利用激光背向散射成像的马铃薯品质智能分级

激光背向散射成像是激光与生物组织相互作用产生散射光的成像,在农产品的品质分类中有着广泛的应用。利用激光背向散射成像技术与深度学习,实现马铃薯在不同存储情况下的品质分类。对激光背向散射进行理论分析,搭建激光背向散射成像的数据采集系统,对马铃薯样品进行激光背向散射图像采集,得到新鲜马铃薯、冰箱存储与室温存储马铃薯的激光背向散射成像数据集。对数据集利用改进后的VGG16网络进行训练,并与DenseNet121网络、原始VGG16网络的训练结果进行对比。结果显示,改进后的VGG16网络对数据集的分类准确率为95.33%。由此表明,激光背向散射成像结合深度学习可以实现马铃薯品质的智能分级。     

不同高光谱特征参数区分马铃薯品种的优劣势分析

对马铃薯关键生育期的高光谱遥感图像进行特征提取和分析,提出了一种快速区分不同马铃薯品种的方法。以两个早熟和中熟马铃薯品种为研究对象,采集其块茎形成期、块茎膨大期和淀粉积累期的冠层反射光谱曲线,对实测反射光谱曲线进行Savitzky-Golay滤波平滑和一阶微分处理,以高光谱位置参数、振幅参数、面积参数、宽度参数和反射率参数为研究指标,根据21个高光谱特征参数的贡献率大小,评价了其区分不同马铃薯品种的优劣。结果表明：(1)同一类高光谱特征参数在不同生育期区分马铃薯品种的能力不同: 高光谱位置参数、宽度参数和反射率参数在块茎膨大期区分不同马铃薯品种的能力最强,淀粉积累期次之;高光谱振幅参数和面积参数在淀粉积累期的区分能力最强,块茎膨大期次之,五类高光谱特征参数在块茎形成期的区分能力均最差。(2)同一生育期5类高光谱特征参数区分马铃薯品种的能力也存在差异。在块茎形成期,五类高光谱特征参数的区分能力从强到弱依次为：反射率参数>振幅参数>面积参数>宽度参数>位置参数;在块茎膨大期和淀粉积累期,从强到弱依次为：面积参数>振幅参数>反射率参数>宽度参数>位置参数。综合能力从强到弱依次为：面积参数>振幅参数>反射率参数>宽度参数>位置参数。     

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9~1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82,1 410.12,1 403.62,1 413.32,1 416.62,1 419.82,1 400.32,1 423.12,1 426.32,1 429.62,1 432.82,1 436.12,1 439.32,1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62,1 041.12,1 222.52,1 465.22,1 397.02,1 449.02,1 034.32,1 523.22,976.42,1 172.52,979.82,1 165.82,1 037.72,1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示,CA算法选取的15个波长均在1 400.3~1 450.0 nm范围内,CA-PLSR模型的建模精度(R2_c)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R2_v)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部“峰谷”特性,且RF-PLSR模型的建模集精度(R2_c)为0.983 2、RMSEC为2.32%,验证集精度(R2_v)为0.947 1、RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%,80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。     

透射和反射高光谱成像的马铃薯损伤检测比较研究

针对马铃薯损伤部位随机放置会影响检测精度的问题,提出从正对相机、背对相机及侧对相机三个方向,应用透射和反射高光谱成像技术采集马铃薯图像,进行透射和反射高光谱成像的马铃薯损伤检测比较研究。对透射和反射高光谱图像进行独立成分(IC)分析和特征提取,利用所得特征对反射图像进行二次IC分析,对透射和反射光谱进行变量选择,最终分别建立基于反射图像、反射光谱、透射光谱的马铃薯损伤定性识别模型;对识别准确率高的模型做进一步优化,采用子窗口排列分析(SPA)算法对透射光谱的特征做二次选择得到3个光谱变量,并建立任意放置的马铃薯损伤识别最优模型。试验结果表明,基于反射图像、反射光谱建立的模型识别准确率较低,其中基于反射图像的马铃薯碰伤,侧对相机识别准确率最低为43.10%;基于透射光谱信息建立的模型识别准确率较高,损伤部位正对、背对相机的识别准确率均为100%,侧对相机为99.53%;马铃薯损伤识别最优模型对任意放置的损伤识别准确率为97.39%。应用透射高光谱成像技术可以检测任意放置方向下的马铃薯损伤,该研究可为马铃薯综合品质的在线检测提供技术支持。     

高压液相色谱法测定马铃薯叶提取物中茄尼醇的含量

首次采用高压液相色谱法测定马铃薯叶提取物中茄尼醇的含量。条件为:Hypersil C18色谱柱,流动相为V(甲醇)∶V(乙醇)=80∶20,流速为1.0mL/min,紫外检测波长为215 nm,柱温30℃。实验结果表明,该方法在茄尼醇进样量1.3~4.6μg时具有良好的线性关系(Y=1685.1X 10.358,R=0.9996);加样回收实验(n=5)的平均回收率为98.2%,RSD为1.32%。     

ODA_H_2O_2-HRP偶合反应伏安酶联免疫分析检测植物病毒GFV、TAV和PVY

将邻联茴香胺（ＯＤＡ）＿Ｈ２Ｏ２＿辣根过氧化物酶（ＨＲＰ）偶合反应伏安酶联免疫分析新体系，应用于植物病毒葡萄扇叶病毒（ｇｒａｐｅｖｉｎｅｆａｎｌｅａｆｖｉｒｕｓ，ＧＦＶ）、番茄不孕病毒（ｔｏｍａｔｏａｓｐｅｒｍｙｖｉｒｕｓ，ＴＡＶ）和马铃薯Ｙ病毒（ｐｏｔａｔｏｖｉｒｕｓＹ，ＰＶＹ）的测定。该法对以上各种植物病毒叶澄清液的测定的稀释比均高于酶联免疫吸附分析（ＥＬＩＳＡ）法，检测范围均宽于ＥＬＩＳＡ法。     

离子色谱法检测马铃薯及其淀粉中氢氰酸

建立了马铃薯及其淀粉中氰化物离子色谱的检测方法。样品经超声、冷冻离心、通过在线过滤处理后直接用离子色谱进行检测。检出限为0.054 mg/L,氰化物的线性范围为0.136～2.72 mg/L;加标回收率为85%～93%;相对标准偏差(RSD)为1.2%,可以满足氰化物检测的要求。     

马铃薯深加工工艺废液化学絮凝研究

以钙盐、铝盐、铁盐及聚丙烯酰胺为絮凝剂在不同温度、不同pH等条件下对马铃薯深加工的废液进行化学絮凝。结果发现聚丙烯酰胺加聚合氯化铝絮凝的效果最好。CODCr能由15000mg/L降到5500mg/L,沉降率60%左右。SS能由9500mg/L降到1000mg/L,沉降率为90%左右。能达到进行生物絮凝的要求。     

ODA—H2O2—HRP偶合反应伏安酶联免疫分析检测植物病毒GTV,TAV和PVY

将邻联茴香胺（ＯＤＡ）－Ｈ２Ｏ２－辣根过氧化物酶（ＨＲＰ）偶合反应伏安酶联免疫分析新体系，应用于植物病毒葡萄扇叶病毒（ＧＦＶ）、番茄不孕病毒（ＴＡＶ）和马铃薯Ｙ病毒（ＰＶＹ）的测定。该法对以上各种植物病毒叶澄清液的测定的稀释比均高于酶联免疫吸附分析（ＥＬＩＳＡ）法，检测范围均宽于ＥＬＩＳＡ法。