基于改进蝗虫算法优化Canny算子的鸡蛋裂纹图像检测

目的:提高鸡蛋线形、网状裂纹检测率。方法:针对蝗虫优化算法(GOA)求解高维复杂优化问题时收敛效率不高的缺陷,设计改进的模糊C-均值算法(FCM)对蝗虫种群进行等级划分;设计自适应极值逆向学习和编码突变更新机制,以扩展算法深度搜索空间和全局寻优能力;采用改进的GOA对参数进行优化,并将改进蝗虫算法优化Canny算子用于鸡蛋裂纹检测。结果:该方法对鸡蛋线形裂纹和网状裂纹漏检率分别降低了21.4%~31.2%,63.2%~69.7%,优于其他算法。结论:该方法能有效提升鸡蛋裂纹检测准确率。     

基于改进鲸鱼优化CNN的红富士苹果外观分级方法

目的：有效提升机器视觉技术对红富士苹果外观品质分级的准确率。方法：建立不同外观品质等级的红富士苹果图像数据库,通过对数据库图像进行图像增强预处理,以提高模型训练效果和泛化能力。构造改进鲸鱼优化CNN模型,采用加权灰色关联度法压缩CNN卷积规模,以降低特征间的冗余度干扰和提高模型的运算速度;利用改进的鲸鱼优化算法对模型超参数进行优化配置,以降低超参数配置不当对模型分级结果的影响。结果：试验所提分级方法准确率更高,分级精确度、灵敏度分别提高了2.05%,2.46%。结论：试验方法能够有效实现对红富士苹果的外观分级。     

自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术

针对传统基于内容的识别方法在特征提取方面存在计算复杂、特征不可迁移等问题,为避免光照条件、重叠及其他遮挡等因素对图像识别的影响,以LeNet卷积神经网络作为基础,对其结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行识别训练与验证。结果表明:该网络模型可有效实现苹果图像的识别,对独立果实、遮挡果实、重叠果实以及相邻果实的识别率分别为96.25%,91.37%,94.91%,89.56%,综合识别率达到93.79%。与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快、识别率更高。     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于BP神经网络算法的食品烘干机温度控制

以自动链板式茶叶烘干机为研究对象,为降低燃煤热风炉能耗、提高热效率、提高烘干机温度控制精度,提升茶叶品质,提出了一种基于改进BP神经网络的控制策略。分析了烘干机的结构和控制原理,在此基础上将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i、K_p、K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。仿真结果表明,该控制方法响应速度快,超调量小,从而实现对热风温度的恒温控制。     

改进RBF鲁棒控制的机器人轨迹跟踪

针对存在外部不确定干扰的机械手的高精度轨迹跟踪问题,提出了一种改进的RBF神经网络鲁棒控制方法。RBF径向基神经网络用来逼近系统未知不确定项,将逼近误差视为外部干扰,加入鲁棒项予以抑制。为了保证系统的稳定性和抗外界干扰的能力,设计出满足HJI不等式的L2增益控制律。使用粒子群算法对RBF网络结构参数进行寻优,有效地避免了因参数选取不当而引起的控制器精度的缺失。李雅普诺夫定理证实了所设计的控制系统的稳定性。最后,由Matlab的Simulink仿真分别对比分析了改进前后的算法,结果表明优化后的控制系统具有更好的稳定性、抗干扰能力,轨迹跟踪精度得到较为明显的提升。     

基于空洞卷积神经网络的艺术图像风格重建算法

针对普通卷积神经网络提取图像特征能力表现欠佳的问题,提出一种利用空洞卷积神经网络对艺术图像和照片做融合重建的算法。通过设计不同融合程度的损失函数实现对艺术图像纹理信息和照片中内容表现的特征提取,利用随机梯度下降算法对整体的损失函数做迭代改进,实现艺术图像风格和内容的融合重建。实验结果表明,文中方法相比于使用普通卷积神经网络融合特征的方法具有更高的可靠性和更优秀的表现。     

