基于机器视觉的马铃薯智能分级系统

为实现马铃薯外观品质自动分级,构建马铃薯智能分级装置,提出一种简单易行的马铃薯智能分级控制方法和流程,并基于Visual C++环境实现马铃薯智能分级软件系统。该系统通过下位机发送信号给上位机来控制摄像头拍照,上位机对所拍摄的马铃薯图像进行处理与分级检测,并将检测结果发送给下位机智能分级装置,最后分级执行器执行分级。经测试:该分级控制方法简单易行且运行稳定,不受机器运行速度的影响,基本消除了强电干扰所构建的分级系统分级结果稳定,分级精度达到90%,可满足马铃薯实时分级的要求。     

基于玉米籽粒近红外光谱的品种与产地识别研究

为考察近红外光谱对玉米种子的品种识别与产地识别性能,采集了8个玉米品种波长范围为12 000~4 000 cm-1的近红外光谱数据,并基于此数据研究了基于PCA的光谱数据特征的提取方法,并探讨了神经网络(ANN)和支持向量机模型(SVM)在品种识别上的性能,进一步研究了玉米品种的产地识别技术,且比较了传统可见光图像的品种识别。研究发现:基于近红外的玉米品种识别,在6个主分量的情况下整体上性能达到90%以上;SVM算法较ANN算法稳定可靠,更适合于小样本情况下的光谱分析;基于光谱的品种识别与基于可见光图像的品种识别效果相当;另外发现同一品种在不同产地上其光谱特征差别较大,据此可以应用光谱进行产地鉴别,鉴别力达到95%以上。本研究所构建的方法对玉米品种识别和产地识别具有积极意义。     

基于免疫计算的概念提取方法研究

基于实例的模式识别中,由于存在大量实例和特征个数可变特性,导致分类器识别性能低下,难于形成具有高度概括性的共性对象实例.基于免疫计算的概念提取是在有效降低特征个数的同时,提取各类的中心,以此为实例模式对待识别样本进行分类决策.实验结果表明算法在保持甚至提高分类精度的同时,不仅有效地降低了特征个数,而且提取的类中心分类效果更好.与基于遗传算法的概念提取结果相比较,在有限代数内,该算法能收敛到更优的类中心,从而验证了算法的有效性及其应用潜力.     

基于图像处理的花生荚果品种识别方法研究

为实现品种鉴定与真伪识别的自动化,基于图像识别的方法,采用扫描仪采集了20个品种,每个品种100颗花生果正面和2个侧面的图像,分别获取每幅图像的形态、颜色和纹理三大类共50个特征,并对这些特征进行主分量分析(PCA)优化,针对优化和没有优化的特征,搭建了人工神经网络识别模型和支持向量机模型,并采用两种模型进行品种识别,结果表明,采集的特征经PCA优化后表现出更强的识别性能,SVM较神经网络识别效果总体上得到提高,并且识别效果稳定。品种的数量对识别效果有影响,在通常情况下可根据品种的数量来确定特征的数量,可以进一步提高效率,对20个品种,需要选择超过15个特征。颜色类特征比形态类和纹理类特征具有更好的识别效果,经过不同类别的特征组合后,整体上识别性能达到90%以上,基本可以推广到实际生产中使用。     

一种面向Web复合服务的运行时监控方法

随着计算机技术的发展,软件面临着日益严峻的可信性要求,运行时监控技术作为保证软件可信性的一个重要方法,已受到人们的普遍关注。分析总结传统软件运行时监控技术的基本问题和方法,给出运行时监控的基本视图。针对Web复合服务面临的特殊运行环境及监控需求,提出一种监控框架。该框架以事件计算建模行为规约,在无法对构件服务进行插装的情况下实现对复合服务的有效监控。     

