版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、菠菜富含大量礦物質(zhì)、維生素等重要元素,是居民膳食中常見的綠葉蔬菜。菠菜采后極易失水萎蔫、皺縮衰老,失去新鮮狀態(tài),影響食用品質(zhì)和商品價值。因此,為了保障居民食用蔬菜的營養(yǎng)安全性,同時提高蔬菜產(chǎn)品的市場競爭力,有必要對菠菜采后新鮮度的無損檢測方法進行研究。本課題嘗試將機器視覺和電子鼻技術(shù)應用于菠菜采后新鮮度變化的檢測研究,利用菠菜在儲藏期內(nèi)的圖像信息和氣味信息,實現(xiàn)對菠菜采后品質(zhì)的有效檢測分析。
研究的主要內(nèi)容如下:
1
2、.基于機器視覺的菠菜新鮮度的檢測研究
1)適用于菠菜圖像采集的機器視覺硬件系統(tǒng)的搭建,完成了對相機、鏡頭、光源及背景顏色等主要部件的選型,并對圖像采集系統(tǒng)進行調(diào)試,保證圖像采集系統(tǒng)的穩(wěn)定性。
2)基于圖像信息的菠菜新鮮度等級判別模型的研究。將菠菜的葉片區(qū)域作為待提取的感興趣區(qū)域。利用大津閾值法完成對整株菠菜的閾值分割,并將圖像處理范圍縮小至整株菠菜的后2/3區(qū)域,再通過形態(tài)學及區(qū)域差集運算實現(xiàn)對葉片區(qū)域的完整分割。對
3、所得的葉片圖像,提取R,G,B,H,S,V,L,a,b,R?,G?,B?,H?,?S,V?,L?,a?,b?這18個顏色特征變量,分別建立判別菠菜新鮮度等級的K-近鄰法模型和 BP神經(jīng)網(wǎng)絡模型。其中,K-近鄰法判別模型對訓練集、測試集樣本的正確判別率分別為92.71%和85.42%;BP神經(jīng)網(wǎng)絡判別模型對訓練集、測試集樣本的正確判別率分別為91.67%和85.42%。所建模型均實現(xiàn)了對儲藏期內(nèi)菠菜不同新鮮度等級的判別預測,且KNN模型的
4、判別效果略優(yōu)于BP神經(jīng)網(wǎng)絡模型。
3)葉綠素定量預測模型的建立。提取所得葉片圖像的顏色變量,運用線性回歸過程中的“向后選擇法”篩選出與葉綠素化學檢測值的相關(guān)程度較高的變量,得到H, H*S, H/S, S/V, g?b,b/g這6個顏色特征變量,將其用于菠菜葉綠素預測模型的建立。將偏最小二乘回歸和BP神經(jīng)網(wǎng)絡用于建立定量預測模型。建模結(jié)果顯示,偏最小二乘回歸模型中預測集樣本的均方根誤差RMSEP為0.2315,相關(guān)系數(shù)Rp為0
5、.7338;BP神經(jīng)網(wǎng)絡模型中預測集樣本的均方根誤差RMSEP為0.2147,相關(guān)系數(shù)Rp為0.7995。表明利用圖像信息對菠菜葉綠素含量的預測是基本可行的,且BP神經(jīng)網(wǎng)絡模型的預測效果較優(yōu)于偏最小二乘回歸模型。
2.基于電子鼻技術(shù)的菠菜新鮮度的檢測研究
1)電子鼻傳感器陣列的優(yōu)化。提取電子鼻傳感器的穩(wěn)定值作為特征變量,將因子載荷分析用于陣列優(yōu)化。從具有相似載荷因子的傳感器中選擇一個作為該類傳感器的代表。根據(jù)載荷分析
6、圖結(jié)果,最終將傳感器9、3、8、11、1、4、10作為優(yōu)化后的傳感器陣列,用于進一步的檢測分析。
