【機器視覺技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用探究的文獻綜述3600字】

機器視覺技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用研究的國內(nèi)外文獻綜述目錄TOC\o"1-2"\h\u28846機器視覺技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用研究的國內(nèi)外文獻綜述 198491.1機器視覺技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用進展 181951.2近紅外光譜技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用進展 21.1機器視覺技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用進展機器視覺是一種常見的無損檢測技術(shù)，具有廣泛的應(yīng)用范圍。近年來，利用機器視覺技術(shù)來檢測和分級農(nóng)產(chǎn)品商品，已經(jīng)成為目前國內(nèi)外自動化檢測的一種新的趨勢[1]，學(xué)者們也取得了一定的研究成果。徐瑩瑩在甜瓜的品質(zhì)檢測中，運用圖像處理方法預(yù)處理甜瓜圖像，再采用角點提取判斷瓜蒂區(qū)，然后通過大津算法分割不同區(qū)域，建立模型算法，獲得缺陷識別的準(zhǔn)確率為92.2%[2]。Peng等利用機器視覺技術(shù)對火龍果、梨、蘋果、柑橘、香蕉、桃等6種水果進行分類[3]。王僑等開發(fā)了一種基于機器視覺的玉米定向播種選種裝置，在該裝置中采集種子的動態(tài)RGB色彩特征，并結(jié)合種子形態(tài)建立了空間、周長等二十項檢測指標(biāo)，從而判斷種子是否合格[4]。周竹等利用機器視覺技術(shù)，采用最長徑外接矩形的寬高比法檢測馬鈴薯的形狀，分級正確率91.0%[5]。劉鵬等采用獨立分量法檢測甜柿表面病害，該方法可以很好的識別病害區(qū)域[6]。何建斌等采用K均值聚類與形態(tài)學(xué)相結(jié)合的方法檢測小麥的顏色，實現(xiàn)了小麥植株與背景的分離，達到了很好的效果[7]。XuLiming等利用機器視覺技術(shù)對草莓的顏色、形狀、尺寸大小進行檢測，形狀檢測錯誤率低于5%，顏色分級準(zhǔn)確率達88.8%，形狀分級準(zhǔn)確率超過90%，每個草莓的平均分級時間低于3秒[8]。ZouXiaobo等基于遺傳算法的組織特征參數(shù)方法提取蘋果的顏色特征，應(yīng)用決策樹與組織特征參數(shù)結(jié)合的方法有效實現(xiàn)了蘋果顏色的分級[9]。GuoFen等基于HIS顏色空間，采用貝葉斯分類器對蘋果的顏色進行分級，分級準(zhǔn)確率達90%[10]。V.Leemans等通過圖像分析獲得底色分類、缺陷分割、花萼和莖的識別、缺陷等特征，實現(xiàn)蘋果的質(zhì)量分級，對金冠蘋果和金橋那蘋果品質(zhì)分級正確率分別達到78%和72%[11]。趙小霞等提出了水果自動分級系統(tǒng)的總體設(shè)計，并介紹了該系統(tǒng)的視覺模塊，主要包括機器視覺模塊和圖像處理等兩個方面。水果自動分級的實現(xiàn)是基于圖像處理和PLC控制技術(shù)。試驗結(jié)果表明，該系統(tǒng)對水果的分級精度最高可達98%，可靠性較高[12]。陳林琳等提出了一種利用機器視覺技術(shù)對火龍果進行分級的方法。采用CCD相機和DSP處理器對火龍果進行缺陷檢測，并根據(jù)火龍果的大小和顏色對火龍果進行分類。結(jié)果表明，機器視覺支持的自動化火龍果分級系統(tǒng)具有較高的分級效率和精度，為機器視覺水果分級系統(tǒng)的后續(xù)產(chǎn)業(yè)化提供了技術(shù)支撐[13]。趙小康等提出了一種利用點云圖像檢測紅色水果的方法，以克服遮擋對檢測的影響。首先，利用紅色綠色閾值法分割圖像，去噪后，采用減法聚類算法對水果的點云進行檢測和統(tǒng)計，隨后確定水果的真陽率和假陽性率[14]。高輝等提出了由機器視覺支持的蘋果缺陷快速檢測技術(shù)。自動亮度校正技術(shù)用來消除蘋果表面亮斑，同時根據(jù)缺陷的數(shù)量完成蘋果的初步判斷，并利用加權(quán)相關(guān)向量機對缺陷蘋果進一步判斷。結(jié)果表明，該檢測技術(shù)對1000個檢測樣品的識別準(zhǔn)確率為99.1%，對不同缺陷的檢測準(zhǔn)確率較高[15]。龔忠良等為了實現(xiàn)柑橘缺陷檢測，提出一種機器視覺技術(shù)支持的缺陷檢測方法。在VS2013環(huán)境下利用開源計算機視覺庫OpenCV開發(fā)，根據(jù)柑橘的顏色和形態(tài)特征，將顏色模型由RGB轉(zhuǎn)換為HSV，結(jié)果表明，柑橘表面缺陷檢測的總體識別率為92%，因此該方法能有效區(qū)分柑橘表面的缺陷[16]。