摘要：为检测苹果内部品质,基于可见/近红外光谱检测技术并结合分拣机械手,设计了苹果内部品质分级机械手。该装置主要由夹持机构、近红外光谱采集系统、控制系统等组成。机械手稳定夹持苹果后采集苹果的近红外光谱数据,上位机软件中的预测模型对光谱数据进行分析处理,并显示光谱曲线和预测结果。为建立苹果可溶性固形物含量预测模型,基于该装置采集了苹果在650～1 100 nm波长范围内的光谱数据,通过国家标准测量法测得苹果样本的可溶性固形物含量,采用SG卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)对光谱数据进行预处理,并结合可溶性固形物含量测量值建立偏最小二乘(PLSR)模型。结果表明,采用多元散射校正方法预处理后的建模效果最优,其预测模型的校正集和预测集相关系数分别为0. 978 2、0. 970 1,均方根误差分别为0. 274 6、0. 326 3°Brix。选取20个同品种苹果样本对该装置的稳定性和准确性进行了测试,可溶性固形物含量预测值与测量值相关系数为0. 957 3,均方根误差为0. 422 4°Brix。试验结果表明,苹果内部品质分级机械手在夹持苹果的同时可以实现对苹果可溶性固形物含量的准确预测。

摘要：开发了一种手持式生鲜肉品质无损检测装置,并对装置进行了功能测试。硬件主要包括多光谱光源阵列(中心波长为470、515、545、575、610、760、810、910 nm)及探头模块、恒流源驱动模块、多光谱数据采集与处理模块、无线传输模块以及显示终端模块等。设计了基于Android的生鲜肉检测APP应用软件,实现了对装置的无线控制功能。整个装置体积为175 mm×115 mm×25 mm,质量约为0.45 kg。利用43个猪肉样品进行试验验证,按照3∶1比例将样品分为校正集与预测集,分别利用多元线性回归、偏最小二乘方法以及多元线性结合逐步回归建模方法对数据进行处理并比较结果,结果表明利用多元线性结合逐步回归算法建立的模型结果较好,其中颜色中L*、a*、b*的预测集相关系数分别为0.947 1、0.850 4、0.856 3,挥发性盐基氮(TVB-N)含量预测集相关系数为0.802 7。最后利用不同时间段的12块肉样进行验证模型,其中每组颜色指标中L*、a*、b*的真实值与预测值的预测相关系数均大于0.83,预测集标准偏差均小于等于1.62,挥发性盐基氮含量的真实值与预测值的预测相关系数均为0.80左右,预测偏差及标准偏差均小于等于4.04。从2组的验证结果来看,利用该设备对生鲜肉品质参数进行检测是可行的,模型具有一定的稳定性,且该设备具有轻便、体积小、质量轻、价格低廉等特点,能够为未来生鲜肉品质的便携式无损检测仪器的进一步研发提供参考。

摘要：中国是水果消费大国,但在水果产后检测装备方面相对滞后。针对目前在线检测装置无法采集苹果全表面图像信息且无法精确计算缺陷面积的问题,该研究以表面缺陷面积的快速检测为主要目标,提出苹果全表面图像合成算法,设计了一套苹果外部品质在线检测及分级装置。该研究以苹果为例,基于球模型提出苹果全表面图像合成算法、缺陷面积校正算法精确计算苹果的表面缺陷面积。通过试验验证,对苹果表面图像进行分割合成后,整体的图像的漏检率为0。提出缺陷面积校正算法,可以计算图像中位于任意位置的苹果缺陷真实面积,选取了120个样本进行验证,其中擦伤样本、碰伤样本、痘斑病样本、表面腐败样本各30个。4种表面损伤面积的预测值和真实值的决定系数R^(2)均在0.97以上,均方根误差(Root Mean Squared Error,RMSE)在4 mm^(2)以下。在偏角试验中,4种表面损伤面积的预测值和真实值的决定系数R^(2)均在0.9742以上,RMSE在6.3044 mm^(2)以下。装置检测苹果的速度为2个/s,评级准确率为95%。研究结果表明,检测与苹果评级精度较高,工作较为稳定,实现了苹果外部缺陷的检测与分级评价,可为苹果的外部品质检测提供技术支撑。

