机器视觉与近红外技术融合：杏干品质无损检测新范式

机器视觉与近红外技术融合：杏干品质无损检测新范式一、引言1.1研究背景杏干作为一种具有丰富营养价值和独特风味的果脯，在食品市场中占据着重要地位。中国杏干行业发展历程悠久，品种繁多，涵盖多个主要类型和众多细分品种，不同的品种在口感、营养价值、市场定位等方面各有千秋。2023年，中国杏干市场规模已突破50亿元人民币，预计到2030年将实现翻一番的增长，其产销规模不断扩大，主要生产区域分布广泛，产业链结构也日益完善。随着消费升级趋势的加强、健康理念的普及以及对传统文化的追捧，消费者对杏干的品质要求日益提高。杏干的品质不仅影响着消费者的食用体验，更关系到其市场竞争力和产业的可持续发展。优质的杏干应具备良好的外观色泽、适中的甜度、饱满的果肉以及丰富的营养成分，且无农药残留、微生物污染等安全问题。品质上乘的杏干能满足消费者对健康、美味食品的追求，在市场上更易获得消费者的青睐，从而为企业带来更高的经济效益，推动整个杏干产业朝着高质量方向发展。因此，准确、高效地检测杏干品质对于保障消费者权益、促进杏干产业健康发展至关重要。传统的杏干品质检测方法，如外观检查、光学显微镜检查、重金属检测、农药检测等，存在诸多弊端。外观检查主要通过人工观察杏干的颜色、形状、大小等外部特征来判断品质，这种方法主观性强，不同检测人员的判断标准存在差异，且容易受到视觉疲劳等因素的影响，导致检测结果的准确性和可靠性较低。光学显微镜检查虽能观察样品中的形态和构造，检测杏干是否混入其它成分，但操作繁琐、检测速度慢，难以满足大规模生产检测的需求。重金属检测、农药检测等化学检测方法，不仅需要对样品进行复杂的前处理，使用大量化学试剂，造成环境污染，而且检测周期长，成本高，不适用于实时在线检测。此外，传统检测方法大多只能对杏干的单一指标进行检测，无法全面、综合地评估杏干的品质。无损检测技术作为一种新型检测手段，近年来在农产品品质检测领域得到了广泛关注和应用。无损检测技术是指在不破坏或不影响被检测对象原有性质和使用价值的前提下，对其内部结构、成分、物理性能等进行检测和分析的技术。与传统检测方法相比，无损检测技术具有诸多优势。它能够快速获取检测对象的多种信息，实现对品质的全面评估，大大提高检测效率，满足现代生产对快速检测的需求；避免了对样品的破坏，可对同一批样品进行多次检测，保证检测结果的一致性和可靠性；减少了化学试剂的使用，降低了对环境的污染，符合绿色发展理念。机器视觉技术和近红外技术作为两种重要的无损检测技术，在农产品品质检测方面展现出了巨大的潜力，将它们相结合应用于杏干品质无损检测，有望克服传统检测方法的不足，为杏干产业的发展提供有力支持。1.2研究目的与意义本研究旨在探索机器视觉和近红外技术相结合的方法，构建一套高效、准确的杏干品质无损检测系统，实现对杏干外观品质（如颜色、大小、形状、表面缺陷等）和内部品质（如糖分、水分、营养成分、内部缺陷等）的全面、快速、准确检测。通过对大量杏干样本的检测数据进行分析，建立科学合理的品质评价模型，明确不同品质指标与杏干综合品质之间的关系，为杏干的质量分级提供客观、可靠的依据。此外，本研究还将对检测系统的性能进行优化和验证，提高其稳定性和重复性，使其能够满足实际生产和市场需求。从产业角度来看，本研究成果将为杏干生产企业提供先进的品质检测手段，有助于企业实时监控生产过程中的杏干品质，及时调整生产工艺，提高产品质量，减少次品率，降低生产成本，增强企业的市场竞争力。准确的品质检测还能帮助企业实现产品的优质优价，提升品牌形象，促进杏干产业的健康、可持续发展。同时，无损检测技术的应用可以减少传统检测方法对环境的污染，符合绿色发展理念，推动杏干产业向绿色、环保方向转型升级。从技术发展角度而言，将机器视觉和近红外技术相结合应用于杏干品质检测，拓展了这两种无损检测技术的应用领域，为农产品品质检测技术的发展提供了新的思路和方法。通过研究和优化检测算法、模型以及系统集成技术，能够进一步提高无损检测技术的准确性、可靠性和智能化水平，推动无损检测技术在农产品领域的深入应用和发展。此外，本研究也为其他类似农产品的品质无损检测研究提供了参考和借鉴，促进整个农产品品质检测技术体系的完善和发展。1.3国内外研究现状在杏干品质检测方面，传统检测方法存在诸多不足，而无损检测技术逐渐成为研究热点。早期的杏干品质检测主要依赖人工感官评价和简单的理化分析。人工感官评价主观性强、效率低，难以满足大规模生产和市场快速检测的需求。理化分析虽然能够提供较为准确的检测结果，但往往需要对样品进行破坏，且检测过程繁琐、耗时较长。随着科技的不断进步，无损检测技术因其具有快速、准确、非破坏性等优点，在农产品品质检测领域得到了广泛关注和应用。机器视觉技术作为一种重要的无损检测技术，在农产品检测方面取得了显著进展。学者们利用机器视觉技术对多种农产品进行了品质检测和分级研究。徐莹莹在甜瓜的品质检测中，运用图像处理方法预处理甜瓜图像，再采用角点提取判断瓜蒂区，然后通过大津算法分割不同区域，建立模型算法，获得缺陷识别的准确率为92.2%。Peng等利用机器视觉技术对火龙果、梨、苹果、柑橘、香蕉、桃等6种水果进行分类。王侨等开发了一种基于机器视觉的玉米定向播种选种装置，在该装置中采集种子的动态RGB色彩特征，并结合种子形态建立了空间、周长等二十项检测指标，从而判断种子是否合格。在水果检测方面，赵杰文等在HIS颜色空间中，提取H的均值和均方差作为红枣的颜色特征值，利用支持向量机识别缺陷红枣，实验结果表明，识别准确率可以达到96.2%，优于人工神经网络的89.4%。高辉等提出了由机器视觉支持的苹果缺陷快速检测技术，自动亮度校正技术用来消除苹果表面亮斑，同时根据缺陷的数量完成苹果的初步判断，并利用加权相关向量机对缺陷苹果进一步判断，结果表明，该检测技术对1000个检测样品的识别准确率为99.1%，对不同缺陷的检测准确率较高。然而，机器视觉技术在检测农产品内部品质方面存在一定局限性，难以获取农产品内部的化学成分、营养成分等信息。近红外技术在农产品检测中的应用也取得了一定成果。近红外光谱技术可以直接测量农产品的化学成分和营养价值，为农产品品质检测提供了新的手段。孟庆龙等通过分割所采集到的苹果高光谱图像成功识别苹果表面缺陷。朱晓琳等利用高光谱设备获取库尔勒香梨图像，建立了其可溶性固体含量检测模型，相关系数为0.946，预测均方根误差为0.403。蒋浩等通过采集草莓的高光谱图像结合Fisher判别模型预测草莓成熟度，识别率超过95%。李锋霞等利用高光谱技术对比多种预处理方法和建模分析算法对哈密瓜硬度检测的影响，最终表明高光谱技术可成功实现哈密瓜硬度检测。但近红外技术在检测农产品外观品质方面，如形状、大小、表面缺陷等，不如机器视觉技术直观和准确。将机器视觉和近红外技术相结合应用于农产品品质检测的研究也逐渐增多。有研究基于近红外光谱与机器视觉技术，实现对浆果品质的快速、准确检测，为浆果行业提供更好的品控服务。但目前该技术在杏干品质检测方面的应用还相对较少，相关研究主要集中在单一技术对杏干某一品质指标的检测上，缺乏对杏干品质的全面、综合检测研究。现有研究在检测模型的准确性、稳定性和通用性方面还有待进一步提高，检测系统的集成度和智能化程度也需要进一步提升，以满足实际生产和市场需求。本研究将针对现有研究的不足，深入探索机器视觉和近红外技术相结合的杏干品质无损检测方法。通过优化检测算法和模型，提高检测系统对杏干外观品质和内部品质的检测准确性和可靠性；加强检测系统的集成和智能化设计，实现对杏干品质的快速、自动化检测；建立科学合理的品质评价模型，为杏干的质量分级提供更加客观、全面的依据，推动杏干品质检测技术的发展和应用。