基于光学参数的苹果轻微损伤的早期识别研究

摘要

水果在采摘和运输过程中容易因为外力的作用而受到损伤。虽然随着机器视觉和图像处理技术的发展，较为先进的机器视觉技术能够根据水果表面的缺陷而进行分级，但是水果的损伤问题，特别是轻微损伤问题一直是机器视觉难以克服的问题。轻微损伤组织一般发生在水果表皮以下10mm径向厚度的果肉组织，在形成的初期，其颜色和正常组织没有太大的差异，对比度很低，肉眼难以区分，特别是成熟度较高的水果，其损伤部位一般为红色或者黄色，检测的色度差异更小，基于机器视觉方法的检测效果更差。轻微损伤随着时间的推移，损伤部位被氧化而颜色变褐，组织变软至腐烂，甚至会影响到周围好的水果。因此，对水果轻微损伤的早期检测具有重要意义。本文以极品富士苹果作为例子，采用单积分球系统测量无损和两种不同程度轻微损伤的苹果组织光学参数，经过数据处理后，采用支持向量机和概率神经网络建立分类模型，两者模型对0级损伤样品的识别准确度均达到98％以上，除了一个1级损伤样品在两种模型下均被误判外，其他样品均验证正确。以下对本文中的主要内容和实验结论做出简要总结。
　　(1)通过仿真分析苹果组织在切割中是否受到损伤。由质构仪测量苹果组织的力学性质并计算组织在达到损伤时所受到应力大小。将力学性质和Solidworks建立的几何模型相结合建立Ansys-Workbench有限元模型，模拟苹果切割过程，对比果肉受到的最大的应力和实验得到样品达到损伤时应力值，得出苹果在切割的过程中没有受到损伤。
　　(2)根据单、双积分球技术性质与特征，搭建单积分球系统，研究本系统的验证原理与过程，分别用10％-Intalipid溶液和纯水分别验证了由系统测得的吸收系数和约化散射系数误差，证明了系统具有可靠性。
　　(3)阐述了光学参数测量的全过程。首先确定积分球系统参数，测量样品的折射率，漫反射率与漫透射率，然后通过反向倍增法求得样品光学参数。进一步讨论了本文中苹果的吸收系数在680nm左右无波峰的原因以及生理盐水对光学参数的影响。
　　(4)针对原始光学参数谱图基线偏移现象，运用了MSC和SNV两种方法进行预处理。运用基于线性变换的主成分分析和基于非线性变换的随机领域嵌入法分别对数据作降维处理，结果显示主成分分析效果要优于随机领域嵌入法。
　　(5)采用支持向量机和概率神经网络两种建模方法进行分类识别，得出发现基于两种方法的最高识别准确率均为98.1％，且基于概率神经网络的方法更优。说明了光学参数具有早期检测轻微损伤的可行性。
　　研究表明，光学参数在苹果轻微损伤的早期识别上拥有良好的效果，在本研究中的三级损伤中，通过标准正态变换预处理和主成分分析降维后，由支持向量机和概率神经网络的识别结果均具有很高的精确度，说明了光学性质用于早期分类苹果轻微损伤完全可行，具有良好的应用前景。

目录

声明

摘要

1 绪论

1．1 研究目的及意义

1．2 国内外研究现状

1．3 生物组织的光传输特性

1．4 光传输理论及反向倍增法

1．5 主要内容及结构

2 刀片切割对果肉的损伤影响

2．1 测量弹性模量和最大破坏力

2．2 几何模型的建立

2．3 Ansys-Workbench有限元分析

2．31 有限元模型的建立

2．32 建立接触对

2．33 结果与讨论

3 积分球技术与系统的验证

3．1 积分球技术

3．2 积分球装置

3．3 系统的验证

3．3．1 用于验证系统的参考材料

3．3．2 验证方法及结果

4 光学参数的测量

4．1 样品的制备及微观结构

4．2 折射率的测量

4．3 测量漫反射率和漫透射率

4．3．2 漫反射率和漫透射率测量原理

4．3．2 漫反射率和漫透射率测量方法及结果

4．4 吸收系数和约化散射系数

4．4．1 680nm处吸收峰的问题

4．4．2 生理盐水的作用

5 数据的处理与分析

5．1 光学参数谱图的预处理

5．11 多元散射校正

5．12 标准正态变换

5．2 数据的降维处理

5．21 线性降维

5．22 非线性降维

6 识别模型的建立与验证

6．1 分类模型的概述与样本划分

6．2 支持向量机分类

6．21 支持向量机理论

6．22 支持向量机的参数优化

6．23 支持向量机的验证结果

6．3 概率神经网络分类

6．31 概率神经网络的理论

6．32 概率神经网络的验证结果

7 总结与展望

7．1 本文的主要内容与总结

7．2 本研究的下一步工作

参考文献

附录