摘要：目前苹果品质检测分级机械存在结构复杂、价格昂贵以及不能兼顾内外品质的缺点。苹果的内部品质和外部品质都是决定苹果价值的关键因素,故该研究根据静态条件下的试验分析,设计了苹果内外品质在线无损检测分级系统。该系统主要由哑铃式滚子、机器视觉外观品质检测系统模块、近红外内部品质检测系统模块、分级模块以及控制系统组成。在机器视觉外部品质检测模块设计中,为了增大苹果有碰伤部位和无碰伤部位之间的对比度,通过采集有碰伤部位和无碰伤部位的反射率光谱,确定在730 nm处两者的反射率差异最大,并以此选用波长为730 nm的红色LED光源作为机器视觉模块的光源。为获得苹果整个表面信息,苹果在向前运动的过程中完成自转,并利用算法将单个苹果3个运动状态下的图像进行提取和合成,随后对图像进行高斯滤波,大津法二值化以及轮廓提取处理,当该苹果判断为有碰伤时,直接发送剔除指令,当判断为无碰伤,对轮廓提取后图像进行圆拟合处理,并利用拟合圆直径得到该苹果的大小。近红外内部品质检测系统模块设计中,对比2种近红外检测结构,并以试验确定了将探头和光源布置在下的设计方式。最终,通过试验验证得到了系统的在线检测性能,系统对于苹果有无碰伤检测总体正确率为94%,大小检测的相关系数为0.964 6,均方根误差为2.28 1 mm,苹果内部可溶性固形物含量所建立模型的校正集相关系数为0.950 8,校正集均方根误差为0.342 6%,预测集相关系数为0.949 2,预测集均方根误差为0.448 7%。单个苹果的检测时间为0.71 s。整机具有体积小、结构简单、成本较低的优点,适用于农户和中小型企业。

摘要：基于多光谱成像技术设计了猪肉新鲜度的关联复合品质参数无损伤快速检测装置,包括硬件与软件设计。硬件系统由单片机控制单元、光源单元、图像采集单元、数据处理单元和LCM液晶显示单元组成,软件系统在ICCAVR开发环境下设计,采用C语言编程,包含图像采集模块、滤光片切换模块、LCM显示模块、与PC机通信模块等。经过软件与硬件系统调试、实验,该装置检测速度为每10 s检测一个样品,具备无损伤、快速检测的功能。

摘要：针对生鲜肉检测部门对可移动、便携式检测设备的实际需求,设计了基于ARM处理器便携式生鲜肉品质无损快速检测装置。介绍了该装置的工作原理、硬件构成、软件系统和功能测试。硬件系统由ARM控制处理单元、光源及检测单元、光谱数据采集单元、LCD触摸屏显示单元和散热单元组成,设计了Linux操作系统和生鲜肉品质参数采集处理应用程序。该系统可实现脱离计算机采集光谱信号、存储、显示及处理分析一体化的功能。该装置体积为184 mm×127 mm×114 mm,装置质量约为3.5 kg。以批量样品验证装置检测精度,试验结果表明,颜色L*、a*、b*3个参数的均方根误差分别为1.49、1.09和0.59,平均检测一个样品时间约为1 s。该装置可以快速获得样品参数,具有体积小、便携、无损伤、快速检测的特点,可用于生鲜肉品质的便携式检测。