二、相关技术原理与理论基础2.1机器视觉技术原理与关键技术2.1.1图像采集图像采集是机器视觉技术的首要环节，其质量直接影响后续的图像处理与分析结果。在杏干品质无损检测系统中，图像采集硬件主要包括相机、镜头和光源，各硬件设备的合理选择和协同工作至关重要。相机作为图像采集的核心设备，其性能参数对采集图像的质量起着决定性作用。常见的相机类型有CCD（电荷耦合器件）相机和CMOS（互补金属氧化物半导体）相机。CCD相机具有灵敏度高、噪声低、图像质量好等优点，但其成本较高，功耗较大，数据传输速度相对较慢；CMOS相机则具有成本低、功耗小、数据传输速度快等优势，随着技术的不断发展，其图像质量也在逐渐提高，已能满足大多数机器视觉应用的需求。在选择相机时，需要根据检测需求综合考虑分辨率、帧率、灵敏度等参数。对于杏干品质检测，较高的分辨率能够更清晰地捕捉杏干的细节特征，如表面的纹理、微小的缺陷等；而较高的帧率则可满足快速检测的要求，确保在生产线上能够及时获取杏干的图像。例如，当需要检测杏干表面的细微裂纹时，选择分辨率为500万像素及以上的相机，能够提供足够的细节信息，便于后续的图像处理和分析。镜头的作用是将被测目标成像至摄像机的感光芯片上，其性能直接影响图像的清晰度、畸变程度和视场范围。镜头的主要参数包括焦距、光圈、景深、分辨率等。焦距决定了镜头的视角和成像大小，不同焦距的镜头适用于不同的检测场景。短焦距镜头视角广，适用于大视场范围的检测，但成像会产生一定的畸变；长焦距镜头视角窄，适用于对细节要求较高、检测距离较远的场景。光圈则控制着镜头的进光量，通过调节光圈大小，可以改变景深和图像的亮度。景深是指在保持图像清晰的前提下，镜头能够聚焦的物体前后距离范围。在检测杏干时，需要根据杏干的大小、形状以及检测精度要求选择合适的镜头。若要检测杏干的整体形状和大小，可选用焦距适中、景深较大的镜头，以确保整个杏干都能清晰成像；若要检测杏干表面的微小缺陷，则需要选择分辨率高、畸变小的镜头，以提供准确的细节信息。例如，对于直径为3-5厘米的杏干，选择焦距为25-50毫米的镜头较为合适，既能保证整个杏干在视场范围内，又能满足一定的检测精度要求。光源是图像采集过程中不可或缺的部分，它为相机提供充足的光照，确保能够获取清晰、对比度高的图像。合适的光源可以突出杏干的特征，抑制背景干扰，提高图像的质量和可分析性。光源的种类繁多，常见的有环形光源、背光源、条形光源等，每种光源都有其独特的发光特性和适用场景。环形光源能够提供均匀的环形照明，适用于检测具有反光表面的物体，如杏干的表面缺陷检测，可使缺陷部位与正常部位产生明显的对比度；背光源则主要用于轮廓检测和尺寸测量，通过将光线从物体背面照射，可清晰地显示出物体的轮廓形状，对于测量杏干的大小和形状参数非常有效；条形光源适用于长条形物体的检测，在某些情况下，也可用于突出杏干的特定特征。在选择光源时，需要考虑光源的颜色、亮度、均匀性等因素。例如，对于杏干颜色检测，可选择白色光源，以保证对颜色的准确还原；对于表面缺陷检测，可根据缺陷与正常部位的反光特性差异，选择合适颜色和角度的光源，增强缺陷的可见性。同时，光源的亮度应适中，过亮或过暗都会影响图像质量，而均匀性则确保整个视场范围内的光照强度一致，避免出现局部过亮或过暗的情况。在实际的杏干图像采集过程中，还需要对相机、镜头和光源进行合理的安装和调试，确保它们之间的相对位置和角度准确无误。通过调整相机的拍摄角度，使杏干在图像中处于合适的位置和姿态，便于后续的图像处理和分析；调节镜头的焦距和光圈，以获得清晰、聚焦准确的图像；优化光源的照明角度和强度，提高图像的对比度和清晰度。此外，还可以通过多次试验和优化，确定最佳的图像采集参数组合，以获取高质量的杏干图像。例如，在不同的光源条件下，对相机的曝光时间、增益等参数进行调整，观察图像质量的变化，选择能够使杏干特征最清晰、背景干扰最小的参数设置。2.1.2图像处理与分析算法获取杏干图像后，需运用图像处理与分析算法对图像进行处理，以提取有用信息，实现对杏干品质的检测和评估。这些算法主要包括图像预处理、图像分割、特征提取和识别等环节。图像预处理是图像处理的第一步，其目的是消除图像中的噪声、增强图像的对比度和清晰度，为后续的处理提供良好的基础。常见的图像预处理方法包括滤波、增强等。滤波是去除图像噪声的常用方法，通过对图像中的像素进行加权平均或其他运算，平滑图像，减少噪声的干扰。常见的滤波算法有均值滤波、中值滤波、高斯滤波等。均值滤波是对邻域内的像素进行简单的平均计算，可有效去除高斯噪声，但会使图像边缘变得模糊；中值滤波则是用邻域内像素的中值代替当前像素的值，对于椒盐噪声具有较好的抑制效果，同时能较好地保留图像边缘；高斯滤波基于高斯函数对邻域像素进行加权平均，在去除噪声的同时，对图像的平滑效果更为自然，适用于各种噪声类型。例如，对于含有较多椒盐噪声的杏干图像，采用中值滤波可有效去除噪声，使图像更加清晰。图像增强是突出图像中感兴趣的部分，提高图像的视觉效果。常见的图像增强方法有灰度变换、直方图均衡化等。灰度变换通过对图像的灰度值进行线性或非线性变换，调整图像的亮度和对比度；直方图均衡化则是通过对图像的直方图进行调整，使图像的灰度分布更加均匀，从而增强图像的对比度。例如，对于对比度较低的杏干图像，采用直方图均衡化方法，可使杏干的颜色和纹理更加清晰，便于后续的分析。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。在杏干品质检测中，图像分割的目的是将杏干从背景中分离出来，以便准确提取杏干的特征信息。基于区域骨架化的填充法是一种有效的图像分割方法。该方法首先通过形态学运算获取杏干图像的骨架，骨架能够反映物体的大致形状和结构；然后利用骨架作为基础，采用填充算法对骨架内部的区域进行填充，从而得到完整的杏干区域。在填充过程中，可根据杏干的形状和大小等先验知识，设置合适的填充规则和条件，确保填充结果准确。例如，对于形状较为规则的杏干，可采用基于距离变换的填充算法，从骨架的中心向周围进行填充，使填充结果更加均匀；对于形状复杂的杏干，可结合边缘检测和区域生长等方法，先确定杏干的边缘，再进行填充，以提高分割的准确性。除了基于区域骨架化的填充法，还有其他常用的图像分割方法，如阈值分割、边缘检测、区域生长等。阈值分割是根据图像的灰度值或其他特征，设定一个阈值，将图像分为前景和背景两部分；边缘检测则是通过检测图像中像素灰度值的变化，提取物体的边缘；区域生长是从一个或多个种子点开始，根据一定的生长准则，将相邻的像素合并到种子点所在的区域，直至满足停止条件。这些方法各有优缺点，在实际应用中，可根据杏干图像的特点和检测需求选择合适的方法，或结合多种方法进行图像分割，以提高分割的准确性和可靠性。特征提取是从分割后的杏干图像中提取能够反映杏干品质的特征信息，如面积、形状、颜色等。面积和形状特征可以直观地反映杏干的大小和形态，对于判断杏干的成熟度、品种等具有重要意义。通过计算杏干图像的面积，可以了解杏干的大小情况；而提取杏干的形状特征，如周长、长宽比、圆形度、偏心率等，则可以判断杏干的形状是否规则，是否存在畸形等问题。例如，圆形度较高的杏干通常表明其形状较为规则，可能品质较好；而偏心率较大的杏干则可能存在形状不规则的情况。颜色特征是杏干品质的重要指标之一，不同品种、成熟度的杏干具有不同的颜色。在机器视觉中，常用的颜色空间有RGB、HSV、Lab等。