發(fā)布時(shí)間：2020-11-23 07:05

　　 草莓營(yíng)養(yǎng)豐富,口感香甜,具有很高的經(jīng)濟(jì)價(jià)值,由于草莓其自身脆弱的結(jié)構(gòu),且對(duì)真菌入侵的敏感度高,不易儲(chǔ)存。經(jīng)過(guò)一段時(shí)間的儲(chǔ)存以后,草莓就會(huì)開(kāi)始失去其營(yíng)養(yǎng)和口感。儲(chǔ)存時(shí)間會(huì)對(duì)草莓中的物質(zhì)成分產(chǎn)生重要影響,如可溶性固形物含量(SSC),pH值和維生素C(VC)的含量,且SSC、pH和VC是評(píng)價(jià)草莓采摘時(shí)間、口感和營(yíng)養(yǎng)價(jià)值的重要指標(biāo),也經(jīng)常被用于草莓等級(jí)的區(qū)分。為了提高草莓市場(chǎng)的利潤(rùn)率,草莓儲(chǔ)存時(shí)間、SSC、pH和VC的快速檢測(cè)顯得尤為重要。傳統(tǒng)的化學(xué)檢測(cè)方法具有破壞性,不適合大規(guī)模在線檢測(cè)。食品質(zhì)量檢測(cè)中常用的無(wú)損檢測(cè)方法有機(jī)器視覺(jué)法和光譜學(xué)方法。然而,機(jī)器視覺(jué)一般只能獲取檢測(cè)對(duì)象的圖像特征,光譜學(xué)方法只能獲取檢測(cè)目標(biāo)局部的光譜特征。所以這些方法在儲(chǔ)存時(shí)間、SSC、pH和VC的分析上都存在各自的缺陷。高光譜成像(HSI)結(jié)合了機(jī)器視覺(jué)和光譜學(xué)方法的優(yōu)點(diǎn),在食品檢測(cè)領(lǐng)域已經(jīng)得到應(yīng)用。本文研究了基于高光譜反射率成像技術(shù)檢測(cè)草莓儲(chǔ)存時(shí)間、SSC、pH和VC的可行性。其中,通過(guò)高光譜圖像中提取的光譜特征來(lái)檢測(cè)草莓的儲(chǔ)存時(shí)間,SSC、pH和VC的檢測(cè)可通過(guò)高光譜圖像中提取的光譜、顏色和紋理特征實(shí)現(xiàn)。本文的主要研究?jī)?nèi)容如下:(1)高光譜成像技術(shù)被用于檢測(cè)草莓的儲(chǔ)存時(shí)間。首先提取草莓的光譜特征,多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量(SNV)和小波變換(WT)等預(yù)處理算法被用于去除光譜中的噪聲。采用支持向量機(jī)(SVM)和隨機(jī)森林(RF)建立儲(chǔ)存時(shí)間的分類(lèi)模型,SVM結(jié)合MSC的分類(lèi)精度達(dá)到了100%。然后采用偏最小二乘回歸(PLSR)、SVM和RF建立草莓儲(chǔ)存時(shí)間預(yù)測(cè)的回歸模型,并采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)抽樣(CARS)、無(wú)關(guān)信息變量消除(UVE)、連續(xù)投影算法(SPA)以及競(jìng)爭(zhēng)自適應(yīng)重加權(quán)抽樣-連續(xù)投影算法(CARS-SPA)選擇重要變量,PLSR結(jié)合全光譜的結(jié)果為預(yù)測(cè)集決定系數(shù)(R_p~2)是0.9999,預(yù)測(cè)集均方根誤差(RMSEP)是0.0721,基于SVM和UVE所選的10個(gè)變量所建立的模型,其結(jié)果為R_p~2=0.9943,RMSEP=1.3213。最后,根據(jù)像素級(jí)的光譜和已建立的最優(yōu)模型生成儲(chǔ)存時(shí)間分布圖,該分布圖能夠清晰地觀察出草莓質(zhì)量變化過(guò)程。(2)除了光譜特征外,顏色和紋理特征也可以從高光譜圖像中被提取出來(lái),不同特征的結(jié)合可能會(huì)提升分析的準(zhǔn)確性,草莓SSC、pH和VC可利用光譜、顏色、紋理特征的結(jié)合進(jìn)行檢測(cè)分析。其中,WT用于去除光譜噪聲。然后,利用顏色矩、灰度梯度共生矩陣(GLGCM)和伽柏濾波器來(lái)獲得草莓的顏色和紋理特征。采用PLSR、SVM和局部加權(quán)回歸(LWR)建立SSC、pH和VC預(yù)測(cè)的回歸模型。PLSR結(jié)合光譜和顏色特征得到了最佳的SSC預(yù)測(cè)結(jié)果:R_p~2=0.9370,RMSEP=0.1145;LWR和光譜特征獲得了最佳的pH預(yù)測(cè)結(jié)果:R_p~2=0.8493,RMSEP=0.0501;基于光譜和紋理特征建立的PLSR模型的預(yù)測(cè)性能最佳:R_p~2=0.8769,RMSEP=0.0279。利用CARS選擇光譜、顏色和紋理特征中的重要變量進(jìn)行穩(wěn)健分析�；�于重要的變量,三種品質(zhì)參數(shù)的預(yù)測(cè)效果都得到了提升,SSC、pH和VC的預(yù)測(cè)結(jié)果分別為R_p~2=0.9431,RMSEP=0.0895;R_p~2=0.8858,RMSEP=0.0108;R_p~2=0.9109,RMSEP=0.0237。最后,根據(jù)像素級(jí)的光譜和建立的模型生成SSC、pH和VC隨儲(chǔ)存時(shí)間變化的分布圖,該圖清晰地展示了三種品質(zhì)參數(shù)的變化過(guò)程,隨著儲(chǔ)存時(shí)間的延長(zhǎng),SSC先升后降,pH值和VC的含量則不斷下降。(3)一個(gè)高光譜草莓品質(zhì)分析軟件被設(shè)計(jì),用于對(duì)草莓的儲(chǔ)存時(shí)間、SSC、pH以及VC進(jìn)行智能分析以及預(yù)測(cè),該軟件可以對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理,變量選擇以及回歸建模,選擇相應(yīng)的算法就能得到對(duì)應(yīng)的圖形化顯示結(jié)果。為了更加方便的分析結(jié)果,該軟件可以對(duì)算法處理結(jié)果進(jìn)行保存。研究表明,高光譜成像技術(shù)結(jié)合多元分析為草莓儲(chǔ)存時(shí)間的檢測(cè)提供了一種新的方法;光譜、顏色和紋理特征適當(dāng)?shù)慕Y(jié)合,可以實(shí)現(xiàn)草莓中SSC、pH和VC的準(zhǔn)確檢測(cè)。高光譜草莓品質(zhì)分析軟件方便了后續(xù)的數(shù)據(jù)處理工作,滿足了更多檢測(cè)人員的需求。
【學(xué)位單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類(lèi)】：S668.4;TP391.41;TP181
【部分圖文】：

