基于近紅外光譜和機(jī)器視覺(jué)技術(shù)的淡水魚(yú)新鮮度檢測(cè)方法研究.pdf

1、新鮮度是魚(yú)類(lèi)最重要的品質(zhì)指標(biāo)，直接關(guān)系到食品的質(zhì)量與安全。傳統(tǒng)的方法雖然能在一定程度上檢測(cè)出淡水魚(yú)的新鮮度，但是存在速度較慢、費(fèi)時(shí)費(fèi)力、結(jié)果不精確等缺點(diǎn)，因此，快速、無(wú)損的淡水魚(yú)新鮮度檢測(cè)方法對(duì)于魚(yú)類(lèi)的保鮮，貯藏以及深加工等都有著極其重要的意義。
　　 論文研究了近紅外光譜技術(shù)和機(jī)器視覺(jué)技術(shù)檢測(cè)淡水整魚(yú)新鮮度的方法，通過(guò)采集淡水魚(yú)魚(yú)體胸部、腹部、尾部3個(gè)不同部位在有鱗、無(wú)鱗兩種狀態(tài)的近紅外光譜，建立了近紅外光譜與揮發(fā)性鹽基氮(T

2、VB-N)以及儲(chǔ)藏時(shí)間(Stored Days)之間的偏最小二乘回歸PLSR模型，并通過(guò)特征波長(zhǎng)提取，進(jìn)一步對(duì)模型進(jìn)行優(yōu)化。通過(guò)構(gòu)建機(jī)器視覺(jué)圖像采集系統(tǒng)，采集淡水魚(yú)圖像，利用上山法結(jié)合區(qū)域生長(zhǎng)法的圖像處理方法，從淡水魚(yú)機(jī)器視覺(jué)圖像中分割出魚(yú)眼區(qū)域，并提取出該區(qū)域的R、G、B、H、S、I6個(gè)顏色分量均值，以建立各顏色分量均值與TVB-N值及貯藏時(shí)間的一元線性、多元線性、多元非線性模型，并比較不同模型的差異。同時(shí)為了進(jìn)一步提高TVB-N定量

3、分析模型的精度，研究了建立基于近紅外光譜和機(jī)器視覺(jué)多源信息融合技術(shù)的淡水魚(yú)新鮮度檢測(cè)模型的方法。
　　 主要研究結(jié)果如下:
　　 1.獲取了不同新鮮度等級(jí)的淡水魚(yú)樣本集，研究KS、RS、SPXY三種樣本劃分方法及FD、DT、MSC、AS多種光譜預(yù)處理方法對(duì)建模結(jié)果的影響，結(jié)果表明，SPXY為最優(yōu)的樣本劃分方法，F(xiàn)D+DT（平滑點(diǎn)數(shù)3）為最優(yōu)的光譜預(yù)處理方法。
　　 2.研究了魚(yú)鱗、光譜采集部位等影響因素對(duì)TVB-

4、N值及貯藏時(shí)間定量分析模型的影響。結(jié)果表明，對(duì)于TVB-N值定量分析，有鱗狀態(tài)下的尾部為最佳光譜采集部位，該部位的PLS建模結(jié)果為RMSECV=2.341、RMSEP-1.355、Rc=0.893、R(P)=0.837;對(duì)于貯藏時(shí)間定量分析，有鱗狀態(tài)時(shí)的尾部同樣為最佳光譜采集部位，該部位的PLS建模結(jié)果為RMSECV=1.267、RMSEP=1.057、Rc=0.939、R(P)=0.918。
　　 3.研究了不同波長(zhǎng)變量選擇方

5、法對(duì)TVB-N值及貯藏時(shí)間定量分析模型的優(yōu)化。對(duì)于TVB-N值定量分析模型優(yōu)化，采用CARS、GA、SPA三種波長(zhǎng)變量選擇方法對(duì)有鱗時(shí)尾部的TVB-N值定量分析模型進(jìn)行了優(yōu)化，結(jié)果表明，CARS為較優(yōu)的波長(zhǎng)變量選擇方法，CARS選擇的波長(zhǎng)變量為23個(gè)，通過(guò)歸納3種波長(zhǎng)變量選擇方法選擇的特征波長(zhǎng)的分布區(qū)間，得出TVB-N值定量分析的最優(yōu)波段為800nm～1100nm，采用CARS方法選擇的23個(gè)波長(zhǎng)建立的PLS模型為T(mén)VB-N值定量分析最

6、優(yōu)模型，模型的RMSECV=1.342、RMSEP=0.589、Rc=0.955、R(P)=0.957，利用TVB-N值定量分析最優(yōu)模型對(duì)淡水魚(yú)進(jìn)行新鮮度評(píng)價(jià)，預(yù)測(cè)集識(shí)別準(zhǔn)確率為86.67％。對(duì)于貯藏時(shí)間定量分析模型優(yōu)化，CARS選擇的波長(zhǎng)變量為31個(gè)，采用CARS方法選擇的31波長(zhǎng)變量建立的PLS模型為貯藏時(shí)間定量分析最優(yōu)模型，模型的RMSECV=0.540，RMSEP=0.917,Rc=0.987,R(P)=0.983。
　　

7、 4.構(gòu)建了淡水魚(yú)機(jī)器視覺(jué)圖像采集平臺(tái)，采集了淡水魚(yú)圖像，提出了一種上山法結(jié)合區(qū)域生長(zhǎng)法的圖像處理方法，從淡水魚(yú)圖像中分割出了魚(yú)眼區(qū)域，并提取出了魚(yú)眼區(qū)域的R、G、B、H、S、I共6個(gè)顏色分量均值。
　　 5.建立了魚(yú)眼區(qū)域顏色特征與TVB-N值及貯藏時(shí)間的一元線性、多元線性、BP人工神經(jīng)網(wǎng)絡(luò)非線性模型。結(jié)果表明，R、G、B顏色分量建立的BP人工神經(jīng)網(wǎng)絡(luò)模型較優(yōu)，對(duì)于TVB-N值預(yù)測(cè)，預(yù)測(cè)相關(guān)系數(shù)Rp=0.947，對(duì)于貯藏時(shí)間

8、預(yù)測(cè)，預(yù)測(cè)相關(guān)系數(shù)Rp=0.992。采用R、G、B顏色分量建立的TVB-N值BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)淡水魚(yú)進(jìn)行新鮮度評(píng)價(jià)，預(yù)測(cè)集識(shí)別準(zhǔn)確率為93.33％.
　　 6.研究了近紅外光譜和機(jī)器視覺(jué)融合技術(shù)的新鮮度檢測(cè)方法。采用BP人工神經(jīng)網(wǎng)絡(luò)將近紅外光譜數(shù)據(jù)與機(jī)器視覺(jué)圖像數(shù)據(jù)進(jìn)行特征層融合，建立了BP人工神經(jīng)網(wǎng)絡(luò)融合模型，該模型的TVB-N值預(yù)測(cè)相關(guān)系數(shù)Rp=0.986，結(jié)果表明，對(duì)于淡水魚(yú)的TVB-N值檢測(cè)，融合模型較單一的近紅外模