RGB颜色空间是最常见的颜色表示方法，通过红、绿、蓝三个通道的颜色值来表示颜色；HSV颜色空间则从色调、饱和度和明度三个维度来描述颜色，更符合人类对颜色的感知；Lab颜色空间则将颜色的亮度和色度分开，具有较好的颜色均匀性和独立性。在提取杏干的颜色特征时，可根据检测需求选择合适的颜色空间，并计算相应的颜色特征参数，如颜色均值、方差、颜色直方图等。例如，在检测杏干的成熟度时，可通过分析杏干在HSV颜色空间中的色调值，判断其成熟程度；在检测杏干的品种时，可利用颜色直方图等特征，结合分类算法进行识别。除了面积、形状和颜色特征外，还可以提取杏干的纹理特征、几何特征等，这些特征信息相互补充，能够更全面地反映杏干的品质。识别是利用提取的特征信息对杏干的品质进行判断和分类。常用的识别算法有支持向量机（SVM）、人工神经网络（ANN）、决策树等。支持向量机是一种基于统计学习理论的分类方法，通过寻找一个最优的分类超平面，将不同类别的样本分开，具有良好的泛化能力和分类性能；人工神经网络是一种模拟人类大脑神经元结构和功能的计算模型，通过对大量样本的学习，自动提取特征并进行分类，具有很强的非线性映射能力和自学习能力；决策树则是一种基于树结构的分类方法，通过对特征进行测试和划分，构建决策树模型，根据样本的特征值在决策树上进行遍历，最终确定样本的类别。在杏干品质检测中，可根据实际情况选择合适的识别算法，并对算法进行训练和优化，以提高识别的准确率和可靠性。例如，将提取的杏干特征作为输入，使用支持向量机算法进行训练，建立杏干品质分类模型，对不同品质等级的杏干进行分类；或者利用人工神经网络算法，构建多层感知器模型，对杏干的品质进行预测和评估。同时，为了提高识别的准确性，还可以采用交叉验证、特征选择等方法，对模型进行优化和验证，确保模型能够准确地识别杏干的品质。2.2近红外光谱技术原理与分析方法2.2.1近红外光谱的产生与特性近红外光谱的产生源于物质分子对近红外光的吸收，其原理基于分子振动和转动能级的跃迁。当近红外光照射到物质上时，分子中的化学键，尤其是含氢化学键（如C-H、O-H和N-H键）会吸收特定波长的光，从而导致分子振动能级的跃迁。这些吸收峰对应着分子中特定化学键的特征振动频率，不同的化学键和分子结构会产生不同的吸收光谱，因此近红外光谱可以用来识别和定量物质中的特定组分。分子的振动模式包括伸缩振动和弯曲振动，伸缩振动是指原子沿着化学键方向的往复运动，而弯曲振动则是指原子相对于化学键的角度变化运动。这些振动模式在近红外光谱区会产生倍频或合频吸收。倍频吸收是指分子从基态振动能级跃迁到较高的激发态振动能级时所吸收的光，其频率是基频的整数倍；合频吸收则是指分子同时吸收两个或多个不同频率的光子，产生的吸收频率等于这些光子频率之和。例如，对于O-H键，其基频振动吸收位于中红外区，而在近红外区可以观察到其倍频和合频吸收峰。近红外光谱的波长范围通常为780-2500nm，介于可见光和中红外光谱之间。与其他光谱技术相比，近红外光谱具有一些独特的特性。近红外光谱是一种非破坏性的分析技术，无需对样品进行复杂的预处理，如消解、萃取等，避免了样品的损失和污染，可直接对样品进行检测，适用于对样品完整性要求较高的分析。近红外光谱分析速度快，能够在短时间内获取大量的光谱数据，实现对样品的快速检测，满足现代生产对快速检测的需求。该技术可以同时获取样品中多种化学成分和物理性质的信息，如水分、糖分、蛋白质、脂肪等，为全面评估样品品质提供了丰富的数据支持。此外，近红外光谱技术还具有操作简便、成本效益高、可进行在线分析等优点，使其在农产品、食品、医药、化工等领域得到了广泛的应用。在杏干成分检测中，近红外光谱技术具有重要的应用价值。杏干中含有丰富的碳水化合物、蛋白质、水分、糖分等成分，这些成分中的化学键在近红外光的照射下会产生特定的吸收光谱。通过测量杏干对近红外光的吸收特性，可以建立光谱与成分含量之间的数学模型，从而实现对杏干中各种成分含量的快速、准确检测。例如，通过分析杏干近红外光谱中与糖分相关的吸收峰强度和位置变化，可以定量检测杏干中的糖分含量，为评估杏干的甜度和品质提供依据；通过检测与水分相关的吸收峰，可确定杏干的水分含量，判断杏干的干燥程度和储存稳定性。2.2.2光谱数据预处理方法在采集杏干的近红外光谱数据时，由于受到仪器噪声、样品散射、基线漂移等因素的影响，原始光谱数据往往存在噪声和干扰，这些噪声和干扰会影响光谱数据的准确性和可靠性，降低后续分析模型的精度和稳定性。因此，需要对原始光谱数据进行预处理，以消除噪声和干扰，提高光谱数据的质量。多元散射校正（MSC）是一种常用的光谱预处理方法，主要用于校正样品的散射效应。在近红外光谱测量中，样品的颗粒大小、形状、表面粗糙度等因素会导致光的散射，使光谱产生基线漂移和变形，影响光谱的准确性。MSC通过对光谱数据进行标准化处理，消除样品散射对光谱的影响。其基本原理是假设所有样品的散射效应相同，通过对参考光谱（通常是所有样品光谱的平均值）进行线性回归，得到散射校正系数，然后用这些系数对每个样品的光谱进行校正，使校正后的光谱只反映样品的化学成分信息，而不受散射效应的干扰。例如，对于一组杏干样品的近红外光谱数据，使用MSC方法进行预处理后，能够有效消除由于杏干表面不平整、颗粒大小不均等因素引起的散射影响，使光谱曲线更加平滑，特征峰更加明显，提高了光谱数据的一致性和可比性。标准正态变量变换（SNV）也是一种常用的预处理方法，用于校正散射效应并对光谱进行归一化处理。SNV通过对每个样品的光谱数据进行标准化处理，使其具有相同的均值和方差，从而消除样品间因散射和光程差异等因素导致的光谱差异。具体来说，SNV首先计算每个样品光谱的均值和标准差，然后将每个光谱数据点减去均值，并除以标准差，得到标准化后的光谱数据。这种方法能够有效地校正样品的散射效应，同时使不同样品的光谱在强度上具有可比性，有利于后续的数据分析和建模。在杏干近红外光谱分析中，SNV可以消除由于杏干样品的放置位置、测量角度等因素引起的光谱差异，使不同样品的光谱数据处于同一水平，提高了模型的准确性和稳定性。例如，在建立杏干糖度预测模型时，使用SNV对光谱数据进行预处理，能够使模型更好地捕捉到光谱与糖度之间的关系，提高预测精度。除了MSC和SNV，还有其他一些常用的光谱预处理方法，如平滑处理、基线校正、归一化、导数处理等。平滑处理是通过滤波算法减少光谱数据中的随机噪声，如移动平均滤波、Savitzky-Golay滤波等。移动平均滤波是对光谱数据的邻域点进行平均计算，以平滑光谱曲线，减少噪声的影响；Savitzky-Golay滤波则是通过在数据上拟合多项式并计算其在每个点的值来平滑数据，在去除噪声的同时，能较好地保留光谱的特征信息。基线校正用于消除由于仪器、样品制备等原因导致的基线漂移，使光谱反映的是样品本身的特性，常见的方法包括最小-最大归一化、多项式拟合等。归一化是将光谱的强度比例调整到相同的水平，有助于数据之间的比较，常用的方法有向量归一化、最大值归一化、范数归一化等。导数处理是通过计算光谱的一阶或高阶导数，减少光谱重叠，突出吸收峰的细节特征，如一阶导数光谱、二阶导数光谱等。这些预处理方法各有其特点和适用范围，在实际应用中，需要根据具体的光谱数据和分析目的选择合适的预处理方法，或结合多种方法进行预处理，以获得最佳的光谱数据质量。例如，对于含有较多噪声的杏干近红外光谱数据，可以先使用Savitzky-Golay滤波进行平滑处理，再进行基线校正和归一化处理，最后根据需要进行导数处理，以提高光谱数据的分析效果。2.2.3常用的光谱分析算法在建立杏干糖度预测模型时，常用的光谱分析算法有偏最小二乘法（PLS）、向后区间偏最小二乘法（biPLS）及联合区间偏最小二乘法（siPLS）等。