排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
对于入窑生料的控制,“稳料仓+生料下料阀+冲板式流量计”相结合的方案是目前水泥厂的主流配置,稳料仓和喂料量都采用PID进行调节,但这种配置方案,入窑生料喂料量不稳定的情况比较突出。本文以神经网络模型为基础,通过CAM(Cement's Automation and Management System,即水泥自动化与管理)智能控制系统平台,开发出生料稳料控制模块,并实际应用在水泥企业中,实时控制生料喂料量。经过长期现场实践,生料稳料控制器控制效果良好,能够有效地稳定生料喂料量,对回转窑生产有重要的推广意义。 相似文献
3.
结合纹理分析和SVM的苹果梗蒂和缺陷识别方法 总被引:1,自引:0,他引:1
苹果梗蒂和缺陷的识别是苹果检测中的难点,两者的误分类会造成苹果等级的误判。提出了一种基于SVM的苹果梗蒂和缺陷识别方法,用Ostu算法进行区域分割,实现初始目标分割,再把目标区域的纹理特征作为支持向量机的输入向量,对其进行训练识别。用富士苹果进行实验,得到的平均识别正确率为90.7%。 相似文献
4.
基于分类器的苹果梗蒂识别技术比较研究 总被引:1,自引:1,他引:0
机器视觉在苹果质量自动检测中应用,由于苹果梗蒂和缺陷在颜色和形状上相似,容易混淆.梗蒂的识别是检测中的难点,极大的影响苹果质量等级识别中的识别效率.提出了一种基于纹理分析的多种分类器识别比较的方法,采用经典的阈值分割算法实现类似梗蒂的目标区域分割,提取纹理、统计特征,通过SFFS特征选择,然后采用多种类型的分类器进行梗蒂识别.经过多种分类器实验结果比较,发现支撑向量具有比较好的识别效果,梗和蒂的识别率达到了95%和96%,只有13%的缺陷被误分为梗蒂. 相似文献
5.
苹果梗蒂和缺陷的识别是苹果自动检测中的难点,两者的误分类会造成苹果质量等级的误判.介绍了一个基于机器视觉的苹果质量自动评价系统.通过梗蒂识别、缺陷分割,确定缺陷区域并移除梗蒂区域,形成新的兴趣区域;提取统计、纹理和几何特征,采用Pearson特征相关性分析和SFFS特征选择,删除冗余特征;采用模糊KNN分类器在富士苹果进行试验,得到的平均识别正确率为83%.这项技术可以用于苹果包装流水线作业,也可用于类似的农产品外观质量检测. 相似文献
1