物联网中的无线传感器网络技术综述

随着科学技术的进步,物联网(Internet of things,IoT)中的无线传感器网络(Wireless Sensor Networks,WSN)技术发展已经相对成熟,但由于其涵盖了较多的技术种类,使得现有的研究多数注重于如何解决一些实际问题,从整体上对IoT中的WSN及其关键技术介绍的相对较少,这就使得读者或初学者对于WSN的关键技术没有一个系统的认识,不利于后续的研究发展。为了使读者可以尽快对所有概念有个清晰的理解,本文首先总结了WSN所涵盖的关键技术,然后根据各种技术固有的技术特点和特征对其进行了系统分类,并提出了一种WSN关键技术分类框架。在该框架下对涉及到的主要技术进行了阐述,最后探讨了IoT中的WSN技术有待解决的问题:提高通信可靠性、降低节点能耗、提高定位精度、提高网络安全性、建立普适网络传输新模型等。未来WSN将向综合一体化的信息感知网络方向发展,通过影响人们生活各个方面,从而深刻改变人与物、物与物的交互方式,并随着"智能物联网"概念的提出,未来WSN的应用将无处不在。     

玉米品种图像识别中的影响因素研究

为了研究玉米品种图像识别中的关键影响因素,搭建了一套基于PCA和ICA特征提取和支持向量机(SVM)分类算法的玉米品种识别系统,采用扫描仪获得了11个品种每个品种50粒图像,基于图像的像素特征和统计特征,分别研究了主分量分析(PCA)和独立分量分析(ICA)的特征提取和特征优化方法,并进一步考察了支持向量机(SVM)模式分类过程中的关键参数优化问题.试验结果表明,对11个品种550个籽粒的品种最高检出率为97.17％,在同样的情况下ICA优化的特征较PCA优化的特征识别率能提高3％左右,适当选择统计特征比使用像素特征识别率提高约10％,另外SVM参数影响到识别效果,但整体影响不大.本方法与结论对玉米种子纯度和品种真实性检验具有积极意义.     

基于Zernike矩与SIFT特征的商标检索算法

为降低商标检索算法的误检率,提出一种结合Zernike矩(ZM)和尺度不变特征变换(SIFT)的商标检索算法,该算法由离线数据库构建和在线检索组成。分别从查询图像中提取ZM和SIFT特征;根据查询图像的特征集与数据库中存储的图像的特征集之间的ZM特征进行相似度度量,形成候选商标集;最后,利用SIFT特征对查询图像与候选图像精准检测,对相似距离进行排序,将结果返回给用户。实验结果表明：与当前流行的商标检索算法相比,该算法具备更好的检索性能,在缩放、平移、模糊、透视、斜切、扭曲等变换干扰下,仍呈现出更理想的Precision- Recall曲线以及F值。     

基于外观特征识别的花生品种与品质检测方法

花生的品种和品质检测是花生育种实践和质量检验的重要内容.为了评价通过外观特征进行大数目花生种子检验可行性,采用图像识别的方法通过数码相机拍得了48个品种和同一品种6种不同品质的花生群体图像,基于主分量分析和人工神经网络的方法建立和检验了由形态类、纹理类、颜色类共49个种子外观特征构建的识别模型并进行了模型组合优化.结果表明:模型优化后品种识别率和品质识别率分别达到91.2%和93.0%;颜色类特征在品种品质检测上效果优势明显;外观特征对品质的区分度较对品种的区分度大.采用机器视觉检测具有成本和速度上的优势,能够用于花生品种和品质的真伪鉴定.     

基于Kernel-ICA和X-ray成像的品种分类研究

对农作物品种正确分类是作物分类学的重要内容,为考察X-ray成像技术对小麦品种分类研究的有效性,基于软X-ray成像仪采集的3品种(Kama,Rosa and Canadian)每个品种70个籽粒,共210个籽粒样本的X-ray扫描图像,并针对其7个形态几何特征(面积、周长、紧致度、籽粒长度、宽度、偏斜度、种子腹沟长度),提出了一种使用Kernel-ICA的方法先对特征进行优化,再进行小麦品种的聚类与识别的方法,并与K-means、C-means 2种聚类方法以及基于工神经网络(ANN)和支持向量机(SVM)2种识别方法的分类结果进行比较,结果发现:分类正确率从高到低分别为:Kernel-ICA、SVM、C-means、K-means、BP-ANN,分类正确率分别为:91.9%、90.5%、89.5%、87.1%、86.9%。研究提出的Kernel-ICA的方法,聚类优化和识别能力较强,对软X-ray成像的小麦品种进行分类,已基本上满足农艺上对小麦品种分类需要,对农作物种质资源鉴别和作物品种分类研究具有积极意义。