張麗芬等設(shè)計開發(fā)了一種集櫻桃內(nèi)在品質(zhì)和外觀測定為一體的小型計算機視覺自動分選系統(tǒng)。該系統(tǒng)由運動系統(tǒng)、視覺采集系統(tǒng)、數(shù)據(jù)處理系統(tǒng)和自動分揀控制系統(tǒng)組成。試驗表明，該系統(tǒng)可以對櫻桃的內(nèi)、外品質(zhì)進行準(zhǔn)確、高速的分選[17]。1.2近紅外光譜技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用進展孟慶龍等通過分割所采集到的蘋果高光譜圖像成功識別蘋果表面缺陷[18]。朱曉琳等等利用高光譜設(shè)備獲取庫爾勒香梨圖像，建立了其可溶性固體含量檢測模型，相關(guān)系數(shù)為0.946，預(yù)測均方根誤差為0.403[19]。蔣浩等通過采集草莓的高光譜圖像結(jié)合Fisher判別模型預(yù)測草莓成熟度，識別率超過95%[20]。李鋒霞等利用高光譜技術(shù)對比多種預(yù)處理方法和建模分析算法對哈密瓜硬度檢測的影響，最終表明高光譜技術(shù)可成功實現(xiàn)哈密瓜硬度檢測[21]。羅霞等通過采集火龍果的高光譜圖像，光譜數(shù)據(jù)提取后建立的MAS-BPNN模型可成功對可溶性固形物含量預(yù)測，模型相關(guān)系數(shù)為0.899，預(yù)測均方根誤差為0.721[22]。劉燕德等通過高光譜設(shè)備獲取黃桃高光譜圖像，結(jié)合化學(xué)計量學(xué)算法，建立了可溶性固形物預(yù)測模型，相關(guān)系數(shù)為0.792[23]。譚保華等以新疆阿克蘇蘋果、新疆鮮棗和海南香蕉為研究對象，采集3種水果的光譜，并對比研究分析了完整和切片的光譜差異，結(jié)果表明，近紅外光譜技術(shù)可以有效地達到對實驗果實樣品的無損檢測，檢測結(jié)果可以反映實驗果實樣品的含糖量。同時，切片實驗果實樣品所反映的內(nèi)部信息比整個實驗果實樣品的信息更加豐富[24]。吳爽等結(jié)合四種化學(xué)計量方法，借鑒使用圖像處理的深度網(wǎng)絡(luò)模塊，利用可見光/近紅外光譜對不同糖度的西瓜進行建模。結(jié)果表明，深度學(xué)習(xí)網(wǎng)絡(luò)模塊一維在可見/近紅外光譜數(shù)據(jù)處理中顯示出巨大的潛力，改進卷積神經(jīng)網(wǎng)絡(luò)在預(yù)測集中相關(guān)系數(shù)為0.8932，預(yù)測均方根誤差為0.7104°Brix[25]。Suphamitmongkol,W等利用近紅外化學(xué)分析法對柑橘進行分類，利用光譜波段建立定性檢測模型對柑橘的品種進行識別，效果較好[26]。劉燕德等為了快速實現(xiàn)對不同產(chǎn)地蘋果糖度的在線無損檢測，減少產(chǎn)地變化對近紅外化學(xué)分析模型的影響，建立了在線檢測不同產(chǎn)地蘋果糖度的通用模型。結(jié)果表明，多產(chǎn)地蘋果糖度在線檢測的通用模型可以提高對不同產(chǎn)地樣品糖度的預(yù)測能力，而且該模型可以通過采用適當(dāng)?shù)牟ㄩL篩選技術(shù)進行簡化。在波長有限的光譜設(shè)備中具有很好的應(yīng)用前景[27]。蔡德玲等為了實現(xiàn)客觀、準(zhǔn)確、快速、無損地測定草莓內(nèi)部可溶性固形物含量，采用近紅外定性分析結(jié)合競爭性適應(yīng)性重新加權(quán)算法規(guī)則抽樣（CARS）變量選擇和變量活性分析，構(gòu)建了偏最小二乘模型和多元線性回歸模型，隨后比較模型，發(fā)現(xiàn)CARS-PLS模型可以較好的預(yù)測草莓內(nèi)部可溶性固體含量[28]。劉燕德等為研究柑橘黃龍病快速無損檢測的可行性，采集光譜并預(yù)處理后，對模型及其參數(shù)進行了優(yōu)化，分別建立PLS-DA和LS-SVM模型。結(jié)果表明，可以利用近紅外光譜分析結(jié)合最小二乘支持向量機的方法對柑橘黃龍病進行無損檢測[29]。金姣姣等采用近紅外光譜辨別香梨的貯藏時間。用隨機共振方法從光譜中提取特征信息。結(jié)果表明，隨機共振輸出信噪比特征值的主成分分析法對不同香梨樣品的區(qū)分效果更好[30]。介鄧飛等為了分析變量篩選結(jié)果對西瓜糖分預(yù)測模型準(zhǔn)確性的影響，利用近紅外漫射光譜法測定麒麟瓜可溶性固形物含量，并分別建立模型，結(jié)合連續(xù)投影算法對預(yù)測模型的準(zhǔn)確性進行篩選。結(jié)果表明，偏最小二乘模型的預(yù)測效果較好[31]。參考文獻唐義華.紅提品質(zhì)無損檢測技術(shù)研究[D].