基于LIBSVM哈密瓜成熟度无损检测技术.docVIP

基于LIBSVM哈密瓜成熟度无损检测技术 　　摘要：以7成熟、9成熟和过熟3种不同成熟度的哈密瓜为研究对象，在Matlab 7.6环境下，先利用图像处理技术对哈密瓜果脐处进行背景图像分割，计算图像的最大值、最小值、平均值等7个特征值，然后运用模式识别与回归工具箱LibSVM建立基于支持向量机（support vector machine，SVM）的哈密瓜成熟度分类模型，并对分类准确率进行预测。结果表明，图像处理中的LibSVM工具箱可以很好地运用到哈密瓜成熟度的无损检测研究中，模型分类准确率可达到95.83%。 　　关键词：哈密瓜；图像处理；成熟度；无损检测；LibSVM；模型；准确率 　　中图分类号： TS207 文献标志码： A 　　文章编号：1002-1302（2016）11-0396-03 　　新疆素有“瓜果之乡”的美称，目前新疆水果?N植总面积已达到991 719 hm2。2012年林果总产量超过650多万t，年产值近300亿元[1]，2013年林果总产量达1 326.9万t[2]，发展非常迅猛。林果业已经成为新疆农民脱贫致富的重要途径。 　　随着科学技术的不断发展与进步，信息技术在农产品加工处理上的运用已经成为当今农业可持续发展的一项重要手段。近年来，国内外众多专家与学者采用图像、光谱、气味等无损性方法对水果品质检测进行了大量研究。应义斌等用颜色特性对柑橘成熟度进行了无损检测研究，在波长700 nm光谱处得到了高质量的柑橘图像，提出了一种利用协方差矩阵和样本属于橘黄色和绿色的概率来判断柑橘成熟度的判别分析法，并以实测固酸比值作为对照，对72个柑橘样本成熟度的判别准确率达到了91.67%[3]。马本学等采用漫反射高光谱成像技术对哈密瓜糖度进行了无损检测研究，对比了多元散射信号修正、标准正则变换校正方法，原始光谱、一阶微分、二阶微分光谱预处理方法对建模精度的影响；采用偏最小二乘法（partial least squares，PLS）、逐步多元线性回归（multiple linear stepwise regression，SMLR）和主成分回归方法对比了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。结果表明，应用SMLR法检测去皮哈密瓜糖度效果最佳，校正集相关系数为0.928，预测均方差为0.458，预测集相关系数为0.818，校正均方差为0.727[4]。宋小青等利用电子鼻技术快速无损检测低温贮藏猕猴桃芳香气味的变化，分别采用偏最小二乘法、多元线性回归（multivariable linear regression，MLR）和反向传播算法（back propagation，BP）网络建立了评价猕猴桃可溶性固形物含量（soluble solid content，SSC）、硬度、pH值的数学模型，研究表明线性判别式分析（linear discriminant analysis，LDA）比主成分分析（principal component analysis，PCA）方法能更好地识别不同贮藏时间的猕猴桃，BP网络预测能力高于MLR方法，MLR方法的分析精度优于PLS。其中BP网络的测试集SSC、硬度、pH值的预测值和测试值的R2分别为0.93、0.90、0.90，相应的校正均方差分别为0.48、2.15、0.08[5]。Morrison等指出由于大多数水果成分复杂且不均匀，使超声波对水果品质检测很难成功，从而提出了一种新超声波方法，通过分析水果边界的反射情况来整体评估水果品质，发现超声波与脐橙的密度有高度相关性，可以无损预测相对含水率，同时不受水果大小、成熟度等物理特性的影响。通过9 d对1个脐橙的跟踪研究，发现超声波与坚实度高度相关[6]。虽然目前国内外学者对哈密瓜成熟度检测技术缺乏深入地研究，且绝大多数研究仍停留在实验室研究阶段。特别是作为新疆特产的哈密瓜，对它的成熟度检测尚属空白，但国内外水果成熟度检测技术对本研究具有一定的借鉴和移植性。 　　图像处理大体上可分为图像的像质改善、分析、重建三大部分[7]，本研究内容属于图像分析范畴。首先对哈密瓜特征进行提取说明，然后对特征数据进行归一化预处理，并以哈密瓜果脐处图像为研究对象，通过文中处理方法达到识别分类的目的。 　　1 哈密瓜特征的提取 　　特征提取前要对图像进行背景分割[8]处理，剔除影响特征参数的背景因素。图像的描述性统计量有平均值、标准差、最大值、最小值、极差、中位数、众数、变异系数、偏度、峰度和熵[9]，其中变异系数是衡量资料中各观测值变异程度的一个统计量，计算公式为变异系数=（标准偏差/平均值）×100%。由于变异系数进行的是2个或多个资料（如价格和转速等单位不一）变异程度的比较，单位相同时用标准差比较，所以不考虑变异系数。背景分割前、后的图像如