这些算法能够处理高维的近红外光谱数据，提取其中的有用信息，建立光谱数据与杏干糖度之间的数学模型，从而实现对杏干糖度的准确预测。偏最小二乘法（PLS）是一种常用的多元校正算法，它通过将光谱数据矩阵和糖度数据矩阵进行分解，提取出对糖度影响最大的主成分，建立光谱与糖度之间的线性回归模型。PLS能够有效地处理光谱数据中的多重共线性问题，同时对噪声具有一定的抑制作用，具有较好的预测能力和稳定性。在建立杏干糖度预测模型时，PLS将杏干的近红外光谱数据作为自变量，糖度值作为因变量，通过对光谱数据进行主成分分析，找到与糖度相关性最强的主成分，构建预测模型。例如，在对一组杏干样品的近红外光谱数据和糖度值进行分析时，使用PLS算法建立模型，经过训练和验证，模型能够较好地预测杏干的糖度，为杏干品质检测提供了有效的手段。向后区间偏最小二乘法（biPLS）是在PLS的基础上发展起来的一种变量选择算法。它将整个光谱范围划分为若干个子区间，然后从包含所有子区间的模型开始，逐步删除对模型贡献最小的子区间，直到找到最优的子区间组合。biPLS能够减少模型中的冗余变量，提高模型的预测精度和计算效率。在杏干糖度检测中，biPLS通过对不同子区间的光谱数据进行分析，筛选出对糖度预测贡献最大的子区间，建立基于这些子区间的预测模型。例如，当将全光谱范围划分为22个子区间时，biPLS算法通过逐步筛选，优选出区间[17、2、3、9、20、13、7、18、15、11、6]，基于这些子区间建立的biPLS糖度模型性能较好，其校正集相关系数和校正均方根误差分别为0.8983和1.23，预测集相关系数和预测均方根误差分别为0.8814和1.46，表明该模型能够准确地预测杏干的糖度。联合区间偏最小二乘法（siPLS）也是一种基于区间划分的变量选择算法。它将光谱范围划分为多个子区间，然后通过组合不同的子区间，建立多个PLS模型，最后选择预测性能最优的子区间组合作为最终模型。siPLS能够充分利用光谱数据中的信息，提高模型的泛化能力和稳定性。在应用siPLS建立杏干糖度预测模型时，首先将近红外光谱范围划分为多个子区间，然后对不同的子区间组合进行建模和评估，选择预测效果最好的子区间组合构建模型。例如，通过对不同子区间组合的试验和分析，找到一组能够使模型预测精度最高、稳定性最好的子区间组合，基于该组合建立的siPLS模型能够更准确地预测杏干的糖度，为杏干品质评价提供可靠的依据。这些光谱分析算法在建立杏干糖度预测模型时各有优势，在实际应用中，需要根据具体的光谱数据特点和预测要求，选择合适的算法，并对算法进行优化和验证，以提高模型的性能和可靠性，实现对杏干糖度的准确检测和品质评价。2.3技术融合的理论基础与优势机器视觉技术和近红外光谱技术具有不同的检测原理和优势，将两者相结合应用于杏干品质无损检测，具有坚实的理论基础和显著的优势。从理论基础来看，机器视觉技术主要基于光学成像原理，通过获取杏干的图像信息，对其外观品质进行检测和分析。而近红外光谱技术则基于物质分子对近红外光的吸收特性，通过检测杏干对近红外光的吸收光谱，获取其内部化学成分和物理性质的信息。两者的检测原理相互独立，但又可以相互补充，共同为杏干品质检测提供全面的信息。例如，机器视觉技术可以准确地检测杏干的形状、大小、颜色、表面缺陷等外观特征，而近红外光谱技术则可以检测杏干的糖分、水分、蛋白质、脂肪等内部成分含量，以及内部是否存在缺陷等信息。将两者结合起来，可以实现对杏干品质的全方位检测，更准确地评估杏干的质量。在实际应用中，机器视觉和近红外技术相结合在全面获取杏干内外品质信息方面具有诸多优势。这种结合可以克服单一技术的局限性。机器视觉技术虽然能够直观地检测杏干的外观品质，但对于杏干内部的化学成分和物理性质等信息却难以获取；近红外光谱技术虽然能够检测杏干的内部成分，但对于杏干的外观特征检测不够直观和准确。将两者结合，能够充分发挥各自的优势，实现对杏干品质的全面检测。通过机器视觉技术获取杏干的外观图像，结合近红外光谱技术检测其内部成分，就可以同时了解杏干的外观品质和内部品质，为杏干的质量评价提供更全面的依据。技术融合还能提高检测的准确性和可靠性。不同的检测技术对同一品质指标的检测结果可能存在差异，通过将机器视觉和近红外技术相结合，可以对检测结果进行相互验证和补充，减少误差，提高检测的准确性和可靠性。在检测杏干的糖分含量时，机器视觉技术可以通过检测杏干的颜色等外观特征，初步判断其糖分含量的高低；近红外光谱技术则可以通过检测杏干对近红外光的吸收光谱，准确地测量其糖分含量。将两者的检测结果进行对比和分析，可以更准确地确定杏干的糖分含量，提高检测的可靠性。此外，技术融合可以实现对杏干品质的快速、高效检测。机器视觉技术和近红外光谱技术都具有快速检测的特点，将两者结合起来，可以进一步提高检测效率，满足现代生产对快速检测的需求。在生产线上，通过同时使用机器视觉和近红外光谱检测设备，可以在短时间内对大量杏干进行品质检测，及时发现品质问题，提高生产效率和产品质量。将机器视觉和近红外技术相结合应用于杏干品质无损检测，具有重要的理论基础和显著的优势，能够为杏干品质检测提供更全面、准确、快速的检测手段，推动杏干产业的发展。三、杏干品质无损检测系统设计与搭建3.1机器视觉检测系统3.1.1硬件选型与搭建为了构建高效准确的杏干品质无损检测系统，硬件设备的选型与搭建至关重要。本研究选用了MV-CE120-50GM型相机，这款相机采用CMOS传感器，具有500万像素的分辨率，能够清晰捕捉杏干的细节特征。其帧率可达12fps，可满足一定速度下的检测需求，确保在生产线上快速获取杏干图像。相机的全局快门功能有效避免了运动模糊，保证了图像的质量，为后续的图像处理和分析提供了可靠的基础。搭配的MVL-HF2528M-2MP镜头，焦距为25mm，光圈范围为F2.8-F16。该镜头的分辨率高，能够提供清晰的图像，畸变控制在较小范围内，确保对杏干形状和尺寸的测量精度。其工作距离为100-300mm，可根据实际检测需求进行调整，适应不同的检测场景。例如，在检测不同大小的杏干时，可以通过调整工作距离，使杏干在图像中占据合适的比例，便于准确提取其特征信息。光源选用了环形白色LED光源，这种光源能够提供均匀的照明，有效消除阴影和反光，使杏干的表面特征更加清晰可见。其发光强度可通过控制器进行调节，以适应不同的检测环境和需求。在光线较暗的环境中，可适当提高光源的发光强度，确保图像的亮度和对比度；而在光线较强的环境中，则可降低发光强度，避免图像过亮。光源的安装角度经过精心调试，使其能够以最佳角度照射杏干，突出杏干的表面纹理和缺陷等特征。例如，通过多次试验，确定光源与杏干表面的夹角为45°时，能够使表面缺陷在图像中呈现出明显的对比度，便于后续的缺陷检测和分析。搭建图像采集平台时，将相机、镜头和光源固定在一个稳定的支架上，确保它们之间的相对位置和角度在检测过程中保持不变。通过调整相机的高度和角度，使杏干位于相机的视野中心，且图像能够完整地覆盖杏干。使用图像采集卡将相机与计算机连接，实现图像的快速传输和存储。在连接过程中，确保采集卡与相机的接口匹配，驱动程序安装正确，以保证图像采集的稳定性和效率。通过对硬件设备的合理选型和精心搭建，为获取高质量的杏干图像提供了保障，为后续的图像处理和品质检测奠定了坚实的基础。3.1.2软件设计与功能实现本研究采用了基于Python语言的OpenCV库和Scikit-learn库进行图像处理与分析软件的开发。Python语言具有简洁易读、丰富的库函数以及强大的数据分析和处理能力，能够高效地实现各种图像处理算法和功能。