2)基于氣味信息的菠菜新鮮度等級判別模型研究。將優(yōu)化后傳感器陣列的穩(wěn)定值作為特征變量,分別建立用于判別菠菜新鮮度等級的支持向量機和 BP神經(jīng)網(wǎng)絡模型。結(jié)果表明, SVM模型對訓練集和測試集的正確識別率分別為84.38%和75.00%,BP神經(jīng)網(wǎng)絡模型的識別率分別為88.54%和81.25%,判別效果與SVM模型相比有所提高。說明利
7、用電子鼻技術(shù)能夠較好地實現(xiàn)對菠菜儲藏期內(nèi)新鮮度等級的判別預測。
3)葉綠素定量預測模型的建立。仍用優(yōu)化后傳感器陣列的穩(wěn)定值作為模型定量預測所使用的特征變量,基于電子鼻信息和BP神經(jīng)網(wǎng)絡建立葉綠素定量預測模型。結(jié)果顯示,訓練集均方根誤差RMSEC為0.3119,相關(guān)系數(shù)Rc為0.7013;預測集均方根誤差RMSEP為0.3023,相關(guān)系數(shù)Rp為0.6905??梢钥闯?,雖然BP神經(jīng)網(wǎng)絡對葉綠素含量有一定的預測能力,但預測效果與機器
8、視覺相比較差。
3.基于機器視覺和電子鼻融合信息的菠菜新鮮度檢測研究。將圖像信息和氣味信息相結(jié)合,以獲取更全面的感官信息。提出將不同檢測技術(shù)獲得的特征值進行融合的方法,建立BP神經(jīng)網(wǎng)絡模型分別用于菠菜新鮮度的等級判別及葉綠素的定量預測。模型結(jié)果顯示,基于融合信號的BP神經(jīng)網(wǎng)絡模型對訓練集和預測集的新鮮度等級判別率分別提高至97.92%和93.75%;且模型對葉綠素含量的預測精度也有所提升,訓練集均方誤差為0.1759,相關(guān)系數(shù)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于電子鼻的牛肉新鮮度檢測.pdf
- 基于電子鼻的魚粉新鮮度快速檢測方法研究.pdf
- 基于電子鼻的豬肉新鮮度檢測體系的研究.pdf
- 基于電子舌技術(shù)的魚新鮮度無損檢測方法研究.pdf
- 基于聲學和機器視覺技術(shù)的雞蛋裂紋和新鮮度檢測的研究.pdf
- 羊肉新鮮度無損檢測技術(shù)研究.pdf
- 基于電子鼻的魚肉新鮮度評價方法的研究.pdf
- 基于DSP圖像處理的雞蛋新鮮度實時無損檢測研究.pdf
- 電子鼻在蝦新鮮度判別中的應用.pdf
- 鴨蛋表面臟污及新鮮度無損檢測.pdf
- 基于復阻抗特性和電子鼻的淡水魚新鮮度快速檢測方法的研究.pdf
- 魚新鮮度的電子鼻在線檢測與評價技術(shù)研究.pdf
- 基于近紅外光譜和機器視覺技術(shù)的淡水魚新鮮度檢測方法研究.pdf
- 基于電子鼻技術(shù)評價脊尾白蝦新鮮度的研究.pdf
- 電子鼻氣味檢測初步結(jié)合視覺圖像分析技術(shù)及其在食品新鮮度識別中的應用.pdf
- 基于多源信息融合技術(shù)的豬肉新鮮度無損檢測方法研究.pdf
- 基于無線傳感器網(wǎng)絡和電子鼻的魚類新鮮度監(jiān)測系統(tǒng)研制.pdf
- 基于機器嗅覺的中華絨螯蟹新鮮度檢測技術(shù)研究.pdf
- 利用無損檢測和多傳感器數(shù)據(jù)融合技術(shù)快速檢測雞肉新鮮度.pdf
- 基于單一技術(shù)及多信息融合技術(shù)的豬肉新鮮度無損檢測研究.pdf
評論
0/150
提交評論