当激光照射水果时，只有4%的光在表面直接发生镜面反射，另一部分光穿透果皮进入组织内部，与组织相互作用后，部分被吸收，部分经过散射后按一个香蕉形的路径从入射点附近被折射回果面[10]，形成光晕。镜面反射图像和激光光晕图像共同组成激光散射图像，但是只有激光光晕图像反映水果内部成分信息。激光散斑技术就是通过对激光散射图像的处理与分析，以获取被测物体有效的理化特征信息。近年来，机器视觉技术在水果外部品质检测与分级方面已经得到广泛应用，近红外光谱分析技术也可以快速地检测水果内部的化学成分。较之近红外，激光具有良好的单色性、相干性、方向性和高亮度[11]，激光散射图像既能表征水果内部组织的化学性质，也能体现其物理性质。因此，针对应用激光散斑技术检测水果内部理化特性已经进行了较多的理论研究。目前研究激光散斑技术所运用的检测系统大多是基于PC平台设计的图像采集设备和人机界面，采集的信息需要上传到计算机进行处理分析。这种系统存在不易携带、成本高、效率低等缺点。随着对激光散射图像和水果内部理化特征关系研究的加深以及预测模型的不断完善，设计基于激光散斑技术的便携式苹果内部品质检测分级仪已经具备充足的理论基础。30671
胡孟晗[12]等研究发现，不同时间生物的散斑图像是有变化的，这种差异是由农产品的活性变化所引起的，是利用激光散斑技术测量农产品品质的基本原理。Lu[13]等用光谱范围为500 -1000 nm的激光光束照射桃子，通过单线扫描法采集散斑图像。实验发现在波长为670 nm处硬度最大，硬度的变化与果实叶绿素含量的变化有关，可将硬度作为确定桃果实成熟度的重要参数。Szymanska-Chargot M[14]等利用激光散斑技术对生长状态下水果的品质变化进行研究，结果表明水果的散斑大小与SSC含量呈正相关，与淀粉含量和硬度分别呈负相关。Sotome[15]等采用立体视觉方法计算了由不同激光入射角造成的散斑面积偏差，证实了激光散射图像的大小不仅与水果品质有关，还与激光的入射角度相关。Norhashila[16]等研究了香蕉冷害的判别方法，建立了激光散射图像与叶绿素和水分含量的预测模型。Lorente[17]等利用激光散射图像检测柑橘的早期腐烂，并建立了相关模型。庆兆珅[11]等通过比较筛选，确定激光工作波长为680 nm、780 nm、880 nm、940 nm和980nm；采用朗伯余弦定理对苹果曲面影响进行修正，消除了苹果大小和形状对品质检测的影响；首次提出光晕像素强度频率检测法，消除了激光镜面反射对品质检测的干扰，建立了苹果硬度和SSC含量的偏最小二乘回归（Partial Least Squares Regression, PLSR）模型，其预测准确率较高。陈育彦[18]等进一步研究发现苹果的向阳面和背阳面的激光图像存在差异，提出了在苹果赤道均匀取四点的方法来消除不同果面对激光光斑图像造成的影响，建立的激光散射图像与硬度、固酸比、果面底色等苹果品质指标预测模型得到了较好的拟合效果。刘鹏等[19]采用主成分分析（Principal Component Analysis, PCA）对数据进行降文处理，再利用改进型的支持向量机（Support Vector Machine Classification, SVC）对次郎甜柿的SSC进行预测，其预测准确率达到94%。徐苗[20]等通过自制图像采集装置研究桃果实货架期激光散射图像的变化，利用SVC建立了桃果实食用价值的判别模型，其预测准确率达到92.5%。论文网
SVC在解决小样本、非线性及高纬度模式识别中具有优势[21]。本课题在前期试验中已经选用“弘前”富士和“大沙河”富士建立了SSC和硬度分级的SVC模型。模型采用激光散射图像的散斑圆环区域像素面积A、一致性U和熵e作为输入变量，苹果的级别作为输出变量。对于SSC，“弘前”富士和“大沙河”富士的SVC模型准确率分别为92%和94%；对于硬度，SVC模型准确率分别为96%和98%。模型准确率较高，可以编入仪器软件开发模型预测模块，根据被检测对象激光散射图像特征参数对其进行分级。 激光散斑技术和模型建立研究现状:http://www.youerw.com/yanjiu/lunwen_26521.html