OpenCV库提供了丰富的图像处理函数和工具，涵盖图像滤波、边缘检测、图像分割、特征提取等多个方面，为图像处理提供了便利。Scikit-learn库则是一个强大的机器学习库，包含了各种分类、回归、聚类等算法，可用于杏干品质的识别和分类。软件实现了图像采集功能，通过与相机的连接，能够实时获取杏干的图像，并将其保存到计算机中。在图像采集过程中，可设置图像的分辨率、帧率、曝光时间等参数，以满足不同的检测需求。对于表面纹理复杂的杏干，可适当提高图像分辨率，以获取更清晰的纹理信息；对于检测速度要求较高的场景，可调整帧率和曝光时间，确保在快速检测的同时保证图像质量。图像预处理功能是软件的重要组成部分。通过均值滤波对图像进行去噪处理，有效去除图像中的噪声干扰，使图像更加平滑。采用直方图均衡化方法增强图像的对比度，使杏干的颜色和纹理更加清晰，便于后续的分析。在处理颜色较深的杏干图像时，直方图均衡化能够显著提高图像的对比度，突出杏干的特征。图像分割功能利用基于区域骨架化的填充法将杏干从背景中分离出来，准确提取杏干的轮廓和区域信息。根据杏干的形状和大小等先验知识，设置合适的填充规则和条件，确保分割结果的准确性。对于形状不规则的杏干，通过结合边缘检测和区域生长等方法，能够更准确地分割出杏干区域。特征提取功能从分割后的杏干图像中提取面积、形状、颜色等特征信息。计算杏干图像的面积，以了解杏干的大小情况；提取周长、长宽比、圆形度、偏心率等形状特征，判断杏干的形状是否规则；在HSV颜色空间中计算颜色均值、方差等颜色特征参数，分析杏干的颜色特征。在检测杏干的成熟度时，可通过分析颜色特征中的色调值，判断其成熟程度；在检测杏干的品种时，结合形状和颜色特征，利用分类算法进行识别。软件还实现了结果输出功能，将检测结果以直观的方式展示给用户。对于检测出的杏干品质信息，如大小、形状、颜色、缺陷等，以表格或图表的形式呈现。将不同品质等级的杏干数量进行统计分析，以柱状图的形式展示，便于用户快速了解杏干的品质分布情况。同时，将检测结果保存到数据库中，以便后续的查询和分析。通过对软件功能的精心设计和实现，能够实现对杏干图像的高效处理和分析，准确检测杏干的品质，为杏干的质量控制和分级提供有力支持。3.2近红外光谱检测系统3.2.1光谱仪选择与参数设置为了准确获取杏干的近红外光谱数据，本研究选用了Avatar370傅里叶变换近红外光谱仪，该光谱仪具有高精度、高分辨率和良好的稳定性，能够满足杏干品质检测的需求。其工作原理基于傅里叶变换光谱技术，通过测量干涉图并对其进行傅里叶积分变换来测定和研究光谱。光源发出的光经过干涉仪后，被分成两束，一束通过样品，另一束作为参考光，两束光在探测器上发生干涉，产生干涉图。通过对干涉图进行傅里叶变换，可得到样品的光谱信息。在参数设置方面，扫描波长范围设定为10000-4000cm⁻¹，此范围涵盖了杏干中多种成分（如水分、糖分、蛋白质等）的特征吸收峰，能够全面反映杏干的化学成分信息。分辨率设置为4cm⁻¹，较高的分辨率可以更精确地分辨光谱中的细微特征，提高检测的准确性。扫描次数设定为32次，多次扫描可以平均化噪声，提高光谱的信噪比，增强光谱数据的可靠性。扫描速度设置为中速，在保证数据质量的前提下，提高检测效率。3.2.2数据采集与传输光谱数据采集时，将杏干样品放置在样品台上，确保样品位置固定且均匀受光。每次采集前，对光谱仪进行预热和校准，以保证仪器的稳定性和测量精度。采用积分时间为50ms的设置，使探测器能够充分采集光信号，获取清晰的光谱数据。采集频率为每秒1次，可根据实际检测需求进行调整。对于生产线上快速检测的场景，可适当提高采集频率，确保能够及时获取杏干的光谱信息；而对于对检测精度要求较高的实验研究，可降低采集频率，增加每次采集的平均次数，以提高数据的准确性。采集到的光谱数据通过USB接口实时传输到计算机中进行后续处理。在传输过程中，采用数据校验和纠错技术，确保数据的完整性和准确性。对传输的数据进行实时监控，若发现数据丢失或错误，及时进行重传或修复。在计算机端，利用配套的光谱分析软件对传输过来的数据进行存储、显示和初步处理，如光谱的平滑、基线校正等，为后续的数据分析和模型建立做好准备。3.3系统集成与优化将机器视觉检测系统和近红外光谱检测系统集成，是实现杏干品质全面无损检测的关键步骤。在硬件集成方面，设计了一个一体化的检测平台，将机器视觉系统的相机、镜头、光源以及近红外光谱检测系统的光谱仪等设备合理布局，确保它们之间的协同工作。通过机械结构的优化设计，使相机和光谱仪能够同时对同一杏干样品进行检测，避免了样品位置的移动误差，提高了检测的准确性和一致性。为了保证检测平台的稳定性，采用了高精度的导轨和滑块，使样品在检测过程中能够平稳移动，减少了震动对检测结果的影响。在电气连接上，采用了标准化的接口和线缆，确保各设备之间的数据传输稳定可靠。例如，使用USB3.0接口连接相机和计算机，以实现高速的图像数据传输；采用光纤连接光谱仪和计算机，提高光谱数据的传输速度和抗干扰能力。在软件集成方面，开发了一个统一的控制界面，实现对两个系统的集中控制和数据管理。通过该界面，操作人员可以方便地设置机器视觉系统和近红外光谱检测系统的参数，启动和停止检测过程，实时查看检测结果。该控制界面还具备数据存储和分析功能，能够将检测得到的图像数据和光谱数据进行存储，并利用数据分析算法对数据进行处理和分析，为杏干品质的评估提供依据。利用Python语言开发了一个数据处理模块，能够对机器视觉系统采集到的图像数据进行处理，提取杏干的外观特征；同时，对近红外光谱检测系统采集到的光谱数据进行分析，建立光谱与杏干内部成分之间的模型。通过将两个系统的数据进行融合，实现对杏干品质的全面评估。为了提高检测系统的性能，对系统参数进行了优化。在机器视觉系统中，通过实验优化了相机的曝光时间、增益等参数，以获取清晰、对比度高的图像。在不同的光照条件下，对相机的曝光时间进行调整，观察图像的质量变化，确定最佳的曝光时间。同时，对光源的亮度和角度进行优化，使杏干的表面特征更加清晰，便于后续的图像处理和分析。在近红外光谱检测系统中，优化了光谱仪的扫描参数，如扫描次数、积分时间等，以提高光谱数据的信噪比和准确性。通过多次实验，确定了最佳的扫描次数和积分时间，使光谱仪能够更准确地采集杏干的光谱信息。通过系统集成和参数优化，提高了检测系统的检测精度和效率。在检测精度方面，能够更准确地检测杏干的外观品质和内部品质，减少了误判和漏判的情况。对于表面缺陷较小的杏干，优化后的机器视觉系统能够更清晰地识别缺陷，提高了缺陷检测的准确率；近红外光谱检测系统在优化后，能够更准确地测量杏干的糖分、水分等内部成分含量，为杏干品质的评估提供了更可靠的依据。在检测效率方面，系统的自动化程度提高，能够快速地对大量杏干进行检测，满足了实际生产的需求。通过优化检测流程和数据处理算法，使检测系统的检测速度提高了30%以上，大大提高了生产效率。四、基于机器视觉的杏干外观品质检测4.1杏干图像采集与预处理为全面获取杏干的外观特征，本研究采用了多角度图像采集方法，拍摄杏干4个不同位置的彩***像。在图像采集过程中，将杏干放置在载物台上，通过旋转载物台，使杏干依次呈现不同的角度，确保相机能够拍摄到杏干的各个面。为保证图像质量，每次拍摄时，相机的位置、角度和参数均保持一致，以减少因拍摄条件不同而导致的图像差异。在拍摄前，对相机进行了校准，确保图像的色彩还原度和清晰度。同时，调整光源的亮度和角度，使杏干表面光照均匀，避免出现阴影和反光现象，以获取清晰、准确反映杏干外观特征的图像。