摘要：针对农畜产品检测现场的需求,基于可见/近红外光谱检测技术和嵌入式系统,开发了灵活方便的猪肉品质无损检测装置。该装置利用卤素灯作为光源,新型光导探头和微型光谱仪采集肉样光谱信息,通过ARM（advanced RISC machines）控制处理器进行集中控制和数据的处理;在内嵌linux操作系统上,采用Qt开发工具,设计出人性化的交互界面,并将猪肉品质的检测结果输出到装置触摸屏上。为了建立多品质无损检测数学模型,获取了猪肉里脊在400~1 000 nm波长范围内的光谱数据,通过国标方法测得猪肉里脊主要品质参数颜色（L＊、a＊、b＊）和p H值,采用标准正态变量变换（standard normalized variate,SNV）和Savitzky-Golay（S-G）平滑对光谱数据进行预处理,并结合理化数据建立偏最小二乘（partial least squares regression,PLSR）模型。用全交叉验证法选取PLSR建模的主成分数。p H值、L＊、a＊和b＊的预测相关系数为0.88、0.90、0.97和0.97,预测标准差为0.19、1.77、1.17和0.63。通过现场试验表明,轻便式多品质无损检测装置具有较高的检测精度,满足于猪肉的颜色和p H值等品质参数检测的要求。

摘要：基于近红外光谱法,优化光纤探头检测距离并通过检测距离调节系统和多点同时检测,设计了猪肉水分在线检测分级系统。首先,为确定光纤探头与生鲜猪肉样品表面间的最佳检测距离,在13个不同检测距离下(5~29 mm)采集了54个样品的光谱,采用多元散射校正方法对原始光谱进行预处理,分别建立了第1波段(349~1 435 nm)、第2波段(1 037~1 761 nm)和双波段结合3种情况的含水率偏最小二乘回归模型,分析了不同检测距离和不同波段的模型,确认19 mm为在线检测分级装备的最佳检测距离。然后,通过检测距离实时调节系统动态固定最佳检测距离,设计了双波段多点同时检测系统,采集45个猪肉样品在静态条件和在线条件下的光谱,通过比较分析,两种情况下预测结果相近,从而证实了所设计的在线系统能够预测猪肉水分,并且双波段融合建模效果优于单波段,预测结果为:校正集相关系数和校正均方根误差分别为0.906和0.598,验证集相关系数和预测均方根误差分别为0.836和0.402。最后,利用独立的21个猪肉样品验证猪肉预测分级模型精度及稳定性,结果判断正确率为90.48%,表明可见近红外光谱法结合多点检测能有效地在线检测猪肉水分并分级。

摘要：为了实现在农产品光谱检测系统中光学镜头或光纤探头到样品表面距离的自动调节,开发一种基于激光传感器开关信号的高度自动调节系统.阐述了高度自动控制系统的工作原理、硬件构成和软件系统的构建.以运动控制器和STC89C52RC单片机为核心检测控制单元,采用MFC中基于对话框模式设计交互界面软件,用软件开启、关闭硬件系统.试验结果表明:该系统可以对样品高度进行自动调节,运动速度9.7 mm·s-1,运动误差小于1 mm;通过与人工手动调节比较,表明该系统在检测不同样品时,能明显减小因高度不同造成的光谱强度反射偏差,可以提高检测精度与效率.

摘要：为了解决苹果果梗/花萼与伤痕在线识别的问题,利用自行设计的机器视觉检测系统在线采集苹果图像,通过自动分割合成算法将3个不同运动状态下的图像进行合成,使得合成后图像可以包含苹果的整个表面。再利用感兴趣区域提取算法提取出苹果合成图像中的果梗/花萼和伤痕部分。通过分析早期伤痕、中期伤痕和后期伤痕的纹理特征和边缘梯度特征,得出纹理特征适用于早中期伤痕与果梗/花萼的检测,而由于后期伤痕的褐变严重且多已出现凹陷,其纹理特征与果梗/花萼相似,故通过提取后期伤痕和果梗/花萼的边缘梯度特征值用于两者的区分。从SVM的建模结果来看,对于早中期伤痕,模型的总体判别正确率为97%,而后期伤痕的总体判别正确率为96%,并利用所得到的模型设计了用于果梗/花萼与伤痕区分的总体算法。最终通过80个带有不同种类伤痕的样本验证总体算法的正确率为95%,验证试验结果表明该算法可实现对果梗/花萼与伤痕的在线识别。