首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 125 毫秒
1.
在基于机器视觉苹果缺陷识别过程中,因果梗/花萼与缺陷表皮颜色相似,极大地降低苹果表面缺陷识别准确率,提出一种基于决策树支持向量机(DT-SVM)的苹果表面缺陷识别方法。该方法首先采用单阈值法去除背景,其次在R通道中利用Otsu法和连通域标记法提取目标区域(果梗、花萼和缺陷)的颜色、纹理和形状特征,最后利用决策树支持向量机进行识别。以600幅富士苹果图像为例,使用该方法进行缺陷识别,结果表明该方法的平均准确率为97.7%。与1-V-1多分类支持向量机(1-V-1SVM)和AdaBoost分类算法相比,DT-SVM方法正确率高、耗时短。说明决策树支持向量机对苹果表面缺陷识别十分有效。  相似文献   

2.
传统农作物色选方法以设定颜色阈值为主,具有分类准确率较低、泛化能力较差等缺点,本文提出基于颜色分割的预处理与遗传算法优化支持向量机参数的花生表皮破损识别算法。根据花生表皮的破损情况将花生分为完好花生及表皮破损花生2类,在不同光照条件下构建了含有多个品种的花生图像数据集。对花生图像提取方向梯度直方图特征,利用支持向量机对花生图像进行分类。为提高分类准确率,在RGB颜色空间基于支持向量机对彩色花生图像进行颜色分割预处理;同时采用软间隔非线性支持向量机模型,并基于遗传算法对模型参数进行寻优。综合优化后的算法在训练集上对花生图像分类时的准确率达到96.88%,在测试集上的准确率达到100%,测试时平均每张花生图像耗时5.6 ms。仿真测试结果表明本文构建的花生表皮破损识别算法对花生品种及光照变化等干扰有较好的鲁棒性,且算法不依赖于人的经验,泛化能力强,具有良好的应用前景。  相似文献   

3.
基于深度信念网络的苹果霉心病病害程度无损检测   总被引:5,自引:0,他引:5  
针对现有霉心病无损检测只能检测出有无病害,无法对病害程度进行判断的问题,研究并提出一种基于深度信念网络(deep belief net,DBN)的无监督检测模型。该模型由多层限制玻尔兹曼机(restricted Boltzmann machine,RBM)网络和1层反向传播(back propagation,BP)神经网络组成,RBM网络实现最优特征向量映射,输出的特征向量由BP神经网络对霉心病病害程度分类。对225个苹果样本在波长200~1 025 nm获取其透射光谱后,根据腐烂面积占横截面比例将霉心病害程度分为健康、轻度、中度和重度4种,分别用150个和75个样本作为训练集和测试集,以全光谱数据和基于连续投影算法提取的特征波长数据为输入构建病害程度判别模型,并比较DBN模型与偏最小二乘判别分析、BP神经网络和支持向量机模型的识别效果,实验结果表明,DBN模型病害判别准确率达到88.00%,具有较好的识别效果。  相似文献   

4.
为了实现褐变板栗的快速无损分选,研究了基于近红外光谱技术的褐变板栗栗仁检测方法。试验在1000~2500 nm波段范围内采集板栗栗仁的反射光谱,通过标准正态变量变换预处理后,采用K-最近邻法(KNN)、簇类独立软模式法(SIMCA)、主成分回归-线性判别分析法(PCA-LDA)、偏最小二乘回归-线性判别分析法(PLS-LDA)以及最小二乘-支持向量机判别分析法(LS-SVM)分别建立褐变板栗识别模型并进行比较分析。偏最小二乘结合最小二乘-支持向量机所建PLS-LS-SVM模型性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为1.00%、0.92%和95.00%。结果表明:近红外光谱结合PLS-LS-SVM可用于褐变板栗的快速无损检测。  相似文献   

