基于可视光/近红外高光谱的苹果损伤检测与时间估计

摘要

苹果是水果市场中最常见的水果之一，但是在采摘、运输和加工过程中容易产生机械损伤，直接影响苹果的口感、存储和销售。所以，研究苹果损伤的无损检测对苹果品质的快速准确分类与分级具有重要意义。本研究的主要研究内容包括:
　　(1)苹果损伤区域的精确识别和提取。提出基于像素建立分类模型的苹果损伤区域识别和提取方法。通过反射高光谱成像技术采集60个红富士苹果的高光谱图像，使用主成分分析对光谱数据进行降维，根据累积解释方差选择前三个主成分图像，通过其权重系数曲线的局部极值选取了九个特征波长的数据来代替全光谱数据，压缩了数据量。基于像素建立了随机森林分类模型对苹果的损伤区域进行提取，与传统图像处理方法相比，提取的苹果损伤区域与真实损伤吻合度更好。损伤提取平均准确率达到99.90％，为苹果损伤的精确提取提供了参考。
　　(2)苹果损伤时间的预测。苹果的损伤时间信息可以帮助寻找损伤发生的时间，准确的对苹果的损伤时间进行预测可以改进苹果从生产到销售过程中的易损环节。本研究获取了苹果在损伤后7个时段（0，12，24，36，48，60和72小时）的可视-近红外(400-1000nm)高光谱图像。利用不同的重采样方法对损伤区域内的光谱进行重采样，并建立和比较了不同的苹果损伤时间分类模型。结果表明，所有分类算法中，使用梯度提升决策树能显著提升苹果损伤时间的分类精度，最终建立的模型准确率达到92.86％，为构建苹果质量的无损分类和自动分级系统提供了理论依据。

目录

摘要

第1章 绪论

1．1 研究的目的和意义

1．2 高光谱分析技术在国内外的研究现状

1．3 研究内容

第2章 高光谱技术的理论基础

2．1 引言

2．2 近红外光谱分析的基本原理

2．2．1 近红外光谱检测技术的原理

2．2．2近红外光谱技术预测物质成分的过程

2．3 高光谱成像技术的特点

2．4 本章小结

第3章 高光谱数据分析与建模方法

3．1 引言

3．2 高光谱数据预处理方法

3．2．1 导数处理

3．2．2 标准正态变量变换

3．2．3 多元散射校正

3．2．4 数据平滑

3．3 光谱数据的机器学习分类算法

3．3．1 支持向量机

3．3．2 决策树

3．3．3 随机森林

3．3．4 梯度提升决策树

3．4 本草小结

第4章 基于可视／进红外光高光谱技术的苹果损伤位置提取方法

4．1 引言

4．2 苹果高光谱数据的获取

4．2．1 试验材料准备与损伤试验

4．2．2 高光谱图像采集系统的设计

4．3 反射率的校正

4．4 通过无监督的主成分分析提取特征波长

4．5 苹果损伤区域的精确提取方法

4．6 苹果损伤分类模型的建立与评估

4．7 本章小结

第5章 基于可视／进红外光高光谱技术的苹果损伤时间分类模型

5．1 引言

5．2 苹果光谱数据的重采样

5．3 苹果损伤时间模型评估与选择

5．4 苹果光谱数据的预处理

5．5 苹果损伤时间相关的特征波长的提取

5．6 苹果损伤时间分类模型的优化

5．7 本章小结

结论

参考文献

致谢

攻读学位期间发表的学术论文

声明