论文部分内容阅读
本文以3个品种茶树(鸠坑、龙井43、菊花春)嫩梢的前6个叶位叶片作为研究对象,利用扫描电镜和光学显微镜观察分析叶片的生理结构特征;应用统计学方法分析叶片含水率的分布特征及其失水过程的动态特征;采用可见-近红外光谱检测技术实现含水率的快速检测;运用高光谱成像技术进行茶叶含水率的可视化检测和茶叶正反面分类研究;综合运用多光谱图像和深度图像研究含水率检测和高度校正的可行性。本研究为茶叶生产过程中含水率的快速无损检测提供理论和技术支持,其主要研究结论如下:(1)应用统计学方法分析烘干时间、品种、叶位因素变化时茶叶含水率分布特征与失水过程的动态特征。运用ANOVA(analysis of variance)进行单因素统计分析,结果发现:不同烘干时间、不同茶树品种、不同叶位之间的含水率之间均存在极显著性差异(p<0.01);固定烘干时间因素,运用ANOVA进行品种与叶位双因素统计分析,结果发现:在各烘干时间水平下,品种因素、叶位因素以及两个因素的交互均对茶叶含水率均具有极显著影响(p<0.01);采用Tukey-kramer方法进行各因素不同水平间多重比较分析,结果发现:不同品种、不同叶位之间的平均值和方差存在差异。将叶片在所有时间段的失水速率视作一个观测值,运用MANOVA(multivariate analysis of variance)进行单因素多元统计分析,结果发现:各品种不同叶位、各叶位不同品种对应的d值均大于等于1,说明不同品种、叶位的失水过程不完全相同。通过对茶叶含水率统计分析研究茶叶的含水率和失水速率受到烘干时间、品种、叶位因素的影响,从而为茶叶生产参数的优化提供参考。(2)品种、叶位因素对茶叶光谱以及含水率预测模型迁移性能的影响分析。使用ASD FieldSpec4光谱仪获取叶片正反面光谱(350-2500 nm),运用ANOVA对各品种的正反面光谱进行统计分析,结果显示:各品种的正反面光谱之间均存在显著性差异(p<0.05);固定正反面因素,运用ANOVA对不同品种的光谱进行统计分析,结果显示:不同品种的正面光谱、反面光谱均存在极显著性差异(p<0.01);固定品种因素和正反面因素,运用ANOVA对不同叶位的光谱进行统计分析,结果显示:不同叶位之间的光谱差异性规律较为复杂。建立基于可见-近红外光谱的偏最小二乘回归(partial least square regression,PLSR)含水率预测模型,得到预测集决定系数(determination coefficient of prediction set,R_P~2)为0.968。对含水率预测模型进行正反面间、品种间迁移验证,发现与自验证相比,迁移验证的预测效果出现明显下降。为了提升模型迁移性能,对原始光谱进行G-L(Grünwald-Letnikov)分数阶微分处理,结果发现:分数阶微分处理能够有效挖掘不同光谱之间的共性信息,提升茶叶含水率预测模型的传递性能。通过对光谱差异性和模型迁移验证的研究,为构建适应于实际生产环境的茶叶含水率检测模型提供了分析思路。(3)基于高光谱成像技术的茶叶含水率可视化检测研究。分别采用ImSpector V10E(400-1024 nm)和ImSpector N17E(900-1700 nm)两台高光谱相机采集叶片的VNIR(visible-near infrared)和SWIR(short wavelength infrared)高光谱图像,提取叶片的平均光谱建立PLSR含水率预测模型,结果显示:基于VNIR正反面、SWIR正反面建立的PLSR模型,其所对应的R_P~2值均在0.93以上。为消除高光谱采集过程中的干扰,对光谱进行预处理,结果发现:VNIR与SWIR正反面光谱对应的最优预处理方法均为标准正态变量变换(standard normal variate transformation,SNV)+多元散射校正(multiplicative scatter correction,MSC)。为减少信息冗余、简化模型,采用启发式初选与直接式精选结合的方法以避免特征选取的随机性,结果显示:对于VNIR正反面光谱,基于随机蛙跳算法(shuffled frog leaping algorithm,SFLA)+连续投影算法(successive projections algorithm,SPA)所选的特征波段建模效果最佳,对于SWIR正反面光谱,基于遗传算法(genetic algorithm,GA)+SPA所选的特征波段建模效果最佳。为判定叶片是正面朝上还是反面朝上,建立基于波段比的正反面分类模型,结果显示:基于LDA分类器的VNIR正反面光谱分类正确率为99.4%,SWIR正反面光谱的分类正确率为96.7%。为实现堆叠叶片含水率分布成像,采用基于光谱角统计的方法对高光谱图像进行区域分割,然后计算各区域的平均光谱,依据平均光谱调判定各区域的正反面,将各像素点的特征波段导入相应模型,最终实现茶叶含水率分布的可视化。该部分研究为实现茶叶含水率可视化检测提供了方法支持。(4)基于多光谱图像与深度图像融合技术的茶叶含水率可视化检测和检测高度校正研究。分别使用Ximea多光谱相机和Kinect2.0相机采集茶叶的多光谱图像和深度图像,对多光谱图像的各波段进行渐晕校正,然后提取各叶片的平均光谱分别建立PLSR、LSSVR和极限学习机(extreme learning machine,ELM)模型,结果显示:LSSVR模型效果最好,正反面光谱对应的R_P~2值分别为0.771和0.681。采集处于不同检测高度的白板平均光谱信息,根据光谱衰减的经验公式推算出不同波段的高度校正参数。采用张正友标定法对多光谱图像进行畸变校正,根据校正后的多光谱图像作为基准图像,深度图像作为待配准图像,计算图像的SIFT(scale-invariant feature transform)特征点并进行配准操作,最终获取茶叶的检测高度信息。根据获取的深度信息和校正参数对茶叶光谱进行高度修正,将修正后的光谱导入模型,有效提升了含水率预测精度。该部分研究为解决实际生产过程中茶叶含水率检测的高度校正问题提供了思路。