基于可视光_近红外高光谱的苹果损伤检测与时间估计

《基于可视光_近红外高光谱的苹果损伤检测与时间估计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号UDC密级公开硕士研究生学位论文基于可视光/近红外高光谱的苹果损伤检测与时间估计申请人:车文凯学号:2151321培养单位:电子工程学院学科专业:模式识别与智能系统研究方向:智能系统与模式识别指导教师:孙来军教授完成日期:2018年3月15日中文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

2、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，

3、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。关键词：高光谱成像；分类模型；随机森林；苹果；损伤-I-AbstractAppleisoneofthemostcommonandpopularfruitinthefruitmarket.Nevertheless,themech

4、anicalbruiseisinevitablysufferedduringtheprocessofpicking,transportationandpackaging,whichwilllowerthetaste,preservationtimeandeconomicvalueoftheapple.Henceitisnecessarytostudythenon-destructivedetectionofapplebruisewhichismeaningfulforthequickandaccurateclassifyingandgradingofapple’sq

5、uality.Themaincontentofthisstudyincluding:Theaccuratedetectionandextractionofapplebruiseregion.Hyperspectralimaging(HSI)imagesof60appleswereobtainedviaahyperspectralimagingsystem,andPrincipleComponentAnalysis(PCA)wasusedtoreducethedimensionofHIScube.Ninecharacteristicwavelengthswhichwe

6、reusedtoreplacefullwavebandsdatawerepickedupbyfindinglocalpeaksoffirstthirdPC'sweightcoefficient.Comparedwithtraditionalimageprocessingmethodtoextractthebruiseofapple,bruiseareapredictedbypixelbasedRandomForest(RF)modelisingoodagreementwithgroundbruisearea.Theaverageaccuracyofall180app

7、lebruiseextractionmodelsreached99.9%.Themethodprovidesareferencetoextractthebruiseofapple.Theclassificationofapplebruisingtime.Bruisingtimeofapplecanhelplocatethetimeofinjuryoccurrenceandhelpforsolvingtheissuesincourseofharvestingandproduction.Vis/NIR(visibleandnearinfrared)hyperspec