苹果果实病害近红外光谱信息获取与识别模型研究

论文摘要

苹果果实采后病害可分为生理性病害和细菌性病理两大类:生理性病害已有很好的前人研究基础,通过气调、温度调整及其他方法可以有效控制;细菌性病害的无损检测目前除了有少量基于电学参数特性等方法外,相关研究很少,利用近红外光谱进行无损检测还鲜有报道。因此利用近红外光谱的快速、绿色、无损等特性建立苹果病害的检测模型,具有重要理论意义和实用价值。本文以苹果果实为研究对象,采后病害识别（轮纹病和炭疽病）为目标、近红外光谱检测为研究手段,在对前人对苹果病害无损检测研究的基础上,分别从近红外光谱信息采集的影响因素、样品选择与模型参数和病害分类识别模型等方面开展研究,并在此基础上研制了基于近红外光谱的苹果病害识别软件系统。本文主要研究成果如下:（1）苹果光谱信息采集影响因素研究。对同一样品、同一位置连续9个小时共53次光谱采集证明,ASD公司的Field Spec 3型光谱仪性能稳定;杂散光仅对光谱的可见光部分影响明显,在近红外波段几乎没有影响;果实的不同部位对近红外光谱的影响不同,苹果赤道线上的采样点光谱重复度好,可信度高,而果实顶部和底部的光谱差异较大;在0mm距离下由于光纤探头对照射光源产生了一定的遮挡,光谱差异很大;在2.5mm-12.5mm的距离上,由于裸光纤的视角是25°,对应的采光界面没有超过苹果的最大高度,因此变化不大;超过12.5mm之后由于入射能量的损失,信号能量降低,误差变大;不同货架期的苹果失重率变化明显,由于内部水分的流失,所采集的近红外光谱差异显著;果实的不同色差在赤道面上的近红外光谱的近红外波段差异不明显而对可见光波段差异明显,因此在实际的近红外检测中可以忽略果实的表面颜色差异。（2）样品选择和建模参数研究。以相关度最好的糖度为研究对象,通过实验证明通过剔除异常样品可以大幅提高模型的精度;通过对比分析不同光谱预处理方法、不同平滑点数、不同交互验证因子数和不同建模波段对苹果糖度PLS定量预测模型预测精度的影响,得到最佳预处理方法是SNV和MSC,最佳平滑点数为3,交互验证时最佳因子数为3,建模波段的选择为整个近红外区。（3）苹果病害识别模型研究。以苹果果实轮纹病和炭疽病为实验对象,使用PCA定性分析模型可以将健康苹果和病害苹果分开,但是两种病害之间互相识别率低。利用主成分分析法将得分矩阵的前3个主成分作为输入参数,使用KNN最近邻域法、BP神经网路分类算法,将这两种病害之间的识别率提高到85%和90%。（4）实现了基于近红外光谱的苹果病害识别软件系统。

论文目录

• 摘要
• Abstract
• 英文缩略表
• 图目录
• 表目录
• 第一章 绪论
• 1.1 选题背景及研究意义
• 1.1.1 选题背景
• 1.1.2 研究意义
• 1.2 苹果病害的致病机理
• 1.2.1 侵入过程
• 1.2.2 致病机制
• 1.2.3 抗病机制
• 1.3 近红外光谱无损检测的研究进展
• 1.3.1 国内外研究进展
• 1.3.2 苹果病害近红外光谱检测的可行性
• 1.3.3 近红外无损检测存在的问题
• 1.4 论文的研究内容和组织结构
• 1.4.1 论文的研究内容
• 1.4.2 论文的组织结构
• 1.4.3 技术路线
• 1.5 研究的难点及创新点
• 1.5.1 难点
• 1.5.2 创新点
• 第二章 近红外光谱分析技术的理论基础
• 2.1 近红外光谱的基本原理
• 2.1.1 近红外光谱分析技术的物理原理
• 2.1.2 近红外光谱分析技术的化学原理
• 2.1.3 近红外光谱分析技术的化学计量学原理
• 2.2 苹果近红外光谱测量
• 2.2.1 苹果组织的近红外光谱响应特性
• 2.2.2 实验光谱仪器的选择
• 2.2.3 光栅扫描型光谱仪工作原理
• 2.3 可见/近红外光谱分析的一般流程
• 2.4 近红外光谱预处理方法
• 2.4.1 多元散射校正
• 2.4.2 变量标准化
• 2.4.3 平滑
• 2.4.4 导数
• 2.5 近红外光谱定量分析方法
• 2.5.1 多元线性回归（MLR）
• 2.5.2 主成分回归（PCR）
• 2.5.3 偏最小二乘法（PLS）
• 2.6 校正模型的验证
• 第三章 苹果果实近红外光谱采集影响因素研究
• 3.1 实验材料与方法
• 3.1.1 实验设备
• 3.1.2 实验材料
• 3.1.3 分析方法
• 3.2 仪器及环境影响因素研究
• 3.2.1 杂散光影响分析
• 3.2.2 仪器稳定性
• 3.2.3 不同信号能量的影响
• 3.3 测量方法影响因素研究
• 3.3.1 不同测距影响因素
• 3.3.2 不同货架期的影响因素
• 3.3.3 不同色差的影响因素
• 3.3.4 不同部位影响因素
• 3.4 小结
• 第四章 样品选择与建模参数研究
• 4.1 实验样品准备与步骤
• 4.1.1 实验样品准备
• 4.1.2 实验过程
• 4.1.3 分析方法
• 4.2 苹果内部品质理化分析
• 4.2.1 苹果糖度的理化分析
• 4.2.2 苹果硬度的理化分析
• 4.3 建模样品选择方法研究
• 4.3.1 异常样品形成机理
• 4.3.2 样品异常值的判别方法
• 4.3.3 建模样品选择实验结果
• 4.4 模型参数选择研究
• 4.4.1 不同预处理对无损检测的影响
• 4.4.2 不同平滑点数对无损检测精度的影响
• 4.4.3 交互验证时不同因子数对无损检测精度的影响
• 4.4.4 不同建模波段范围对无损检测精度的影响
• 4.5 小结
• 第五章 苹果病害识别模型研究
• 5.1 材料与方法
• 5.1.1 材料
• 5.1.2 方法
• 5.2 实验结果
• 5.2.1 苹果发病情况
• 5.2.2 苹果原始近红外光谱
• 5.2.3 苹果异常样品的判断和剔除
• 5.2.4 光谱预处理
• 5.2.5 苹果有效光谱波段范围的选择
• 5.3 PCA 分类识别模型
• 5.3.1 PCA 分类识别方法
• 5.3.2 PCA 分类识别结果
• 5.4 最近邻域分类识别模型
• 5.4.1 最近邻域分类原理
• 5.4.2 最近邻法分类结果
• 5.5 BP 神经网络分类识别模型
• 5.5.1 BP 神经网络分类器设计
• 5.5.2 BP 神经网络分类结果
• 5.6 小结
• 第六章 苹果病害识别系统设计与实现
• 6.1 系统目标
• 6.2 系统功能
• 6.3 系统实现
• 6.3.1 软硬件环境
• 6.3.2 C++类
• 6.3.3 软件系统实现
• 6.4 小结
• 第七章 结论和展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 致谢
• 作者简历