武漢：華中農(nóng)業(yè)大學(xué)，2016:1-2.徐瑩瑩.基于計算機視覺的甜瓜外觀品質(zhì)檢測研究[D].蘭州：甘肅農(nóng)業(yè)大學(xué),2011:40-45.PengHX,ShaoYY,ChenKY,etal.Researchonmulti-classfruitsrecognitionbasedonmachinevisionandSVM[J].IFAC-PapersOnLine,2018,51(17):817-821.王僑,陳兵旗,朱德利,等.基于機器視覺的定向播種用玉米種粒精選裝置研究[J].農(nóng)業(yè)機械學(xué)報,2017,48(02):27-37.周竹,黃懿,李小昱,等.基于機器視覺的馬鈴薯自動分級方法[J].農(nóng)業(yè)工程學(xué)報.2012,28(7):178-183.劉鵬,屠康,潘磊慶,等.基于激光圖像次郎甜柿可溶性固形物含量檢測[J].農(nóng)業(yè)機械學(xué)報.2011,42(1):144-149.何建斌，梁威，李曉明.基于K均值聚類和數(shù)學(xué)形態(tài)學(xué)的小麥彩色圖像分割[J].浙江農(nóng)業(yè)學(xué)報.2011,23(4):829-832.XuLiming,ZhaoYanchao.Automatedstrawberrygradingsystembasedonimageprocessing[J].ComputersandElectronicsinAgriculture.2010,71:32–39.ZouXiaobo,ZhaoJiewen,LiYanxiao.Applecolorgradingbasedonorganizationfeatureparameters[J].PatternRecognitionLetters.2007,28:2046–2053.GuoFen,CaoQixin.StudyonColorImageProcessingBasedIntelligentFruitSortingSystem[R].Proceedingsofthe5"WorldCongressonIntelligentControalandAutomation,June15-19,2004,Hangzhou,P.R.China.V.Leemans,H.Magein,M.-F.Destain.On-lineFruitGradingaccordingtotheirExternalQualityusingMachineVision[J].BiosystemsEngineering.2002,83(4):397–404.趙小霞,李志強.基于PLC和機器視覺的水果自動分級系統(tǒng)研究[J].農(nóng)機化研究,2021,43(08):75-79.陳林琳,姜大慶,黃菊,等.基于機器視覺的火龍果自動分級系統(tǒng)設(shè)計[J].農(nóng)機化研究,2020,42(05):130-133.趙小康,李浩,朱啟兵,等.基于點云圖像和減法聚類的甜椒自動檢測[J].農(nóng)業(yè)工程技術(shù),2020,40(30):93.高輝,馬國峰,劉偉杰.基于機器視覺的蘋果缺陷快速檢測方法研究[J].食品與機械,2020,36(10):125-129+148.龔中良,楊張鵬,梁力,等.基于機器視覺的柑橘表面缺陷檢測[J].江蘇農(nóng)業(yè)科學(xué),2019,47(07):236-239.張麗芬.基于計算機視覺技術(shù)的櫻桃自動分選系統(tǒng)設(shè)計[J].農(nóng)機化研究,2017,39(09):212-214.孟慶龍,張艷,尚靜.基于高光譜成像技術(shù)無損檢測蘋果表面缺陷[J].食品工業(yè),2019,40(03):131-134.朱曉琳,李光輝,張萌.基于CARS-MIV-SVR的庫爾勒香梨可溶性固體含量預(yù)測方法[J].光譜學(xué)與光譜分析,2019,39(11):3547-3552.蔣浩,張初,劉飛,朱紅艷,何勇.基于高光譜圖像多光譜參數(shù)的草莓成熟度識別[J].光譜學(xué)與光譜分析,2016,36(05):1423-1427.李鋒霞,馬本學(xué),何青海,等.哈密瓜堅實度的高光譜無損檢測技術(shù)[J].光子學(xué)報,2013,42(05):592-595.羅霞,洪添勝,羅闊,等.高光譜技術(shù)在無損檢測火龍果可溶性固形物中的應(yīng)用[J].激光與光電子學(xué)進展,2015,52(08):315-323.劉燕德,韓如冰,朱丹寧,等.黃桃碰傷和可溶性固形物高光譜成像無損檢測[J].光譜學(xué)與光譜分析,2017,37(10):3175-3181.譚保華,肖騰飛,劉瓊磊,等.典型經(jīng)濟水果近紅外漫反射無損檢測及其光譜數(shù)據(jù)分析[J].湖北農(nóng)業(yè)科學(xué),2020,59(12):154-158.吳爽