安徽大學(xué)碩士學(xué)位論文5理特征的結(jié)合來(lái)進(jìn)行SSC、pH和VC的檢測(cè)分析。本文的主要研究?jī)?nèi)容框架如圖1.1所示：圖1.1研究?jī)?nèi)容框架圖Fig1.1Theframeworkofresearchcontent具體研究?jī)?nèi)容如下：（1）首先獲得新鮮采摘的草莓在儲(chǔ)存0、6、12、18、24、30、36、42、48和54小時(shí)后的高光譜圖像，并使用每個(gè)樣本的平均反射率光譜來(lái)進(jìn)行后續(xù)分析。多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量（SNV）和小波變換（WT）等預(yù)處理算法被用于去除光譜噪聲和不穩(wěn)定性，以增強(qiáng)正常信號(hào)的信噪比，并將最優(yōu)的預(yù)處理方法用于后續(xù)的研究。采用支持向量機(jī)（SVM）和隨機(jī)森林（RF）來(lái)建立儲(chǔ)存時(shí)間的分類(lèi)模型，對(duì)10個(gè)時(shí)間段的草莓進(jìn)行分類(lèi)。與儲(chǔ)存時(shí)間的分類(lèi)相比，對(duì)儲(chǔ)存時(shí)間的預(yù)測(cè)在實(shí)際應(yīng)用中更有意義。然后，分別采用偏最小二乘回歸（PLSR）、SVM和RF建立草莓儲(chǔ)存時(shí)間預(yù)測(cè)的回歸模型，對(duì)草莓的儲(chǔ)存時(shí)間進(jìn)行定量分析。并采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)抽樣（CARS）、無(wú)關(guān)信息變量消除（UVE）、連續(xù)投影算法（SPA）以及競(jìng)爭(zhēng)自適應(yīng)重加權(quán)抽樣-連續(xù)投影算法（CARS-SPA）來(lái)選擇光譜特征中的重要變量，以降低模型復(fù)雜度。最后，根據(jù)像素級(jí)的光譜和所建立的最優(yōu)模型來(lái)生成儲(chǔ)存時(shí)間分布圖，以觀察草莓質(zhì)量的變化過(guò)程。（2）在草莓的高光譜圖像獲取完畢后，提取草莓高光譜圖像的平均光譜，利用WT

