为了无损伤地检测苹果轻微机械损伤, 以我国最为常见的富士苹果为研究对象, 利用高光谱成像技术, 采集了完好、 刚损伤及损伤后1、 3、 6和24 h的样品光谱信息。 采用竞争性自适应重加权算法与连续投影算法分别提取苹果高光谱数据的特征波长, 并使用最小噪声分离变换方法对所选特征波长图像进行数据压缩, 用以后续研究。 采用随机森林（RF）、 支持向量机（SVM）、 光谱角算法（SAM）作为第一层训练器, 以逻辑回归算法（Logistic）作为第二层训练器, 建立了新的Stacking模型, 以提取苹果的轻微损伤区域。 通过建立训练集、 预测集并与第一层训练器中三个单一算法对比的方式, 对其性能进行评估, 结果表明: (1）损伤果品的分类检测, Stacking模型对于损伤的样本, 检测正确率达到了100%, 对于完好样本检测正确率为96.67%, 整体检测正确率为99.4%, 表明该模型能有效地适用于不同损伤程度的苹果损伤分类检测。 (2）损伤区域的检测, Stacking模型与其他三种单一的算法进行对比发现, 对于刚出现损伤的果品, 支持向量机算法以及光谱角算法的分类精度较差, 均低于60%, 随机森林算法分类精度相对较好达到了75%以上, 而Stacking模型分类精度对损伤和未损伤果品区域的分类精度分别达到了90.2%与92.3%; 对于损伤1～6 h的果品, Stacking模型的分类精度对于两种果品区域的分类精度均达到了92%以上, 明显优于其他分类模型; 对于损伤24 h的果品, 4种模型差距不大均具有比较良好的分类效果, 均达到97%以上的分类精度, 表明Stacking模型能相对准确地提取苹果轻微损伤区域, 对高光谱的果品损伤研究具有较高的参考价值。

为了解决由于油桃表面颜色特征复杂所带来的早期机械损伤难以检测问题, 提出了一种基于偏振成像技术的早期损伤检测分类模型。采用分焦平面偏振成像方法一次性获取油桃在4个偏振方向下的偏振图像, 利用双线性插值和低照度增强(LIME)对偏振图像进行预处理, 以提高运行实时性并降低水果曲率变化的影响; 提取偏振图像中像素的颜色特征和灰度共生矩阵(GLCM)特征, 分别用于训练两个最小二乘支持向量机(LSSVM)分类模型; 通过理论分析和实验仿真, 最后利用两个分类模型的串联(color-LSSVM→GLCM-LSSVM model)实现了油桃机械损伤的早期检测。结果表明, 该分类器模型对油桃正常和损伤区域的检测精确率达到95.68%,召回率达到93.29%。分焦平面偏振成像技术在深色系水果的早期损伤无损检测领域具有良好的应用前景。

开展了低温冷冻和机械损伤条件下马铃薯高光谱图像特征响应特性研究。 采用卓立汉光公司Image~λ“谱像”系列高光谱相机获取完好的、 低温冷冻和机械损伤条件下的光谱波段范围为387～1 035 nm的马铃薯高光谱图像; 截取校正后的像素尺寸大小为60×60的马铃薯高光谱中部完好的图像并计算该区域平均反射率值; 冻伤的马铃薯样本的反射光谱曲线在440, 560和680 nm附近有明显吸收峰; 机械损伤样本在560和680 nm附近有明显吸收峰, 在680 nm附近吸收峰谷值明显低于冻伤样本; 完好的马铃薯样本反射光谱曲线相对较为平滑, 在560和680 nm附近未见明显吸收峰; 撞伤样本在440, 560和680 nm附近存在吸收峰, 而在410 nm附近有一个明显的反射峰。 四类马铃薯样本的反射光谱曲线特征峰值表现出一定的指纹特性, 因而可以被用于后续品质特征检测分析使用。 由于仪器或检测环境、 光照强弱等因素影响, 光谱数据中掺杂噪声, 因此采用化学计量学预处理方法消除噪声的影响; 随机选取70%的马铃薯四类样本的反射光谱作为训练数据, 剩余的30%作为测试集; 接着, 利用极端梯度提升算法、 类型提升算法和轻量梯度提升机算法来获取马铃薯高光谱图像的有效特征波谱, 减少高维海量高光谱数据对后续品质分类模型的影响; 最后, 将提取到的有效特征波长构建马铃薯品质判别模型。 在建立的分类模型中, 使用的轻量梯度提升机+逻辑斯蒂回归达到最高的判别精度98.86%。 该研究为将来高光谱图像成像技术在现代农业生产加工过程中马铃薯品质有效监测与控制提供理论基础和技术支撑。