基于多信息融合和DA-DBN的苹果等级判别

目的:为了提高苹果等级判定模型的精度,建立苹果等级判定方法。方法:提出一种多信息融合和蜻蜓算法改进深度置信网络的苹果等级判定模型。对苹果图像进行数据增强、归一化、高斯滤波、灰度化等预处理,提取苹果图像的HSV颜色特征、LBP纹理特征和HOG形状特征。针对DBN模型性能受参数选择的影响,运用DA算法优化选择DBN模型的网络参数,提出一种多信息融合和DA-DBN的苹果等级判定模型。结果:与GA-DBN、PSO-DBN、GWO-DBN和DBN相比,基于DA-DBN的苹果等级判定模型的精度最高。结论:蜻蜓算法优化DBN模型可以有效提高苹果等级判定模型的精度。     

基于GPQ半监督神经网络的织物图像检索

为提升织物图像检索的准确性,采用改进的广义产品量化(generalized product quantization, GPQ)半监督神经网络实现弱纹理织物图像的检索。通过CLAHE方法增强织物图像纹理,加强底层纹理特征,以降低深度学习特征过拟合的概率。利用GPQ框架中产品量化、基于余弦相似性分类器和子空间极小最大熵损失计算,对提取的特征向量进行归一化,寻找最相似织物图像。实验中采用的织物数据集包含了12类不同纹理形式的织物试样,共计1 800幅图像。分别对比了基于颜色直方图的词袋模型、尺寸不变特征变换模型、最近邻和优化产品量化算法。结果表明：改进的GPQ半监督神经网络方法的平均精度均值达到89.47%,检索性能最优。该方法能批量、低成本检索出相似织物图像,提高织物图像检索的准确性。     

改进深度置信网络的苹果内部品质评价

目的：解决苹果近红外光谱存在大量冗余信息和苹果内部品质评价精度较低的问题,提高苹果内部品质评价的精度。方法：提出一种连续投影法的特征波长筛选与灰狼优化算法改进深度置信网络(GWO-DBN)的苹果内部品质评价模型。针对苹果光谱数据具有维度高而复杂的特点,分别对比全波段和主成分分析法、连续投影法等筛选特征波长的结果,确定苹果光谱特征波长筛选方法;针对深度置信网络(DBN)模型性能受参数设定的影响,运用灰狼优化算法(GWO)对DBN模型参数进行优化选择,提出一种连续投影法的特征波长筛选与GWO-DBN的苹果内部品质评价模型。结果：与中粒子群算法改进深度置信网络(PSO-DBN)、遗传算法改进深度置信网络(GA-DBN)和DBN相比,基于GWO-DBN的苹果内部品质评价的准确度最高。结论：GWO-DBN算法可以有效提高苹果内部品质评价的准确率。     

基于神经网络算法用质构特性指标预测寒富苹果贮藏品质

应用BP神经网络,通过苹果质构特性指标(硬度、可恢复形变、黏性、内聚性、咀嚼性)来预测苹果贮藏品质(出汁率、可溶性固形物、总酸、固酸比)的方法,来建立苹果品质的预测模型。将寒富苹果分别置于温度为0℃和20℃的贮藏条件下,分别测定苹果在贮藏期间的品质的变化。以苹果质构特性指标为输入,品质指标为输出确定网络拓扑结构,训练所建立的苹果品质的神经网络模型。仿真结果表明:该神经网络模型用质构特性指标能预测苹果品质,同时通过2组非样本数据来验证该模型,其预测值与实测值的相对误差在5%以下,故能够实现用质构值评价苹果品质的目的。     