第二章數(shù)據(jù)獲取及分析方法8圖2.1可見(jiàn)-近紅外高光譜成像系統(tǒng)Fig2.1Vis-NIRhyperspectralimagingsystem高光譜圖像采集完成以后，草莓樣本需要被立即取出，以減少鎢鹵燈對(duì)樣本的熱損害。由于外部因素的干擾：如光線分布不均勻、相機(jī)暗電流等，采集到的高光譜圖像需要進(jìn)行校正[49]。校正公式如下：rawdWdRRRRR=（2.1）其中R為校正后的高光譜圖像，Rraw為原始高光譜圖像，Rw為從具有99%反射率的白板上獲取的白色參考圖像，Rd為通過(guò)關(guān)燈和遮擋相機(jī)鏡頭得到的黑色參考圖像。校正后的高光譜圖像將被用于后續(xù)的分析中。2.1.3光譜數(shù)據(jù)的提取高光譜圖像數(shù)據(jù)采集完畢后，需要提取高光譜圖像中草莓的光譜特征。因?yàn)閷?shí)驗(yàn)中采集的高光譜圖像都包含與檢測(cè)對(duì)象無(wú)關(guān)的背景，所以首先需要將圖像中的草莓區(qū)域選擇出來(lái)。去除這些背景，選擇研究區(qū)域，這一步驟也被稱(chēng)作感興趣區(qū)域提�。≧OI）[50]。提取ROI一般有兩種方法：一是通過(guò)圖像分割技術(shù)提取ROI；二是使用相關(guān)的專(zhuān)業(yè)軟件，如ENVI，直接選取自己需要的區(qū)域，然后將該區(qū)域作為ROI。本文將利用第一種方法來(lái)提取ROI。在ROI提取以后，就可以提取該區(qū)域內(nèi)所有像素點(diǎn)的光譜來(lái)進(jìn)行接下來(lái)的分析。具體的思路就是：讀取經(jīng)過(guò)圖像校正后的高光譜圖像，采用基于超紅色特征的圖像閾值分割方法提取二值圖像[51]。圖像閾值分割是根據(jù)灰度對(duì)像素集進(jìn)行分割。對(duì)于單個(gè)草莓樣本的高光譜圖像，感興趣區(qū)域的灰度值會(huì)高于一個(gè)固定閾值，而其他區(qū)域是需要

