基于机器视觉的番茄内部品质预测

为了实现番茄内部品质的实施快速检测,利用机器视觉技术,从"定性"和"定量"两方面进行了番茄内部品质预测方法的研究。首先设计开发了番茄图像采集机器视觉系统,可分别从3个不同高度:0.5、1、1.5m和6个不同方向:上、下、左、右、前、后采集番茄图像。视觉系统利用4个卤素灯作为光源,内部亮度恒定为600lx。然后收集了68个不同生长阶段的番茄样本,样本根据是颜色从未成熟阶段(绿色)到成熟阶段(红色)被分为了5个等级。在利用开发的机器视觉系统采集了番茄样本的图像之后,通过RGB色彩模型、L*a*b*色彩模型和灰度共生矩阵(GLCM)计算番茄图像特征值,并将其输入BP神经网络,对糖度、酸度、氨基酸含量和水分含量共4种番茄内部品质进行预测。在"定量"预测中,分别建立了每种内部品质的预测模型。结果表明,酸度与图像特征之间的相关系数最高为0.536,定量预测精度还有待进一步提高。在"定性"预测中,利用BP神经网络,通过番茄内部属性含量的不同组合值预测番茄生长阶段,对隐层节点数和训练函数这两个重要的网络参数进行优化。试验中使用40个样本作为训练集建立模型,使用28个样本作为测试集,其中22个样本预测正确,结果表明利用机器视觉方法预测番茄内部品质具有较好应用前景。