基于改进CNN的苹果缺陷检测方法研究

目的:解决现有苹果缺陷检测方法存在的精度低、效率差等问题。方法:基于水果图像采集系统,提出一种改进的卷积神经网络用于苹果表面缺陷检测;引入深度可分离卷积代换原网络标准卷积,提高特征提取速度;引入Leaky ReLU激活函数代替ReLU激活函数,提高计算效率和精度;引入全局平均池化替换全连接层,降低网络模型的计算量;并在每层卷积后加入批量归一化层,通过试验与常规方法进行对比分析,验证其优越性。结果:与常规方法相比,所提方法在苹果缺陷检测中具有较高的检测准确率和速度,且模型参数量少,准确率达99.60%,检测速度(每秒帧数)达526,模型参数量为389 072。结论:该苹果缺陷检测方法能有效降低模型参数和检测时间,具有较高的准确率和速度。     

基于傅里叶近红外光谱和电子鼻技术的苹果霉心病无损检测

为研究傅里叶近红外光谱技术(Fourier transform near infrared spectroscopy,FT-NIRS)和电子鼻技术分别结合化学计量学方法对苹果霉心病的判别效果,以“红富士”霉心病苹果和健康苹果为试材,利用近红外光谱技术,基于主成分分析建立Fisher判别和多层感知器(multi-layer perceptron,MLP)神经网络模型;同时利用电子鼻技术分别结合Fisher判别、MLP神经网络和径向基函数神经网络3种化学计量学的方法建立判别模型。根据建模集和验证集的预测准确率综合考虑,基于主成分分析建立的MLP神经网络模型和电子鼻结合MLP神经网络模型对苹果霉心病的判别效果最好,验证集中的正确判别率分别达到87.7%和86.2%。说明电子鼻和近红外光谱技术均可以较好地判别苹果霉心病。     

基于卷积神经网络的织物图像特征提取与检索研究进展

为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。     

基于红外与可见光图像融合的苹果表面缺陷检测方法

目的：解决目前中国苹果分级分类大部分情况下仍需要进行人工筛选的问题。方法：采用基于多尺度变换的红外与可见光图像融合算法对所采集到的苹果的可见光图像和红外图像进行融合,得到缺陷特征更加直观的融合图像,对该图像进行图像的预处理操作得到二值化图像数据集,再采用卷积神经网络的AlexNet模型对之前的苹果表面缺陷数据集进行训练、验证和检测。结果：该检测方法在所制作的苹果表面缺陷数据集上对完好果、缺陷果、花萼/果梗、花萼/果梗加缺陷识别的平均准确度为99.0%,其中对花萼/果梗的识别准确率可达95.8%,对完好果、缺陷果和花萼/果梗加缺陷的识别准确率高达100%。结论：该方法对苹果表面缺陷的检测精度比较高,可以满足对苹果的在线分级的需求。     

苹果品种及损伤苹果的FT-NIR鉴别研究

用傅里叶近红外光谱技术(FT-NIR)对不同品种的苹果以及损伤嘎啦和完好嘎啦进行快速、无损检测,比较不同判别方法对所建立的区分苹果品种及苹果损伤模型的影响。结果表明:损伤嘎啦和完好嘎啦的近红外图谱经小波分析预处理后,用12000～4000cm-1波数范围的前5个主成分分别结合多层感知神经网络、径向基神经网络、Fisher判别3种方法所建立的判别模型对未知样本的正确判别率分别为97.8%、87.2%和84.8%,基于权重法用多元线性回归(MLR)所选择的特征波长所建立的Fisher判别模型对未知样本的正确判别率为89.1%;用偏最小二乘判别(PLS-DA)所建立的判别模型对未知样本的正确判别率为100%,由于PLS-DA模型对训练集和验证集的正确判别率均为100%,因此PLS-DA模型优于其他模型。不同品种苹果的光谱经平滑预处理后,用全波数范围12000～4000cm-1的前6个主成分所建立的判别模型优于经验波数范围8000～4500cm-1所建立的判别模型,其较优模型对建模集和验证集的正确判别率分别为90.9%和92.1%。近红外光谱技术结合化学计量学可以快速、无损鉴别苹果是否有损伤以及不同品种的苹果。     