第三章Vis-NIR高光譜成像結(jié)合多元分析方法檢測(cè)草莓的儲(chǔ)存時(shí)間16（Rp2）、校正集均方根誤差（RMSEC）和預(yù)測(cè)集均方根誤差（RMSEP）來(lái)評(píng)價(jià)回歸模型的性能。3.2實(shí)驗(yàn)結(jié)果與討論3.2.1光譜特征分析草莓樣本的高光譜圖像包含260個(gè)波段的圖像，波段范圍是400-1000nm，高光譜圖像可以被視作“超立方體”——I（x,y,λ），其中x，y代表高光譜圖像的空間信息，λ代表高光譜圖像的光譜信息，如圖3.1（A）所示。HSI上的每個(gè)像素都是一個(gè)260維度的反射率光譜，該光譜反映了這個(gè)位置上的生化和理化特征。對(duì)于單個(gè)草莓樣本的高光譜圖像而言，感興趣區(qū)域是根據(jù)圖像閾值分割來(lái)選取的，如圖3.1（B）所示。然后感興趣區(qū)域內(nèi)每個(gè)像素點(diǎn)的光譜被提取，將這些像素點(diǎn)的光譜的平均值計(jì)算出來(lái)，這條平均光譜將作為該樣本的代表性光譜被用于接下來(lái)的分析中。160個(gè)草莓樣本在400-1000nm范圍內(nèi)的平均光譜如圖3.1（C）所示，可以看出這些草莓的反射率光譜的變化趨勢(shì)相似，且差異極小，這可能是由于同一品種、相似的成熟度和生長(zhǎng)環(huán)境造成的。圖3.1高光譜成像系統(tǒng)獲取的用于檢測(cè)草莓儲(chǔ)存時(shí)間的圖像和光譜。（A）高光譜圖像，（B）感興趣區(qū)域提取，（C）草莓的平均光譜，（D）不同儲(chǔ)存時(shí)間的光譜Fig3.1Imagesandspectraobtainedbythehyperspectralimagingsystemforthedetectionofstrawberriesstoragetime.(A)hyperspectralimage,(B)ROIextraction,(C)averagespectraofstrawberriesand(D)spectraofdifferentstoragetime不同儲(chǔ)存時(shí)間草莓的光譜如圖3.1（D）所示，從圖中可以看出隨著儲(chǔ)存時(shí)間的延長(zhǎng)，整體的反射率在不斷下降，且下降區(qū)間在減校這些現(xiàn)象可能是由于樣本在儲(chǔ)存過(guò)程中物理結(jié)構(gòu)和生化成分發(fā)生了變化而導(dǎo)致的，如硬度、水分含量、SSC等。在可見(jiàn)光區(qū)域的反射率光譜（40
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮作山;熊麗;韓興濤;楊雷;王開(kāi)昌;;不同產(chǎn)地草莓種苗在秦巴山區(qū)的種植表現(xiàn)[J];浙江農(nóng)業(yè)科學(xué);2019年12期

2 張文剛;;設(shè)施草莓立體栽培技術(shù)[J];上海蔬菜;2019年06期

3 張蔚;;草莓優(yōu)質(zhì)安全栽培技術(shù)示范與推廣[J];農(nóng)業(yè)與技術(shù);2019年24期

4 Zhao-ming LI;Hui LIU;Wen-zhu ZHANG;Hong LIU;;草莓對(duì)隔離環(huán)境中人的生理、心理及認(rèn)知的影響（英文）[J];Journal of Zhejiang University-Science B(Biomedicine & Biotechnology);2020年01期

