基于機(jī)器視覺和近紅外高光譜的冬棗檢測(cè)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(jí)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(shí)現(xiàn)多個(gè)等級(jí)的大小分級(jí)，效率高，但是不能檢測(cè)病害果。人工分級(jí)效率低，且冬棗的小個(gè)頭增加了挑選難度，長(zhǎng)時(shí)間工作容易疲勞。因此研究冬棗的智能檢測(cè)方法對(duì)實(shí)際生產(chǎn)具有重要意義。冬棗的分級(jí)需求主要包括以下幾個(gè)方面:按照GB/T22345-2008《鮮棗質(zhì)量等級(jí)》分成未熟、白熟、脆熟、完熟四個(gè)等級(jí)的冬棗不僅價(jià)格有差異，后期用

2、途也不相同。由于機(jī)械振動(dòng)采摘摔落造成的輕微損傷和多種病害不僅會(huì)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(shí)別作為研究?jī)?nèi)容，為冬棗的自動(dòng)化無損檢測(cè)提供理論依據(jù)，得到以下幾個(gè)結(jié)論:
　　(1)對(duì)于冬棗成熟度的檢測(cè)，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(gè)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(gè)數(shù)，通過費(fèi)希爾最小顯著差異(Fisher' LeastSignificant Difference，F(xiàn)isher' LSD)檢驗(yàn)得到區(qū)分顏色差異的最為顯著的兩個(gè)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(yàn)證方法獲得提取像素的識(shí)別正確率為97.5％。根據(jù)果實(shí)的HSB模型的B分量經(jīng)過去噪平滑，大津算法(Otsu)自動(dòng)求取閾值得到二值圖像，去除小面積雜質(zhì)運(yùn)算，形態(tài)學(xué)運(yùn)算填充內(nèi)部細(xì)小空洞，得到果實(shí)區(qū)域的提取圖像，

4、將上述Bayes線性判別函數(shù)模型對(duì)未熟、白熟、脆熟棗的果實(shí)提取圖像進(jìn)行遍歷得到識(shí)別圖像。分析不同成熟度面積所占果實(shí)區(qū)域比例的均值和均方差，得到不同成熟度的檢測(cè)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(shí)別正確率為95.4％，白熟棗的識(shí)別正確率為98.3％，脆熟棗的識(shí)別正確率為97.5％，綜合識(shí)別正確率97.0％。
　　(2)對(duì)于冬棗掉落的輕微損傷檢測(cè)

5、，普通彩色RGB圖像難以識(shí)別，采用900～1700nm范圍的近紅外高光譜對(duì)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(duì)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(yàn)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(shí)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(duì)冬棗的損傷程度有一定影響。
　　(3)對(duì)于冬棗的多種病害分兩類進(jìn)行檢測(cè)。一類是輪紋病、炭疽病、日灼病、裂果病等黑斑類病害的檢測(cè)，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(cè)。另一類

8、是紋理特征差異明顯的縮果病的檢測(cè)。前者的檢測(cè)方法類似于上述成熟度的檢測(cè)。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(gè)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(yàn)縮小顏色變量的個(gè)數(shù)，得到RGB的R、HSB的S、L*a*b*的b*三個(gè)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(yàn)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(shí)

9、區(qū)域提取圖像并利用Bayes線性判別函數(shù)得到檢測(cè)圖像，分析病害果和正常果病害識(shí)別面積所占果實(shí)區(qū)域的均值和均方差，得到區(qū)分正常果實(shí)和病害果的分類閾值為5.0％，最終的分類正確率為89.6％。對(duì)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(gè)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(jí)L對(duì)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(jí)L為32時(shí)，縮果病的檢測(cè)達(dá)到預(yù)期效果，分類正