基于不变矩和改进SVM的牛肉大理石纹评级

针对牛肉大理石纹人工评级过程中人为误差干扰大的问题,研究利用图像处理技术提高牛肉大理石纹评级的客观性并增强自动化程度,提出基于不变矩、灰度共生矩阵和混沌蜂群优化混合核函数支持向量机(Support Vector Machine,SVM)的牛肉大理石纹评级法。首先计算牛肉大理石纹图像的不变矩和灰度共生矩阵统计量并由此构造特征向量;然后将训练和测试样本输入到混合核函数SVM,采用混沌蜂群算法优化SVM中的惩罚因子及核参数,使其分类识别性能达到最优;最后输入待评级样本进行分类识别,得到最优评级结果。大量实验结果表明:根据我国NY/T676-2010牛肉大理石纹标准图谱,评级正确率分别达到100%(一级)、93.3%(二级)、93.3%(三级)、96.7%(四级)、100%(五级)。与基于灰度矩和SVM法、基于灰度共生矩阵和BP(Back Propagation)神经网络法相比,本文所得评级正确率最高,且与专业评级师的实际评级情况最相符。     

基于分类特征提取和深度学习的牛肉品质识别

目的：降低数据差异性和光谱特征冗余度对牛肉品质识别的影响。方法：提出一种基于分类特征提取和深度学习的牛肉品质识别方法,采用改进的DPeak算法对光谱数据进行自适应聚类分析,实现对数据的差异性分析。定义牛肉光谱特征提取目标函数,采用离散狮群算法进行求解,提取每个分类的最佳光谱特征子集,最大限度降低特征冗余度。运用改进狮群算法(ILSO)对每个分类对应的支持向量机(SVM)模型参数进行优化,提出融合分类特征提取和ILSO优化SVM的牛肉品质识别模型,完成对牛肉品质的分类识别。结果：相比于SSA-SVM、PCA-SVM识别模型,该模型识别精度提高了约12.3%~14.5%。结论：基于分类特征提取和深度学习的牛肉品质识别模型能够提高牛肉品质识别精度。     

基于计算机视觉的牛肉质量分级研究进展

牛肉品质分级对于肉牛产业具有重要意义,为克服人工评级的弊端,客观、无损的自动分级技术成为研究热点。本文综述了国内外利用计算机视觉对牛肉大理石纹、生理成熟度、肉色和脂肪色这些指标进行分级预测的研究进展情况,讨论了研究过程中诸如图像分割、特征提取方面存在的困难,最后指出了计算机视觉技术在牛肉品质分级应用过程中存在的问题以及可能的发展方向。     

牛肉大理石纹形态、分布状态与牛肉质量的研究

牛肉大理石纹是优质牛肉的主要技术指标.对牛肉大理石纹的形状、分布状态与牛肉质量的关系进行了研究.结果表明:牛肉大理石纹的适量形成、脂肪沉积形状小条近似粒状的均匀分布与牛肉的嫩度、多汁性和适口性有正相关性.     

牛肉组织结构中大理石纹形态分布的模型建立及分析

通过对牛肉大理石纹的形态、单元体分布等因素的研究,对肉内大理石纹分布及形态变化进行优化及数学分析,建立模拟模型.以定量的分析进一步说明了牛肉大理石纹的适量形成、脂肪沉积形状小条近似粒状的均匀分布与牛肉的嫩度、多汁性和适口性有正相关性.     

受限制Boltzmann机深度置信网络与手写数字识别

手写数字因为每个人的书写习惯不同而差异很大。手写数字快速有效的识别一直是图像识别领域的热门话题。提出了一种基于受限制Boltzmann机组成的深度置信网络应用于手写数字识别的算法。对训练样本图片中的手写数字进行定位,分块,计算每块的特征值;用由受限制Boltzmann机组成的深度置信网络对样本特征值进行无监督学习;使用训练好的神经网络对待测样本进行深度特征提取。结果表明:该算法可行,相对于浅层学习,深度学习在图像特征提取上有了很大提高。     

