發(fā)布時間：2018-11-03 21:07

【摘要】：隨著高光譜圖像技術(shù)不斷發(fā)展,越來越多的國內(nèi)外學者開始關(guān)注其在農(nóng)產(chǎn)品無損檢測中的應用。高光譜圖像技術(shù)結(jié)合了光譜技術(shù)和圖像技術(shù)的優(yōu)點,既可以利用光譜技術(shù)對農(nóng)產(chǎn)品內(nèi)部品質(zhì)進行檢測,又可以利用圖像技術(shù)對外部品質(zhì)進行檢測。全世界一半以上人口以大米為主食,隨著生活水平的提高,消費者對大米品質(zhì)的關(guān)注也越來越高。傳統(tǒng)的大米品質(zhì)檢測手段主要是依靠人為的感官判斷,精度低,效率差,而高光譜技術(shù)可以實現(xiàn)對大米品質(zhì)的快速、無損、精確檢測。本文以大米作為研究對象,利用高光譜圖像技術(shù)對大米品種、水分及淀粉含量進行無損檢測研究,并提出了基于高光譜圖像技術(shù)的大米品種鑒別、水分含量、淀粉含量快速檢測方法。主要研究內(nèi)容如下:(1)本文首先利用高光譜圖像技術(shù)對四種不同產(chǎn)地的大米進行品種鑒別。利用高光譜成像系統(tǒng)獲取大米樣本高光譜圖像,使用ENVI軟件確定大米的感興趣區(qū)域,并提取出光譜數(shù)據(jù),使用MATLAB V7.8軟件提取大米的紋理特征和形態(tài)特征。然后利用主成分分析法(PCA)對光譜、紋理、形態(tài)進行特征波長的選擇,得到九個特征波長(499.8,543.6,606.8,669.3,706.6,722.1,815.7,877.6,950.6nm)。分別建立基于全波長和特征波長的七個SVM模型:光譜特征模型、形態(tài)特征模型、紋理特征模型、光譜與形態(tài)結(jié)合特征模型、光譜與紋理結(jié)合特征模型、形態(tài)與紋理結(jié)合特征模型、光譜,紋理形態(tài)結(jié)合特征模型。比較兩類模型,得到最優(yōu)模型是基于特征波長的光譜、形態(tài)、紋理特征組合模型,精度達到91.67%。由此可以說明,利用高光譜圖像技術(shù)檢測大米品種的方法是可行的。(2)本文其次利用高光譜圖像技術(shù)定量檢測大米的水分含量。首先利用高光譜成像系統(tǒng)獲取780-1800nm范圍內(nèi)的大米樣本高光譜圖像,利用ENVI軟件確定大米樣本感興趣區(qū)域,并提取出光譜數(shù)據(jù)。在提取完光譜數(shù)據(jù)后,根據(jù)《GB5497-85糧食、油料檢驗水分測定法》中105℃恒重法檢測大米樣本中的水分含量作為大米樣品的原始水分含量(CMW0=13.5%)。利用主成分分析法(PCA)和連續(xù)投影算法(SPA)對光譜數(shù)據(jù)進行特征提取,然后利用SVR、LS-SVR以及BCC-LS-SVR算法建立基于全波長光譜和特征波長光譜檢測模型。對比模型可知,基于徑向基函數(shù)的BCC-LS-SVR模型的精度最高,Rp2為0.989,RMSEP為0.767%,Rc2為0.985,RMSEC為0.591%。(3)本文最后利用高光譜圖像技術(shù)對大米的淀粉含量進行檢測。首先利用高光譜成像系統(tǒng)得到780-1800nm的大米樣本的高光譜圖像,利用ENVI軟件確定大米的感興趣區(qū)域,并提取出光譜數(shù)據(jù)。根據(jù)國標《GB/T 5009.9-2008食品中淀粉的測定》的酸水解法作為大米樣品淀粉含量檢測的標準化學分析方法,按照該方法對樣品進行淀粉含量檢測得到每組大米樣本的淀粉含量。利用主成分分析法(PCA)和連續(xù)投影算法(SPA)對大米樣本光譜數(shù)據(jù)特征提取,利用全波長光譜和特征波長光譜建立SVR回歸模型,并進行模型比較�；�于RBF核函數(shù)的PCA-SVR模型的精度最高,Rc2為0.989,RMSEC為0.445%,Rp2為0.991,RMSEP為0.669%。結(jié)果表明,基于高光譜圖像技術(shù)的大米淀粉含量檢測是可行的。
[Abstract]:......
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 陳曉東;郭培源;;基于主成分分析法提取高光譜圖像特征檢測香腸亞硝酸鹽含量[J];肉類研究;2016年12期

2 寧井銘;孫京京;朱小元;李姝寰;張正竹;黃財旺;;基于圖像和光譜信息融合的紅茶萎凋程度量化判別[J];農(nóng)業(yè)工程學報;2016年24期

3 顏輝;郭成;第丹丹;李霞;劉利;梁夢醒;熊孟;;應用手持式近紅外光譜儀檢測桑椹可溶性固形物含量的偏最小二乘回歸模型建立[J];蠶業(yè)科學;2016年06期

4 田喜;黃文倩;李江波;樊書祥;張保華;;高光譜圖像信息檢測玉米籽粒胚水分含量[J];光譜學與光譜分析;2016年10期

5 張亦婷;劉翠玲;位立娜;;基于光譜技術(shù)的芝麻油摻假定性分析研究[J];食品科技;2016年09期

6 羅霞;洪添勝;羅闊;代芬;吳偉斌;梅慧蘭;林凜;;小波變換和連續(xù)投影算法在火龍果總酸無損檢測中的應用[J];光譜學與光譜分析;2016年05期

7 趙安新;湯曉君;張鐘華;劉君華;;優(yōu)化Savitzky-Golay濾波器的參數(shù)及其在傅里葉變換紅外氣體光譜數(shù)據(jù)平滑預處理中的應用[J];光譜學與光譜分析;2016年05期

8 劉燕德;姜小剛;周衍華;劉德力;;基于高光譜成像技術(shù)對臍橙葉片的葉綠素、水分和氮素定量分析[J];中國農(nóng)機化學報;2016年03期

9 武小紅;蔡培強;武斌;孫俊;嵇港;;基于無監(jiān)督可能模糊學習矢量量化的近紅外光譜生菜品種鑒別研究[J];光譜學與光譜分析;2016年03期

10 孫俊;路心資;張曉東;朱文靜;武小紅;楊寧;;基于高光譜圖像的紅豆品種GA-PNN神經(jīng)網(wǎng)絡鑒別[J];農(nóng)業(yè)機械學報;2016年06期

，

本文編號：2309042