5.
《印染》2015,(18)
将近红外光谱技术与支持向量机(SVM)相结合建立分类模型,用于棉、麻织物的快速无损鉴别。选用径向基函数(RBF)作为核函数,分别采用网格搜索法、遗传算法和粒子群算法对惩罚参数c和核函数参数g进行参数寻优。结果显示,用网格搜索法得到的最佳参数c和g建立的模型分类结果最好,模型对棉、麻训练集的分类准确率分别为100%和99.12%,对预测集的分类准确率均为96.67%。近红外光谱技术鉴别单个样品的时长小于3 min,实现了快速鉴别。结果表明,近红外光谱技术与支持向量机相结合,可用于棉、麻织物的快速无损鉴别。  相似文献   

6.
该研究通过太赫兹时域光谱采集70组含有西布曲明成分的咖啡在0~2.5 THz频段的光谱信息,建立随机森林、支持向量机、贝叶斯判别分析3种模式识别方法并进行比较研究。结果表明,未经过预处理的模型识别准确率较低。选择一阶导数、二阶导数、不同类型的巴特沃斯滤波器和Pearson特征选择融合光谱方法进行光谱信号处理。基于一阶导数处理的贝叶斯判别分析模型准确率为98.6%,基于高通巴特沃斯滤波器的随机森林模型分类准确率为94.2%,基于特征提取的融合光谱支持向量机(support vector machine, SVM)模型分类准确率为100%。选择最优预处理的SVM模型进一步对同一品牌不同地区的掺假咖啡进行鉴别,准确率为100%。研究实现了“品牌-产地”的二级特征识别,可为公安机关打击涉及咖啡的食品安全犯罪提供参考。  相似文献   

7.
为实现大米品种的准确鉴别,提出一种基于太赫兹时域光谱(Terahertz Time-Domain Spectroscopy, THz-TDS)技术的大米品种识别方法。利用标准差(Standard Deviation, SD)和区间偏最小二乘(Interval Partial Least Square, iPLS)选取0.53~1.21 THz波段的吸收光谱信息作为分类模型的输入数据,再采用决策树模型(Decision Tree, DT)对四种大米吸收光谱进行分类识别,并在模型训练过程中结合网格搜索算法寻找模型最优参数。为增加实验对比度,分别使用逻辑回归模型和支持向量机模型进行对比实验,其模型分类准确率分别为80.75%和88.75%。实验结果表明,太赫兹时域光谱技术结合SD、iPLS和DT方法可以实现大米品种的准确识别,准确率可达95%,为农产品品种识别提供了一种新的鉴别方法。  相似文献   

8.
张萌  贾世杰 《食品与机械》2021,37(1):99-103
在高光谱成像技术的基础上,提出了一种应用于水果表面农药残留的无损检测方法。对采集数据进行预处理和特征提取,通过细菌群体趋药性算法找到最优的最小二乘支持向量机参数,建立农残检测模型,并与最小二乘支持向量机模型进行比较,验证该模型的优越性和准确性。结果表明,基于连续投影法特征波长结合文中检测模型具有最高的检测精度,其准确率达97.92%。  相似文献   

9.
《食品与发酵工业》2019,(15):251-255
为了能够快速、无损地检测不同储存条件下的蜂王浆,探究了一种基于中红外光谱技术结合支持向量机算法(support vector machine,SVM)与正交偏最小二乘判别分析法(orthogonal partial least squares discriminant analysis,OPLS-DA)的蜂王浆定性分析方法。试验以-4℃冷冻储存和25℃室温储存7、14、21 d的蜂王浆为样品,应用中红外光谱技术采集蜂王浆样本光谱,并建立蜂王浆二分类(冷冻和室温储存)和三分类(室温储存7、14、21 d)定性分析模型。试验结果显示,基于SVM算法建立的蜂王浆二分类定性鉴别模型的预测准确率达到了92. 31%,三分类定性模型预测准确率达到了100%。结合OPLS-DA法所建立的蜂王浆二分类模型和三分类模型的预测准确率分别为95. 52%和96. 97%。结果表明,运用中红外光谱技术结合SVM算法和OPLS-DA法可以有效鉴别出冷冻和室温储存的蜂王浆,为蜂王浆品质的快速、无损鉴别提供了可能性。  相似文献   

