基于决策树支持向量机的苹果表面缺陷识别

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。     

基于支持向量机的甜柿表面病害识别

研究以次郎甜柿为研究对象,应用快速独立分量方法对病害图像进行处理,去除病害图像中的随机噪声.提取病害甜柿表面图像的纹理特征参数和颜色特征参数后采用支持向量机(SVM)识别甜柿表面病害.研究表明快速独立分量方(FASTICA)法可以很好的扩展病害区域边缘.采用图像纹理特征参数和颜色特征参数结合构建支持向量时,识别准确率和...     

基于GA-SVM算法的烤烟香型自动识别研究

为了对不同香型烤烟进行特征差异性识别,选取清香型、浓香型和中间香型3类香型的514个烟叶样品,对其中的68种致香成分进行检测,结合数据分析和模式识别技术,提出了一种基于烟草致香成分和遗传算法-支持向量机(GA-SVM)算法的烤烟香型自动识别方法,通过使用遗传算法对支持向量机进行参数优化和调整,并采用5折交叉验证的方法计算分类正确率。分别对GA-SVM算法、SVM算法和朴素贝叶斯算法的分类效果进行对比测试,结果表明:3种模式识别方法对3类香型的分类正确率分别为96.40%、78.58%和84.42%,GA-SVM算法显著优于SVM和朴素贝叶斯等传统分类算法。该方法能够为烤烟香型准确识别、烤烟产地溯源、烟叶香型风格定位提供技术支持。     

基于主成分分析和改进支持向量机的猪肉品质识别

目的:剔除近红外光谱存在大量冗余信息以及提高猪肉品质识别的精度,建立猪肉品质快速识别方法。方法:运用主成分分析对猪肉光谱数据进行降维处理,筛选出猪肉光谱特征波长;运用樽海鞘群算法进行支持向量机(SVM)模型的参数优化,提出一种基于樽海鞘算法改进支持向量机的猪肉品质识别模型。结果:与灰狼算法(GWO)优化SVM(GWO-SVM)、网格搜索算法改进SVM(Grid-SVM)、粒子群算法改进SVM(PSO-SVM)和SVM相比,基于SSA-SVM的猪肉品质识别模型的精度最高。结论:融合主成分分析和樽海鞘算法优化SVM模型的猪肉品质识别模型可以有效提高SVM模型的猪肉品质识别精度。     

太赫兹时域光谱识别4种食用油真实性的研究

采用太赫兹时域光谱系统(THz-TDS),研究了4种食用油(黑芝麻油、芝麻油、小磨香油和花生油)在0.2~1.6 THz波段的延时特性和折射率特性。使用主成分分析法(PCA),根据累计贡献率的大小提取光谱的特征数据。提取了4个主成分(累计贡献率大于95%)作为一个支持向量机(SVM)模型的输入用于识别食用油的种类。结果表明:结合主成分分析法,通过选择合适的支持向量机核函数及其参数,食用油种类识别的正确率可达到93%;通过与主成分回归(PCR)、偏最小二乘回归(PLS)和后向(BP)神经网络方法的比较,支持向量机结合主成分分析(PCA-SVM)方法具有更突出的分类性能,同时也说明了采用太赫兹时域光谱,结合化学计量学方法精准鉴别食用油种类的可行性。     

基于电子鼻与物理特征融合的猕猴桃贮藏时间识别方法

提出了一种电子鼻与物理特征相融合的多源信息融合识别方法,并探究其识别猕猴桃贮藏时间的可行性。根据猕猴桃失重率变化可知,随着贮藏时间的增加,猕猴桃的失重率呈线性上升的趋势。提取特征值后,分别采用线性判别分析(LDA)、欧氏距离分析(ED)、支持向量机(SVM)和过载分析(Loadings)对2种识别方法(单一的电子鼻识别以及电子鼻与物理特征融合识别)进行模式识别。结果表明,电子鼻与物理特征融合识别法可比单一采用电子鼻识别法获得更多样本信息,在分类过程中使得不同样本之间的距离更大,识别效果更佳。电子鼻与物理特征融合不仅可以获得更多的样本信息,并且可以最大限度地保留单一电子鼻识别得到的各传感器贡献度,从而获得更好的分类识别效果。     

基于近红外光谱的重金属污染泥蚶的快速检测

提出了利用近红外光谱技术对重金属污染泥蚶的快速检测方法。以冷冻干燥磨粉的泥蚶肌肉为试验对象,方案设计分为两种:对照泥蚶和单一重金属(Cd,Cu,Pb或Zn)污染泥蚶的分类(设计Ⅰ);所有样本包括对照泥蚶和4种重金属污染泥蚶的分类(设计Ⅱ)。采用两种识别算法,即最小二乘支持向量机和随机森林,对设计I和设计II分别建立分类模型并进行预测。预测结果表明:设计Ⅰ:最小二乘支持向量机和随机森林的平均预测正确率分别为100%和95%;设计Ⅱ:最小二乘支持向量机和随机森林的平均预测正确率分别为96%和92%。利用近红外光谱技术快速检测重金属污染泥蚶具有可行性,可为泥蚶重金属污染提供一种快速检测方法。     

基于近红外高光谱图像的冬枣损伤早期检测

为了对冬枣损伤进行早期检测,采用近红外高光谱图像技术对损伤区域成像。针对高光谱图像波长多的特点,分别采用连续投影算法、相关特征选择算法、一致性(Consistency)算法选择冬枣损伤的特征波长,对提取的特征波长分别应用k-邻近、朴素贝叶斯(naive bayes,NB)、支持向量机(support vector machine,SVM)3种分类方法进行损伤区域识别。结果表明:所有方法选择的一致特征波长在1 353 nm和1 691 nm附近。Consistency算法选择的特征波长在SVM分类器下分类识别正确率达到95.16%,一致特征波长在NB分类器下分类识别正确率达到84.26%,验证了一致波长的有效性,为多光谱成像技术实现在线检测冬枣损伤提供参考依据。     

