的檢測標(biāo)準(zhǔn)為:脆熟面積占比達(dá)到30.0％為脆熟棗，白熟面積占比70.0％為白熟棗，未熟區(qū)域面積占比50.0％為未熟棗。最終未熟棗的識別正確率為95.4％，白熟棗的識別正確率為98.3％，脆熟棗的識別正確率為97.5％，綜合識別正確率97.0％。
　　(2)對于冬棗掉落的輕微損傷檢測

5、，普通彩色RGB圖像難以識別，采用900～1700nm范圍的近紅外高光譜對1.5 m、1m和0.5 m掉落的脆熟棗進(jìn)行成像，提取損傷棗和正常棗的感興趣區(qū)域，并繪制損傷棗和正常棗的平均光譜曲線，結(jié)果顯示損傷區(qū)域的光譜反射率低于正常表面。高光譜波段眾多而且含有大量冗余波段，采用連續(xù)投影法(Successive Projections Algorithm，SPA)、基于相關(guān)性波段選擇法(Correlation basedFeature Sel

6、ection，CFS)、Consistency波段選擇法提取不同數(shù)量的特征波段，得到三種選擇方法的一致波段為1363nm和1691nm，并對一致波段建立三種不同的分類判別模型k-近鄰(k-Nearest Neighbor，k-NN)、樸素貝葉斯(Naive Bayes，NB)、支持向量機(jī)(Support Vector Machine，SVM)，通過使用十折交叉驗證方法，得到三種分類器中NB分類效果最好:1.5 m分類正確率為82.5％，

7、1m分類正確率為83.8％，0.5 m的分類正確率為81.6％。不考慮掉落高度的差異，NB分類正確率為82.6％。最后通過高光譜信息融合得到冬棗損傷識別正確率為81.8％。1.5 m掉落的冬棗損傷面積比1 m和0.5 m掉落的大，說明了掉落高度對冬棗的損傷程度有一定影響。
　　(3)對于冬棗的多種病害分兩類進(jìn)行檢測。一類是輪紋病、炭疽病、日灼病、裂果病等黑斑類病害的檢測，由于病害部位存在明顯的黑色區(qū)域，通過色澤差異進(jìn)行檢測。另一類

8、是紋理特征差異明顯的縮果病的檢測。前者的檢測方法類似于上述成熟度的檢測。提取冬棗病害區(qū)域和正常表面的RGB、HSB、L*a*b木顏色模型的9個分量，通過方差顯著性分析得到顯著差異的分量，繼續(xù)通過Fisher' LSD檢驗縮小顏色變量的個數(shù)，得到RGB的R、HSB的S、L*a*b*的b*三個分量作為最能顯著區(qū)分病害和正常區(qū)域的顏色分量。然后建立Bayes線性判別函數(shù)，通過交叉驗證的方法得到像素的分類正確率為94.2％。通過圖像處理得到果實

9、區(qū)域提取圖像并利用Bayes線性判別函數(shù)得到檢測圖像，分析病害果和正常果病害識別面積所占果實區(qū)域的均值和均方差，得到區(qū)分正常果實和病害果的分類閾值為5.0％，最終的分類正確率為89.6％。對于后者，通過分析正常果和縮果病的灰度共生矩陣的基礎(chǔ)上得到相關(guān)性、能量、熵、慣性矩、逆差距5個紋理特征參數(shù)帶入SVM分類模型進(jìn)行判別，探索不同距離d和灰度級L對紋理特征參數(shù)的影響，結(jié)果發(fā)現(xiàn)當(dāng)距離d為1，灰度級L為32時，縮果病的檢測達(dá)到預(yù)期效果，分類正