采集到的杏干图像可能存在噪声、模糊等问题，影响后续的分析和处理，因此需要进行预处理。首先进行图像滤波，采用均值滤波方法对图像进行去噪处理。均值滤波通过计算邻域内像素的平均值来替换当前像素的值，能够有效平滑图像，减少噪声干扰。对于尺寸为5×5邻域的均值滤波，其算法公式为：G(x,y)=\frac{1}{n}\sum_{i=-k}^{k}\sum_{j=-k}^{k}f(x+i,y+j)其中，G(x,y)是滤波后图像在位置(x,y)处的像素值，f(x+i,y+j)是原始图像中位置(x+i,y+j)处的像素值，n=(2k+1)^2是邻域内像素的总数，这里k=2。经过均值滤波处理后，图像中的噪声得到了有效抑制，图像变得更加平滑。接着进行灰度化处理，将彩像转换为灰度图像，以便后续的分析和处理。采用加权平均法进行灰度化，根据人眼对不同颜色敏感度的差异，对RGB三个分量进行加权平均。其转换公式为：其中，为灰度值，、、分别为彩像中红色、绿色、蓝色分量的值。这种方法能够更合理地反映人眼对颜色的感知，保留图像的重要信息。通过灰度化处理，将三维的彩***像转换为一维的灰度图像，减少了数据量，同时突出了图像的亮度信息，为后续的特征提取和分析奠定了基础。经过预处理后的杏干图像，噪声得到有效去除，图像的清晰度和对比度得到提高，为准确检测杏干的外观品质提供了良好的数据基础。4.2杏干特征提取与分析4.2.1几何特征提取利用基于区域骨架化的填充法提取杏干面积，该方法能够准确地分割出杏干的区域，从而计算出其面积。具体步骤为：首先对预处理后的杏干图像进行形态学运算，获取图像的骨架，骨架能够反映杏干的大致形状和结构；然后基于骨架，采用填充算法对骨架内部的区域进行填充，得到完整的杏干区域，进而计算出杏干的面积。通过对大量杏干样本的面积计算，发现杏干面积与质量之间存在一定的正相关关系，即面积较大的杏干通常质量也较大。这是因为杏干的大小在一定程度上反映了其生长过程中的营养积累和发育状况，较大的杏干可能在生长过程中获得了更充足的养分，从而具有更高的质量。采用椭圆拟合方法提取杏干的长、短轴，以描述杏干的大小特征。椭圆拟合是一种常用的形状描述方法，通过寻找一个最佳拟合椭圆，使其尽可能地接近杏干的形状，从而得到杏干的长、短轴长度。具体实现时，利用最小二乘法等算法对杏干的轮廓进行拟合，确定椭圆的参数，进而得到长、短轴的值。研究发现，长、短轴的长度与杏干的实际大小密切相关，能够准确地反映杏干的尺寸信息。在实际应用中，通过测量杏干的长、短轴，可以快速判断杏干的大小等级，为杏干的质量分级提供重要依据。例如，对于长轴长度在30-40毫米、短轴长度在20-30毫米的杏干，可以划分为中等大小等级；而长轴长度大于40毫米、短轴长度大于30毫米的杏干，则可划分为大尺寸等级。通过对20个杏干进行检测，结果表明，利用椭圆拟合方法提取长、短轴来描述杏干大小特征的准确率达到95%，验证了该方法的有效性和准确性。4.2.2颜色特征提取在提取杏干颜色特征时，选用了RGB和HSV两种常用的颜色空间。在RGB颜色空间中，通过计算杏干图像的R、G、B三个通道的均值和方差来提取颜色特征。R通道主要反映红色信息，G通道反映绿色信息，B通道反映蓝色信息。通过分析不同品种和成熟度杏干的RGB颜色特征发现，成熟度较高的杏干，其R通道均值相对较高，呈现出更鲜艳的橙红色；而成熟度较低的杏干，R通道均值较低，颜色偏黄。方差则反映了颜色的均匀程度，方差较小的杏干，颜色更加均匀一致，说明其成熟度相对较为均匀。在HSV颜色空间中，从色调（H）、饱和度（S）和明度（V）三个维度提取颜色特征。色调（H）表示颜色的种类，不同品种的杏干具有不同的色调范围。例如，某品种的杏干色调主要集中在30-40度之间，呈现出独特的橙黄色；而另一品种的杏干色调可能在40-50度之间，颜色稍有差异。饱和度（S）反映颜色的鲜艳程度，饱和度较高的杏干，颜色更加鲜艳浓郁，说明其糖分含量可能较高，品质较好；饱和度较低的杏干，颜色较为暗淡，可能成熟度不足或受到其他因素影响。明度（V）表示颜色的明亮程度，明度较高的杏干，看起来更加明亮，可能在干燥过程中水分去除较为均匀，没有出现过度干燥或局部干燥不足的情况；明度较低的杏干，则可能存在干燥不均匀或受到其他因素影响。通过对不同品种和成熟度杏干的HSV颜色特征分析，发现色调（H）与杏干的品种密切相关，不同品种的杏干具有明显不同的色调特征；饱和度（S）和明度（V）与杏干的成熟度和品质有较强的相关性，成熟度高、品质好的杏干，通常具有较高的饱和度和明度。在实际应用中，通过分析杏干在HSV颜色空间中的颜色特征，可以有效地判断杏干的品种、成熟度和品质，为杏干的质量评估提供重要依据。4.2.3缺陷检测采用基于平均灰度的区域增长法检测杏干表面的缺陷。该方法首先计算杏干图像的平均灰度值，以此作为初始种子点。然后，根据设定的增长准则，将与种子点灰度值相近的相邻像素逐步合并到种子点所在的区域，直到满足停止条件，从而得到缺陷区域。在实际操作中，通过多次试验确定了合适的灰度阈值和增长准则。当灰度阈值设置为20时，能够较好地将缺陷区域与正常区域区分开来；增长准则采用四邻域连接，即只考虑与种子点直接相邻的四个像素，这样可以确保增长过程的稳定性和准确性。杏干表面的缺陷类型主要包括黑斑、破损等。黑斑可能是由于杏干在生长过程中受到病虫害侵袭，或者在加工、储存过程中受到微生物污染、氧化等因素影响而形成的；破损则可能是在采摘、运输、加工等环节中受到机械损伤导致的。这些缺陷会显著影响杏干的品质，降低其食用价值和市场竞争力。黑斑不仅影响杏干的外观，还可能导致杏干的口感变差，营养成分流失；破损的杏干容易受到微生物污染，加速变质，缩短保质期。通过对大量杏干样本的检测，基于平均灰度的区域增长法对缺陷检测的准确率达到84.5%，能够有效地识别出杏干表面的缺陷，为杏干的质量控制提供了有力支持。在实际应用中，对于检测出的有缺陷的杏干，可以进行单独处理，如筛选出来进行降级或报废处理，以保证上市销售的杏干品质符合标准。4.3基于机器视觉的杏干品质分级模型建立为了建立准确可靠的杏干品质分级模型，本研究运用多元线性回归方法，对杏干的实际质量和提取的4个面的面积进行建模分析。从100个正常杏干样本中，随机挑选75个作为校正集，用于训练模型；另外25个作为预测集，用于评估模型的性能。在建模过程中，将杏干4个面的面积作为自变量，实际质量作为因变量，通过多元线性回归算法寻找自变量与因变量之间的线性关系。其数学模型可表示为：Y=\beta_0+\beta_1X_1+\beta_2X_2+\beta_3X_3+\beta_4X_4+\epsilon其中，Y表示杏干的实际质量，X_1、X_2、X_3、X_4分别表示杏干4个面的面积，\beta_0为常数项，\beta_1、\beta_2、\beta_3、\beta_4为回归系数，\epsilon为误差项。通过最小二乘法等优化算法，求解回归系数，使模型能够最佳地拟合数据。经过模型训练，得到校正集相关系数为0.9374，预测集相关系数为0.9307。校正集相关系数反映了模型在训练数据上的拟合优度，值越接近1，说明模型对训练数据的拟合效果越好；预测集相关系数则表示模型在未知数据上的预测能力，较高的预测集相关系数表明模型具有较好的泛化能力，能够准确地预测新样本的质量。根据建立的模型对杏干质量进行分级，将杏干按照质量大小分为不同等级，分级准确率达到90%。这表明该模型能够有效地根据杏干的面积特征对其质量进行分级，为杏干的质量评估提供了可靠的依据。除了多元线性回归模型，本研究还尝试使用支持向量机（SVM）和人工神经网络（ANN）等方法建立杏干品质分级模型，并对不同模型的性能进行了比较。