支持向量机模式识别方法及其在农产品品质快速无损检测中的应用

支持向量机(Support Vector Machines)是一类基于统计学习理论的机器学习算法，是刚发展起来的新模式识别与分类技术。作者阐述了支持向量机的基本原理，并对支持向量机技术在农产品品质快速无损检测中的应用进行初步探讨。     

基于改进PSO-SVM的生产线分拣机器人罐装食品识别方法

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。     

基于高光谱反透射图像的新疆冰糖心红富士水心鉴别

采用高光谱成像技术结合化学计量法,采集新疆冰糖心红富士好果与水心病果样本在波长范围380～1 004 nm的可见近红外高光谱反透射图像,选取感兴趣区域获得平均光谱,对原始光谱采用直接差分一阶求导等9种光谱预处理方法,再分别用主成分分析、快速独立分量分析、相关系数法完成数据降维,结合贝叶斯判别、K最近邻法、马氏距离判别、最小二乘支持向量机、二次线性判别方法识别是否有水心病。结果表明,主成分分析提取前15主成分,采用标准正态变量变换-主成分分析-最小二乘支持向量机与多元散射校正-主成分分析-最小二乘支持向量机模型识别效果最优,校正集和预测集识别率分别为100%和91.2%。     

基于融合预处理的掺假咖啡太赫兹光谱识别

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。     

基于烟丝近红外光谱的卷烟品牌识别方法

为实现对卷烟品牌的快速识别,基于烟丝的近红外光谱数据,结合机器学习技术,以贵州中烟工业有限责任公司生产的10种品牌卷烟为对象,建立了一种卷烟品牌识别模型,并以正确识别率(Recognition Accuracy,RA)为评价指标对模型的各项关键参数进行迭代优化。利用采集的卷烟样品数据对模型进行验证,结果表明:采用连续小波变换(CWT)方法进行光谱数据预处理,概率主成分分析(PPCA)方法进行数据降维,选择Linear作为核函数,基于支持向量机(SVM)方法建立的识别模型,最高RA值达到97.20%,表明利用烟丝光谱数据可以实现对卷烟品牌的准确识别。该技术可为卷烟配方维护提供支持。     

基于近红外光谱的褐变板栗识别建模方法研究

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。     

基于ZYNQ-7000的织物疵点识别技术

针对织物疵点分类的高精度和实时性要求,利用解决小样本问题的支持向量机分类器,采用ZYNQ平台实现疵点的识别并显示结果。介绍了ZYNQ硬件平台,对采集到的图像预处理之后应用局部二进制模式和灰度共生矩阵进行特征提取,最后通过支持向量机对提取的特征值进行学习训练,构建分类器,实现了织物生产过程中常见6种疵点的分类。经试验验证:该系统具有精度高,检测速度快等优点。认为:该系统可以满足实时在线应用。     

模式识别方法在食品智能化感官分析中的应用

本文综述了智能化食品感官分析体系的结构及其实现方案,介绍了相关性分析方法、神经网络、支持向量机等模式识别方法的原理、主要特点、存在问题以及在食品感官分析中的应用,并就模式识别方法在食品智能化感官分析体系构建中的应用研究提出了建议和设想。     

铜闪速熔炼过程操作模式的多类分类策略研究

针对铜闪速熔炼操作模式易获取而标记困难的特点,文章利用支持向量机在解决小样本、非线性及高维模式识别问题中特有的优势,构造了一种基于边缘交叉的支持向量机决策树模型,能有效的减小传统决策树方法出现的误差积累现象,提高铜闪速熔炼过程操作模式分类的准确度。     

基于支持向量机和压力传感器的水果分类系统

目的:提高水果分类准确率并兼顾低计算成本和低传感器成本。方法:提出一种基于电容式压力传感器的水果分类系统,通过采用高斯核函数的支持向量机算法(高斯支持向量机算法)对水果进行分类。所采用的电容式压力传感器由薄铜片和一层乙酸乙烯酯制成,压力传感器被固定在模拟机械手的聚酰胺氨纶手套的拇指和食指上。获得的电容值以数字电平的形式表示,通过数据处理软件进行数据提取,采用核函数的支持向量机算法对电容数据进行处理,以确定水果的类别。结果:对11种水果的分类结果表明,采用高斯—支持向量机算法的智能手套能够实现水果的高准确率分类,且可根据实际需要在分类准确率、计算成本和低传感器成本之间权衡。结论:该系统可用于开发水果分类的电子系统,提升分类机械手的水果分类性能。     

基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测

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。     

基于支持向量机及粒子群算法的腊肉品质等级检测

针对近年来备受关注的腊肉酸价和过氧化值超标、褪色、出油、发黏等品质问题,提出一种快速、准确、实用的检测技术。采用支持向量机(support vector machine,SVM)将近红外光谱(near infrared spectroscopy,NIR)检测到的酸价、过氧化值、挥发性盐基氮和显微图像处理得到的微生物菌落总数进行多数据融合,建立腊肉品质等级检测模型,并利用粒子群优化(particle swarm optimization,PSO)算法进行模型优化。结果表明:支持向量机的分类方法取得了与生化方法相同的腊肉分级预测结果,且采用粒子群优化后的分类模型准确率由97.5%提升到100%。证明粒子群优化支持向量机模型能够迅速对腊肉等级进行准确检测。