10.
以干制红枣的黑斑、破头以及分类难度较高的干条3种病害图像作为研究对象,分别采用颜色矩和灰度共生矩阵提取颜色、纹理特征中的14维特征向量,然后采用主成分分析法对特征向量进行优化,得到4个主因素特征向量作为支持向量机输入。采用交叉算法确定最优支持向量机惩罚参数c和核函数参数g对支持向量机多分类模型进行训练,利用训练后的模型对红枣进行多分类试验。结果证明,该方法能够对红枣黑斑、破头和干条3种缺陷果进行快速准确的识别,识别率分别为93.3%,100.0%和96.6%,总识别率可达97.2%,且分类效率高。  相似文献   

11.
针对传统服装舒适度评估需要直接试穿服装导致的舒适度评估精确度不高和评估过程耗时的问题,提出一种从试穿服装数据库学习服装舒适度评估模型的方法,可以快速准确地评估服装舒适度。首先,采集试衣模特尺寸和试穿样板图,并利用迁移学习改善试穿样板图构建试穿服装数据库,同时提出基于虚拟试衣技术的舒适度标签获取方法,为数据库中对应的试穿样板图添加舒适度标签;然后,提取试穿样板图的局部二值模式为服装样板特征,并融合试衣模特尺寸数据形成服装试穿特征向量;最后,提取试穿服装数据库的融合特征训练支持向量机,得到服装舒适度评估模型。实验结果表明,该方法的准确率和系统时间分别为0.8344和12 s,具有较高的精确度和效率。  相似文献   

12.
高辉  马国峰  刘伟杰 《食品与机械》2020,(10):125-129,148
针对目前中国苹果分选大部分还是经由人工筛选的现状,提出一种基于机器视觉的苹果缺陷快速检测方法。采用亮度自动校正技术消除苹果表面亮度不均匀分布,根据缺陷候选区域的数量,完成对苹果的初步判断,并使用加权相关向量机进一步对有缺陷的苹果进行判断。通过试验对文中方法的有效性和准确性进行验证。试验结果表明,该检测方法对1 000个测试样本的识别准确率为99.1%,对各种缺陷的检测精度较高。  相似文献   

13.
基于分类特征提取和深度学习的牛肉品质识别   总被引:1,自引:0,他引:1  
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。  相似文献   

14.
This paper investigates computer vision applications for surface gloss evaluation to determine a quick surface gloss evaluation method for apples. “Red Fuji” apples were wax-coated with different concentrations of shellac solutions to obtain the apple samples with different levels of surface gloss. The surface gloss values and the color scales of the apple samples were detected using a pinhole gloss meter and a color meter. The apple sample images were captured and processed, and the color parameters of the high light areas were extracted. Support vector machine (SVM) regression and classification models were built to predict the surface gloss values and the surface gloss levels of apples, respectively. The results showed that to predict the surface gloss of apple samples, the correlation coefficients of the SVM regression model were 0.94 and 0.90 for the training and the testing groups, respectively. The classification accuracy rates of the SVM classification model for the training and the testing groups were 100 and 96.7%, respectively. Finally, apple surface gloss level classification software was developed, which showed good operating results for both classification accuracy rates and calculation speed. This paper provided a new surface gloss evaluation method based on computer vision for apples.  相似文献   

15.
为了进一步提高储粮害虫的识别精度,以便更有效地防治储粮害虫,提出了一种基于纹理和形状综合特征及全局混沌蜂群优化支持向量机(SVM)的储粮害虫分类方法。首先对储粮害虫图像进行扩展Shearlet变换,利用变换系数得到能量分布均值,加权后的能量分布均值构成纹理特征向量,用Krwtchouk矩不变量描述储粮害虫的形状特征;然后将纹理特征向量和形状特征向量分别归一化,两者结合构成储粮害虫的综合特征向量;最后用全局混沌蜂群算法优化SVM的核参数与惩罚因子,并应用参数优化的SVM进行分类。结果表明:与基于Gabor小波和支持向量机方法、基于Krawtchouk不变矩和支持向量机方法相比,本方法提取的储粮害虫特征信息更加完整,识别率更高。  相似文献   