基于改进的SSD深度学习算法的双目视觉纱筒识别定位

针对纺织厂转型升级过程中,传统视觉技术对于多种颜色纱筒识别定位准确率较低的问题,提出了一种新的双目视觉纱筒识别定位方法。首先,用MobileNet V3替换VGG16作为改进SSD(single shot multibox detector)深度学习算法的主干特征提取网络,并引入特征融合模块,提升了网络浅层的特征提取能力;其次,利用双目相机采集的左侧纱筒图像作为数据集,完成改进SSD深度学习算法的训练和测试;最后,将双目校正的纱筒图像输入算法进行识别,并通过双目视觉技术实现纱筒的定位。实验结果表明,改进SSD深度学习算法的识别平均精度达到了94.6%,每秒传输帧数达到了52.3,双目定位的平均误差为1.63%。     

基于图像处理的纺织品耐摩擦色牢度评级

为解决目前纺织品色牢度人工评级方式的主观性和繁重工作量,结合深度学习与传统纺织检测,以纺织品检测中的纺织品色牢度评级为对象,研究基于图像处理和深度学习的智能评级创新方法。针对场景与问题,选择利用图像处理技术进行采样图像的预处理和分割,在小样本、多分类的实际条件下搭建数据库,利用深度学习完成对摩擦沾色试样色牢度的迅速评级。结果表明,所选择的图像处理技术对图像的处理效果良好,对后续深度学习准确率的提高有辅助效果;深度学习对耐摩擦沾色试样色牢度的评级准确率达到87.5%,高效、客观且准确率高,实现评级操作简易化,利用神经网络达到代替人眼评级过程,提高准确度和改善目前方法的不足。     

基于GoogLeNet的色织物花型分类

针对色织物花型人工视觉分类效率低的问题,提出了一种基于深度卷积神经网络(CNN)的色织物花型图像识别分类方法。构建了18种类别的色织物花型图像样本数据库,建立了基于GoogLeNet的色织物花型分类深度卷积神经网络,并通过实验分析选择最优的训练迭代期与学习率。结果表明利用深度神经网络分类识别色织物花型是可行、有效的。     

基于多尺度图像增强结合卷积神经网络的纸病识别分类

针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题,提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法。该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息,突出缺陷梯度特征,然后利用卷积神经网络(CNN)学习纸病图像的特征并分类识别,从而实现纸病的准确识别分类。实验结果表明,该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+SVM以及传统CNN方法,在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44%、99.23%和99.64%。与现有纸病识别分类方法相比,本课题方法不需针对各种纸病进行缺陷特征提取和特征描述,能快速实现纸病的准确识别分类。     

基于图像的牛肉大理石纹理自动评级方法研究

研究一种基于图像处理技术的牛肉大理石花纹自动等级评定方法。通过图像重采样、单阈值分割、形态学腐蚀及膨胀等方法分割出大理石花纹,再提取图像的特征参数组,并用多元回归分析的方法构造牛肉大理石花纹评级模型,并用VC++实现了自动评级软件。通过对多个牛肉图像的检测,表明此评级计算模型具有良好的准确性和鲁棒性。     

基于决策树雪花牛肉大理石花纹分级模型

为建立雪花牛肉大理石花纹等级评价方法,根据不同等级雪花牛肉大理石花纹图像特征及人工评级的标准,确定了影响大理石花纹的等级主要因素。本研究提出影响大理石花纹等级的几何参数特征、几何分布参数特征和统计参数特征。其中几何参数特征主要反映大理石花纹面积、周长等;几何分布特征主要反映大理石花纹图像中脂肪颗粒沉积的密度,根据脂肪颗粒沉积情况可分为大颗粒脂肪、中颗粒脂肪、小颗粒脂肪等;统计参数特征主要反映大理石花纹丰富程度以及大理石花纹分布均匀性。利用相关性分析提取影响雪花牛肉大理石花纹等级的特征参数。建立基于C4.5和CART算法的决策树模型,结果表明：对于C4.5算法建立的决策树分级模型,三级和五级大理石花纹分级预测精度分别为91.80%、92.31%,而该模型针对四级样本建立的模型无效,其结果多数误判为三级;对于CART算法建立的决策树模型同样存在这样的问题,即三级和五级大理石花纹分级预测精度高,而对四级样本分级无效。     