基于FT-NIR和电子鼻的苹果水心病无损检测

探讨傅里叶变换近红外光谱技术和电子鼻技术应用于苹果水心病检测的可行性。以277?个“秦冠”水心病苹果和健康苹果为试材,分别采集每个样本在12?000～4?000?cm－1波数范围的近红外光谱和10?个传感器的电子鼻信号,用不同预处理的近红外光谱方法提取主成分建立Fisher判别模型;同时电子鼻结合3?种化学计量学的方法进行建模。结果表明,经一阶导数（9?点平滑）预处理的近红外光谱,提取前20?个主成分建立的Fisher判别模型效果最好,对未知样本的正确判别率达100%;电子鼻分别结合Fisher判别、多层感知器神经网络和径向基函数神经网络判别模型对未知样本的识别率为89.7%、89.5%和85.7%。故利用近红外光谱和电子鼻技术分别结合化学计量学的方法可快速、无损检测苹果的水心病。其中,近红外光谱技术结合Fisher判别对苹果水心病的识别率最高,是一种准确可靠的测定方法。     

基于改进CNN和数据扩充的苹果表面缺陷检测

目的:提高苹果表面缺陷的检测准确率和效率。方法:基于改进卷积神经网络(CNN)和数据扩充建立苹果表面缺陷检测方法。改建CNN的拓扑结构,并将其用于苹果表面缺陷检测;利用条件生成对抗网络,合成表面无缺陷和有缺陷苹果图像,实现图像数据扩充和提高改进CNN的苹果表面缺陷的识别性能;通过模型剪枝,合理权衡苹果表面缺陷的检测准确率、检测时间及节能限制,以提高所提方法的实用性。结果:当改进CNN中的解释层选用2 048个解释性神经元时,平均检测准确率最高;条件生成对抗网络增强了苹果图像数据集的多样性;随着增强图像数在测试数据集中占比的增加,所提方法对苹果表面缺陷的检测准确率不断升高;当剪枝后的模型尺寸占原始模型尺寸的百分比从100%降至50%时,可以以6.96%的准确率损失将苹果表面缺陷的检测效率提升1倍。结论:试验方法有望在苹果生产和加工过程中实现自动化缺陷检测。     

基于完全局部二值模式的多光谱法识别损伤苹果

目的 建立一种基于完全局部二值模式的多光谱法识别损伤苹果。方法实验搭建苹果的多光谱数据采集平台,采集了558组苹果多光谱数据。使用完全局部二值模式算法提取苹果的特征向量,再将特征向量送入支持向量机中,比较分类结果。结果通过准确率、特异度和召回率三种平均指标,在完全局部二值模式结合支持向量机分类模型下,苹果多光谱图像的25 个波段对表皮有损苹果和表皮无损苹果有很好的识别效果。并在第20 波段的识别准确率达到最高为99.63%。多光谱25个波段的平均分类准确率达到了99.110%,第20波段分类准确率最高,达到了99.632%,准确率越高,分类效果越好。结论所建立的方法可以实现有损苹果和无损苹果的高效识别,对苹果的储运和分选都有一定的意义。     

Modeling of volume and surface area of apple from their geometric characteristics and artificial neural network

Geometric parameters and physical properties of agricultural products are widely used in designing and manufacturing of harvesting devices. These features are highly useful for drying and sorting processes. This can lead to determine the major and minor diameters in this regard. As such, the current study applied machine vision, and image processing technology to identify the major and minor diameters of the Golden Delicious apple. Through applying apple diameters, the actual surface area and real volume of apples were measured by peeling method and water displacement method, respectively. Finally, mathematical modeling, and feed-forward artificial neural network allowed for estimation of the surface area and volume of Golden Delicious apple. The results revealed that the correlation coefficient (R²) of the mathematical model, for the volume and surface area were 0.9394 and 0.9291, respectively. In the neural network, R²-values for the volume and surface area in the most appropriate topology were 0.99991 and 0.99995, respectively. Moreover, study findings indicate that predicting the volume and surface area of fruit can be determined better using artificial neural network than using mathematical model. The proposed artificial neural network procedure applied in this study even minimized the complex calculations for estimating volume and surface area of fruit.