支持向量机是一种基于统计学习理论的分类方法，通过寻找一个最优的分类超平面，将不同类别的样本分开。在建立杏干品质分级模型时，将提取的杏干几何特征（如面积、长轴、短轴等）和颜色特征（如RGB均值、方差，HSV色调、饱和度、明度等）作为输入，将杏干的品质等级作为输出，使用SVM算法进行训练和分类。人工神经网络则是一种模拟人类大脑神经元结构和功能的计算模型，通过对大量样本的学习，自动提取特征并进行分类。在本研究中，构建了一个包含输入层、隐藏层和输出层的多层感知器神经网络，将杏干的特征数据输入到输入层，通过隐藏层的非线性变换和权重调整，最终在输出层得到杏干的品质等级预测结果。通过实验对比，发现多元线性回归模型在计算速度和模型可解释性方面具有优势，能够直观地展示杏干特征与质量之间的线性关系；支持向量机模型在小样本情况下具有较好的分类性能，对复杂的非线性分类问题也能取得较好的效果；人工神经网络模型则具有较强的学习能力和适应性，能够处理高度非线性的数据，但模型训练时间较长，且模型的可解释性较差。综合考虑模型的准确率、计算效率和可解释性等因素，本研究最终选择多元线性回归模型作为杏干品质分级的主要模型，该模型在实际应用中能够快速、准确地对杏干品质进行分级，为杏干的质量控制和市场销售提供有力支持。五、基于近红外技术的杏干内部品质检测5.1近红外光谱数据采集与预处理在进行近红外光谱数据采集时，选取了100个杏干样品作为研究对象，这些样品来自不同的产地和批次，以确保能够涵盖杏干品质的多样性。采用Avatar370傅里叶变换近红外光谱仪对杏干进行光谱采集，将杏干放置在样品台上，调整好位置，确保光谱仪能够准确采集到杏干的光谱信息。采集时，设置扫描波长范围为10000-4000cm⁻¹，分辨率为4cm⁻¹，扫描次数为32次，扫描速度为中速。这样的参数设置能够在保证光谱分辨率的前提下，全面获取杏干的近红外光谱信息，为后续的分析提供充足的数据支持。采集到的原始光谱数据可能受到仪器噪声、样品散射、基线漂移等因素的影响，导致光谱数据存在噪声和干扰，影响后续分析的准确性。因此，需要对原始光谱数据进行预处理。采用标准正态变量变换（SNV）对光谱数据进行预处理，以消除散射效应并对光谱进行归一化处理。SNV的具体计算方法为：对于每个样品的光谱数据x_{ij}（其中i表示样品编号，j表示波长点编号），首先计算该样品光谱的均值\overline{x}_i和标准差s_i，然后进行变换：y_{ij}=\frac{x_{ij}-\overline{x}_i}{s_i}其中，y_{ij}为预处理后的光谱数据。经过SNV预处理后，不同样品的光谱数据在强度上具有可比性，消除了由于样品的颗粒大小、形状、表面粗糙度等因素引起的散射影响，使光谱曲线更加平滑，特征峰更加明显，提高了光谱数据的质量和分析效果。例如，在对一组杏干样品的原始光谱数据进行SNV预处理后，原本存在较大波动和基线漂移的光谱曲线变得更加平滑，与杏干内部成分相关的特征峰更加突出，为后续的光谱分析和模型建立奠定了良好的基础。5.2基于不同算法的杏干糖度预测模型建立采用偏最小二乘法（PLS）建立杏干糖度预测模型时，将预处理后的近红外光谱数据作为自变量，杏干的糖度值作为因变量。PLS通过对光谱数据和糖度数据进行分解，提取出对糖度影响最大的主成分，构建两者之间的线性回归模型。在构建模型过程中，通过交叉验证等方法确定最佳的主成分数，以避免模型过拟合或欠拟合。经过训练和优化，PLS模型的校正集相关系数为0.8512，校正均方根误差为1.56；预测集相关系数为0.8305，预测均方根误差为1.72。这些指标表明PLS模型对杏干糖度具有一定的预测能力，但仍有提升空间。运用向后区间偏最小二乘法（biPLS）建立模型时，将全光谱范围划分为22个子区间。从包含所有子区间的模型开始，逐步删除对模型贡献最小的子区间，通过多次试验和分析，最终优选出区间[17、2、3、9、20、13、7、18、15、11、6]。在这些子区间上，确定主因子数为10时建立的biPLS糖度模型性能较好。其校正集相关系数达到0.8983，校正均方根误差为1.23；预测集相关系数为0.8814，预测均方根误差为1.46。与PLS模型相比，biPLS模型通过筛选有效子区间，减少了冗余信息的干扰，提高了模型的预测精度和稳定性。利用联合区间偏最小二乘法（siPLS）建立模型时，同样将光谱范围划分为多个子区间，通过组合不同的子区间建立多个PLS模型。对这些模型的预测性能进行评估，选择预测效果最优的子区间组合作为最终模型。经过一系列的试验和优化，得到的siPLS模型校正集相关系数为0.8821，校正均方根误差为1.35；预测集相关系数为0.8603，预测均方根误差为1.55。siPLS模型充分利用了光谱数据中的信息，通过合理组合子区间，提高了模型的泛化能力和预测准确性。在建立杏干糖度预测模型时，不同算法各有优劣。PLS模型简单直观，能够快速建立光谱与糖度之间的关系，但对噪声和冗余信息较为敏感；biPLS模型通过变量选择，减少了模型的复杂性，提高了预测精度，但子区间的选择过程较为复杂；siPLS模型综合考虑了多个子区间的信息，具有较好的泛化能力，但计算量较大。在实际应用中，可根据具体需求和数据特点选择合适的算法，以实现对杏干糖度的准确预测。5.3模型性能评估与比较为了全面评估不同模型的性能，本研究采用了多个关键指标进行分析。相关系数是衡量模型预测值与实际值之间线性相关性的重要指标，其值越接近1，表明模型的预测值与实际值之间的线性关系越强，模型的预测效果越好。校正均方根误差（RMSEC）和预测均方根误差（RMSEP）则反映了模型预测值与实际值之间的偏差程度，其值越小，说明模型的预测精度越高，预测值与实际值越接近。通过对这些指标的综合分析，可以准确地评估模型的性能，为选择最优模型提供依据。偏最小二乘法（PLS）模型在建立杏干糖度预测模型时，校正集相关系数为0.8512，校正均方根误差为1.56；预测集相关系数为0.8305，预测均方根误差为1.72。这表明PLS模型对杏干糖度具有一定的预测能力，但从相关系数和均方根误差来看，其预测精度相对较低，模型的拟合效果和泛化能力有待提高。可能是由于PLS模型在处理高维数据时，虽然能够提取主成分，但对于一些复杂的非线性关系捕捉能力不足，导致模型的预测性能受限。向后区间偏最小二乘法（biPLS）模型通过对全光谱范围进行子区间划分，并逐步筛选出对模型贡献最大的子区间，有效提高了模型的预测精度。当全光谱范围被划分为22个子区间，优选出区间[17、2、3、9、20、13、7、18、15、11、6]，主因子数为10时建立的biPLS糖度模型性能较好。其校正集相关系数达到0.8983，校正均方根误差为1.23；预测集相关系数为0.8814，预测均方根误差为1.46。与PLS模型相比，biPLS模型在相关系数和均方根误差上都有明显改善，说明通过变量选择，biPLS模型能够更准确地捕捉到光谱与糖度之间的关系，减少了冗余信息的干扰，提高了模型的预测能力和稳定性。联合区间偏最小二乘法（siPLS）模型通过组合不同的子区间建立多个PLS模型，并选择预测性能最优的子区间组合作为最终模型，充分利用了光谱数据中的信息，提高了模型的泛化能力。其校正集相关系数为0.8821，校正均方根误差为1.35；预测集相关系数为0.8603，预测均方根误差为1.55。虽然siPLS模型在相关系数和均方根误差上不如biPLS模型表现出色，但它在处理复杂数据时，能够通过合理组合子区间，更好地适应不同样本的特性，具有较好的泛化能力，在实际应用中也具有一定的优势。