基于机器视觉的金丝皇菊智能分级系统研究

为实现对金丝皇菊的快速无损等级评估,本文应用机器视觉技术对5个等级的金丝皇菊进行智能分级。首先根据金丝皇菊的品质特性设计分级装置,并根据金丝皇菊的颜色、形状、完整度等特征设置不同的分级标准;其次运用图像灰度化、图像去噪、图像增强技术完成金丝皇菊图像预处理;再次采用加色法混色模型(Red Green Blue, RGB)完成金丝皇菊颜色特征提取与识别,并通过图像分割和边缘检测技术完成对金丝皇菊图像完整度的判断及花径的计算,得出金丝皇菊的预测等级;最后基于Microsoft Visual Studio 2017平台开发一套金丝皇菊智能分级系统,实现系统的实时可视化操作。结果表明,本文设计的金丝皇菊智能分级系统整体分级准确率达到了97.6%,平均分级速度为人工的5倍多,其在可靠性、速度、工作效率、鲁棒性等各方面都优于传统的人工分级,本研究为机器视觉技术在花茶分级领域的应用提供了实际案例与技术参考。     

牛肉大理石花纹分级系统软件设计

目的 运用机器视觉技术, 开发牛肉大理石花纹自动检测系统。方法 该软件设计以VC++6.0为开发工具, 首先从牛肉大理石花纹检测系统人机界面着手, 通过对CCD相机的控制, 得到大理石花纹图像, 并最终用图像处理的方法得到牛肉大理石花纹的分级结果。结果 该软件运行效率高, 对牛肉大理石花纹的分级准确率达到87.5%。结论 该系统可以满足企业实际需要。     

联合图像最优特征提取及改进RBF神经网络的苹果质量估计

目的：以阿克苏苹果为例,设计一种联合图像最优特征提取和改进RBF神经网络学习的苹果质量估计方法,以克服人工分级称重成本高、误差大的缺陷。方法：首先,建立苹果图像采集系统,得到苹果前景图像信息;其次,设计苹果图像特征集合最佳子集提取策略,将最佳子集提取过程转化为目标函数优化问题,并利用改进的离散蝗虫优化算法进行求解,从而得到最佳苹果图像特征子集;最后,构建基于RBF神经网络学习的苹果质量估计模型,将最佳特征子集作为网络输入,并采用蝗虫优化算法优化配置RBF神经网络超参数,从而实现对苹果质量的有效估计。结果：所提苹果质量估计方法精度更高,质量估计值平均相对误差率为1.23%。结论：该方法可以有效实现苹果质量预估,也能够推广应用到其他类似轴对称形状的水果质量估计。     

基于机器视觉的苹果在线分级

通过CCD相机动态采集苹果两个面的实时图像,提出了泛洪填充+自适应Ostu阈值分割算法提取苹果的轮廓,采用最小外接圆法对苹果上表面图像进行处理得到苹果果径,采用最小外接矩形法对苹果侧表面图像进行处理提取苹果果形特征;将图像进行RGB到HSV空间转换,提取苹果的着色度、果锈,以及疤痕特征,采用基于改进粒子群算法的SVM决策树的分类方法进行苹果的分级。结果表明,该方法对特级果、一级果、二级果和等外果的识别准确率分别达96%,94%,98%,98%,分级速率达4个/s,可以满足苹果在线分级的要求。     

基于轻量卷积网络的马铃薯外部缺陷无损分级

目前马铃薯外部缺陷检测方法主要依靠人工提取特征,且检测精度不高,为了更好地对马铃薯外部缺陷进行快速、准确在线分级,本实验提出一种基于轻量卷积网络的在线分级方法。首先,利用ImageNet数据集训练Xception网络模型,建立马铃薯预训练网络模型;然后,重新构建5 类缺陷全连接层,并通过迁移学习在预训练网络模型上训练马铃薯缺陷数据集;最后,基于外部缺陷识别模型分别测试5 类缺陷的分级性能。结果表明,学习率为0.000 01时,网络模型整体性能最优,训练准确率为98.88%,损失值为0.034 9;在相同样本条件下,与9 种不同深度的网络进行对比,本实验构建的轻量级网络模型识别效果最好,平均识别准确率达到96.04%,且运行时间比识别效果较好的ResNet152网络更短,本实验网络模型的识别速率为6.4 幅/s,本研究结果可为马铃薯在线分级提供理论支持。