5 裴冬麗;朱曉琴;葉芬;徐園園;宋旸;李成偉;;河南商丘草莓青霉病病原菌的鑒定[J];植物保護(hù)學(xué)報(bào);2019年06期

6 徐耀;;草莓蚜蟲(chóng)防治效果研究[J];現(xiàn)代園藝;2019年24期

7 湯玲;楊馥霞;賀歡;孔芬;王衛(wèi)成;;草莓害螨綜合防治解析[J];現(xiàn)代園藝;2019年24期

8 武沖;高文俊;韓真;張慶田;李勃;;草莓根部病害及防治措施[J];落葉果樹(shù);2020年01期

9 ;第18屆中國(guó)(濟(jì)南)草莓文化旅游節(jié)暨首屆亞洲草莓產(chǎn)業(yè)研討會(huì)盛大召開(kāi)[J];落葉果樹(shù);2020年01期

10 高雪玲;;草莓移栽后死棵原因何在?如何解決![J];農(nóng)家參謀;2019年24期

相關(guān)博士學(xué)位論文 前10條

1 樊麗;叢枝菌根真菌對(duì)草莓耐鹽性及果實(shí)品質(zhì)的影響[D];中國(guó)農(nóng)業(yè)科學(xué)院;2011年

2 田給林;連作草莓土壤酚酸類(lèi)物質(zhì)的化感作用及其生物調(diào)控研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

3 張金彪;鎘對(duì)草莓的毒害及機(jī)理和調(diào)控研究[D];福建農(nóng)林大學(xué);2001年

4 李麗;速凍草莓品質(zhì)評(píng)價(jià)體系的建立研究[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2016年

5 畢艷孟;蚯蚓緩解草莓連作障礙的效應(yīng)及機(jī)理研究[D];中國(guó)農(nóng)業(yè)大學(xué);2016年

6 申光輝;草莓連作根腐病發(fā)生機(jī)制與微生物及化學(xué)修復(fù)研究[D];西北農(nóng)林科技大學(xué);2012年

7 唐伊戀;太陽(yáng)能光熱電耦合模式下溫室溫度與光照對(duì)草莓生長(zhǎng)的影響[D];云南師范大學(xué);2019年

8 王糧局;基于動(dòng)態(tài)識(shí)別定位的多機(jī)械手草莓收獲機(jī)器人的研究[D];中國(guó)農(nóng)業(yè)大學(xué);2016年

9 張海英;硒處理對(duì)桃、棗和草莓生理指標(biāo)影響的研究[D];北京林業(yè)大學(xué);2011年

10 曹飛;草莓磷轉(zhuǎn)運(yùn)蛋白基因PHO1的分離及功能分析[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 蔚栓;高光譜成像多特征信息在草莓品質(zhì)分析中的應(yīng)用[D];安徽大學(xué);2020年

2 王蕾娜;提高草莓速凍品質(zhì)的技術(shù)研究[D];河北科技大學(xué);2014年

3 嚴(yán)燦;草莓采后全程冷鏈保鮮技術(shù)研究[D];上海海洋大學(xué);2016年

4 李丹丹;當(dāng)涂縣草莓休閑農(nóng)業(yè)發(fā)展問(wèn)題研究[D];南京農(nóng)業(yè)大學(xué);2015年

5 龔馨旭;高溫季節(jié)草莓集約化育苗關(guān)鍵技術(shù)研究[D];安徽科技學(xué)院;2016年

6 田野;高壓脈沖電場(chǎng)殺菌草莓汁加工工藝及品質(zhì)研究[D];哈爾濱商業(yè)大學(xué);2014年

7 楊勇;湖州市草莓產(chǎn)業(yè)現(xiàn)狀分析與對(duì)策研究[D];浙江大學(xué);2015年

8 沈嵐;寧波市草莓產(chǎn)業(yè)現(xiàn)狀分析與對(duì)策研究[D];寧波大學(xué);2013年

9 池春山;草莓凍干品工藝流程和檢測(cè)方法的研究[D];河北科技大學(xué);2010年

10 朱冬梅;設(shè)施栽培下草莓養(yǎng)分吸收及肥水耦合技術(shù)的研究[D];浙江大學(xué);2013年

本文編號(hào)：2894649