16.
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。  相似文献   

17.
目的:解决现有食品生产线分拣机器人目标识别方法存在的准确率差和效率低等问题。方法:在对基于双目视觉食品分拣系统进行分析的基础上,提出了一种将改进的粒子群算法和支持向量机相结合用于食品分拣机器人的目标识别。通过改进粒子群算法寻优支持向量机参数,获得优化的支持向量机分类模型,对全局特征和局部特征分别进行分类器训练,动态分配特征权重系数,得到最佳识别率。通过试验分析所提方法的性能,验证其可行性。结果:与常规方法相比,所提方法在食品分拣机器人的目标识别中具有较高的识别精度和效率,准确率为99.50%,平均识别时间为0.048 s,满足机器人的分拣需要。结论:所提方法能有效识别罐装食品,提高了分拣机器人分拣准确率和效率。  相似文献   

18.
采用伏安电子舌对不同贮藏年限的普洱茶进行快速检测。将深度学习技术引入到电子舌的模式识别中,提出一种基于一维卷积神经网络(1-D CNN)与极限学习机(ELM)组合的模式识别模型(1-D CNN-ELM)。采用该模型结合伏安电子舌对5种不同贮藏年限的普洱茶进行分类鉴别,结果表明,与传统基于离散小波变换(DWT)结合支持向量机(SVM)或极限学习机(ELM)的模型相比,1-D CNN-ELM对普洱茶贮藏年限的分类效果更优,其测试集准确率、精确率、召回率和F1-Score分别达到98.32%,98.0%,98.0%,0.98。试验表明深度学习方法适用于对电子舌信号进行模式识别处理,且具有较高的分类准确性和泛化能力。  相似文献   

19.
刘思伽  田有文  张芳  冯迪 《食品科学》2017,38(8):277-282
为提供苹果病害在线、快速、无损检测的理论依据,采用高光谱成像技术进行了北方大面积种植的寒富苹果病害无损检测研究。寒富苹果的主要病害有炭疽病、苦痘病、黑腐病和褐斑病害。为选择较少的有效波长而利于在线快速检测,首先采集高光谱苹果图像,分割出感兴趣区域并提取光谱信息,然后采用连续投影算法(successive projections algorithm,SPA)从全波长(500~970 nm)中提取了10个特征波长SPA1(502、573、589、655、681、727、867、904、942 nm和967 nm),再对这10个特征波长采用连续投影算法提取3个特征波长SPA2(681、867 nm和942 nm)。最后利用全波长光谱信息、SPA1提取的10个特征波长的光谱信息和SPA2提取的3个特征波长的光谱信息作为输入矢量采用线性判别分析、支持向量机和BP人工神经网络(BP artificial neural network,BPANN)模型进行苹果病害的检测。通过对检测结果分析,最终选择SPA2-BPANN为最佳检测方法,训练集检测率达100%,验证集检测率达100%。结果表明,高光谱成像技术可以有效对苹果病害进行检测,所获得的特征波长可为开发多光谱成像的苹果品质检测和分级系统提供参考。  相似文献   

20.
为实现大米种类准确、快速的鉴别,选购72份大米样品,粉碎,采集粒度为100-140目米粉的拉曼光谱,对谱图数据进行去噪、归一化和特征提取后,综合运用主成分分析(PCA)、层次聚类分析(HCA)和支持向量机(SVM)三种方法对粳米、籼米和糯米进行聚类与模式识别研究。三种大米经PCA分析可直观地归为三簇,籼米和糯米可被区分开,但粳米与糯米、粳米与籼米不能区分。HCA结果表明粳米与籼米较难区分,糯米与其它两种米有较大差异,三种大米经HCA聚类分析准确率为81.94%。而采用SVM判别方法经10次运行后的平均识别率达98.86%。实验证明:拉曼光谱法结合支持向量机用于大米种类的分类与识别简单快速,在分析数据相对复杂的情况下,可快速建立分类模型并实现大米种类间的鉴定与识别。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号