综合比较三种模型的性能指标，biPLS模型在预测杏干糖度方面表现最优。其校正集和预测集的相关系数较高，均方根误差较低，说明该模型能够更准确地预测杏干的糖度，对不同样本的适应性较强。因此，在实际应用中，biPLS模型可作为杏干糖度预测的首选模型，为杏干的品质检测和分级提供可靠的依据。同时，对于不同的应用场景和数据特点，也可根据实际需求选择合适的模型，或对模型进行进一步优化和改进，以提高模型的性能和适用性。六、机器视觉与近红外技术融合的杏干综合品质检测6.1数据融合方法与策略在杏干品质无损检测中，数据融合是将机器视觉和近红外技术获取的信息进行整合，以提高检测准确性和可靠性的关键环节。常见的数据融合方法包括数据层融合、特征层融合和决策层融合，每种方法都有其独特的特点和适用场景。数据层融合是在原始数据层面进行融合，直接将机器视觉获取的图像数据和近红外光谱获取的光谱数据进行合并。这种融合方式保留了最原始的数据信息，理论上能够提供最全面的信息，但由于图像数据和光谱数据的维度、格式等存在较大差异，融合难度较大，计算复杂度高。在实际应用中，需要对图像数据和光谱数据进行预处理，使其具有相同的维度和格式，然后再进行融合。将机器视觉采集的杏干图像数据和近红外光谱仪采集的光谱数据进行预处理后，直接拼接成一个高维数据向量，作为后续分析的输入。数据层融合适用于对数据完整性要求较高，且计算资源充足的场景，能够充分利用两种技术的原始信息，但对数据处理能力和算法要求较高。特征层融合是在特征提取之后进行融合，先分别从机器视觉图像和近红外光谱数据中提取特征，然后将这些特征进行合并。这种融合方式降低了数据维度，减少了计算量，同时保留了对品质检测有重要意义的特征信息。在机器视觉中提取杏干的几何特征（如面积、形状等）和颜色特征，在近红外光谱分析中提取与糖分、水分等成分相关的特征，然后将这些特征组合成一个新的特征向量。特征层融合能够充分发挥两种技术在特征提取方面的优势，适用于对检测速度和准确性都有一定要求的场景，通过合理选择和组合特征，提高检测模型的性能。决策层融合是在各个技术独立进行决策之后，对决策结果进行融合。机器视觉技术根据提取的特征对杏干的外观品质进行判断，得出一个分类结果；近红外技术根据光谱分析对杏干的内部品质进行判断，也得出一个分类结果，然后将这两个结果进行融合，得到最终的检测结果。常见的决策层融合方法有投票法、加权平均法等。投票法是根据各个技术的决策结果进行投票，得票最多的类别作为最终结果；加权平均法是根据各个技术的可靠性和重要性，为其决策结果赋予不同的权重，然后进行加权平均得到最终结果。决策层融合简单易行，对各个技术的独立性要求较高，适用于需要快速做出决策，且各个技术能够独立提供可靠决策结果的场景。在杏干品质检测中，选择合适的融合策略至关重要。本研究根据杏干品质检测的特点和需求，综合考虑数据的特点、计算资源、检测速度和准确性等因素，选择了特征层融合策略。杏干的外观品质和内部品质检测都依赖于提取的特征信息，特征层融合能够将机器视觉和近红外技术提取的关键特征进行有效整合，提高检测模型的性能。通过将机器视觉提取的杏干几何特征、颜色特征与近红外光谱提取的成分特征进行融合，为后续的品质检测和分级提供更全面、准确的特征信息。同时，特征层融合在计算复杂度和检测速度方面也具有一定优势，能够满足实际生产中对快速检测的需求。在实际应用中，还可以结合其他融合策略，如在决策层对特征层融合后的结果进行进一步的验证和优化，以提高检测的可靠性和准确性。6.2融合模型的建立与验证在确定特征层融合策略后，构建融合模型。本研究选用支持向量机（SVM）作为融合模型的分类器，因其在处理小样本、非线性分类问题上表现出色，具有良好的泛化能力和较高的分类准确率。将机器视觉提取的杏干几何特征（如面积、长轴、短轴等）、颜色特征（如RGB均值、方差，HSV色调、饱和度、明度等）与近红外光谱提取的成分特征（如与糖分、水分等相关的特征）进行融合，组成一个新的特征向量。这些特征向量作为SVM模型的输入，杏干的品质等级作为输出，对SVM模型进行训练和优化。在训练过程中，采用交叉验证的方法来评估模型的性能。将数据集划分为多个子集，每次选取其中一个子集作为测试集，其余子集作为训练集，进行多次训练和测试，然后取平均结果作为模型的性能指标。通过调整SVM模型的参数，如核函数类型、惩罚参数C等，寻找最优的模型参数组合，以提高模型的准确性和泛化能力。对于杏干品质检测，选择径向基核函数（RBF）作为SVM的核函数，通过多次试验，确定惩罚参数C为10时，模型的性能最佳。为了验证融合模型的性能，使用独立的测试集对模型进行测试。测试集包含不同品质等级的杏干样本，且这些样本未参与模型的训练过程。将测试集样本的特征向量输入到训练好的融合模型中，模型输出杏干的品质等级预测结果。将预测结果与实际品质等级进行对比，计算模型的准确率、召回率、F1值等评估指标。准确率是指预测正确的样本数占总样本数的比例，反映了模型预测的准确性；召回率是指实际为正样本且被正确预测为正样本的样本数占实际正样本数的比例，体现了模型对正样本的覆盖程度；F1值则是综合考虑准确率和召回率的指标，能够更全面地评估模型的性能。经过测试，融合模型对杏干品质检测的准确率达到92%，召回率为90%，F1值为0.91。与单独使用机器视觉或近红外技术建立的模型相比，融合模型的性能有显著提升。单独使用机器视觉技术建立的模型，对杏干外观品质检测的准确率为85%，对于内部品质检测的能力有限；单独使用近红外技术建立的模型，对杏干内部品质检测的准确率为88%，但在外观品质检测方面存在不足。而融合模型充分利用了机器视觉和近红外技术的优势，实现了对杏干外观品质和内部品质的综合检测，能够更准确地判断杏干的品质等级。这表明融合模型在杏干品质检测中具有较高的准确性和可靠性，能够为杏干的质量控制和分级提供更有效的支持。6.3检测结果分析与应用融合模型对杏干品质检测的准确率达到92%，召回率为90%，F1值为0.91，这表明该模型在判断杏干品质等级方面具有较高的准确性和可靠性。通过将机器视觉获取的外观特征与近红外光谱获取的内部成分特征进行融合，模型能够全面考虑杏干的内外品质信息，从而更准确地识别杏干的品质等级。在检测过程中，对于外观色泽鲜艳、大小均匀且内部糖分含量高、水分含量适中的杏干，融合模型能够准确地将其判定为高品质等级；而对于存在表面缺陷、大小不一且内部成分异常的杏干，模型也能准确识别其低品质等级。在杏干品质分级方面，融合模型具有显著的应用价值。传统的杏干分级主要依赖人工经验，主观性强且效率低下。而融合模型可以根据检测到的杏干品质信息，自动将杏干分为不同等级，如特级、一级、二级等。对于外观无缺陷、颜色均匀、糖分含量高的杏干，模型可将其判定为特级；对于外观有轻微缺陷、颜色和糖分含量稍次的杏干，判定为一级；以此类推。这种自动化的分级方式不仅提高了分级的准确性和效率，还减少了人工成本和误差，为杏干的市场销售提供了标准化的分级依据，有助于实现杏干的优质优价，提高企业的经济效益。在杏干筛选环节，融合模型能够快速准确地识别出不符合质量标准的杏干，如存在黑斑、破损、糖分含量过低等问题的杏干。通过对大量杏干进行快速检测，将不合格的杏干筛选出来，避免其进入后续的加工和销售环节，保证了产品的整体质量。在生产线上，利用融合模型可以实时对杏干进行筛选，一旦检测到不合格的杏干，系统可自动将其剔除，提高了生产效率和产品质量，减少了因不合格产品带来的损失。融合模型在杏干质量控制方面也发挥着重要作用。在杏干的生产过程中，通过定期对生产线上的