基于扩展Shearlet变换、Krawtchouk矩和SVM的储粮害虫分类

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。     

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DSP的纸张缺陷实时检测系统设计

基于DSP的纸张缺陷检测系统,分别对该系统的硬件和软件部分进行介绍。硬件部分采用高性能的DSP芯片作为图像处理的核心部分,为缺陷检测的实时性提供了保证;软件部分采用支持向量机算法,克服了传统方法的大样本要求和维数灾难及局部极小问题,又把非线性空间的问题转换到线性空间,降低了算法的复杂度,提高了计算速度。通过将支持向量机识别算法嵌入到高性能DSP芯片中,很好地实现了纸张缺陷的实时检测。     

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。     

改进的支持向量机算法在人脸识别上的应用

支持向量机算法作为一种新的机器学习方法,在处理小样本分类问题上具有明显优势,但核函数和参数的选取直接影响支持向量机算法的性能.针对该问题,文中通过组合全局核函数和局部核函数的混合核函数方法,建立了基于粒子群算法的混合核支持向量机算法,并将其用于ORL人脸数据库的人脸识别测试.结果表明,该改进算法较标准的支持向量机算法具有更高的识别率.     

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。     

基于支持向量机的野生蘑菇近红外识别模型

提出一种应用近红外光谱技术对野生蘑菇识别的新方法。使用FieldSpec3便携式近红外光谱仪对包括野生蘑菇在内的13种蘑菇进行漫反射光谱采集,通过对光谱的分析,得出1 483,1 727,1 930,2 100,2 180,2 310nm为样品中多糖、蛋白质、脂肪的特征吸收峰,且野生蘑菇中3种成分的相关基团近红外特征吸收峰显著地高于其它蘑菇。将以上6处波长的吸光率作为输入变量,建立支持向量机识别模型,取RBF核,优化后惩罚因子C=2 048.0,核参数γ=0.031 25,该模型对未知样本正确识别率为95.3%。结果表明,利用近红外光谱少量波长处的特征吸收差异,建立支持向量机识别模型可以很好地对野生蘑菇进行鉴别。     

基于机器视觉与支持向量机的核桃外部缺陷判别分析方法

使用3CCD高精度面阵相机采集新疆多个品种核桃RGB图像,设计一种自适应双阈值的Otsu法,快速、准确地分割出缺陷区域;基于分割区域的几何、纹理等20 个初始特征,转换为新的9 维特征向量集;以该特征集为输入,建立基于贝叶斯、BP神经网络与支持向量机的15 个识别模型,对比评价其适应性,以及裂缝、碎壳、黑斑3 类核桃外部缺陷的识别性能与时间。结果表明,基于径向基的支持向量机识别模型效果最好,对3 类缺陷的验证集平均识别率分别为93.06%、88.31%、89.27%,对缺陷的总识别率为90.21%,平均识别时间为10－4 s级。研究成果能够用于今后核桃缺陷的在线检测与分级,同时也为坚果等其他作物品质的在线检测识别提供一定参考。     

基于卷积神经网络和支持向量机的水稻种子图像分类识别

针对外形相似的水稻种子间分类难、识别正确率低等问题,提出一种卷积神经网络与支持向量机相结合的方法(CNN_SVM)对8类水稻种子进行分类识别.首先对图像进行切割、旋转等预处理后建立水稻种子图像数据库,其次通过提取图像的方向梯度直方图(HOG)、LBP纹理、SIFT描述子和CNN特征,分别建立SVM、KNN和Softma...     

近红外光谱技术结合支持向量机对食用醋品牌溯源的研究

研究近红外光谱技术对食用醋品牌进行快速无损溯源。收集市场上保宁、东湖、恒顺、镇江4个品种共152份具有代表性的食用醋样品,采集它们的近红外光谱数据,对原始光谱数据进行多元散射校正(multip,licative scatter corrertion,MSC)预处理,对预处理后的光谱数据利用主成分分析法(principal component analysis,PCA)进行聚类分析,根据主成分的累计贡献率选取主成分数,然后用支持向量机(support vector machine,SVM)建立预测模型,选取合适的SVM核函数,并利用粒子群优化算法(particle swarm optimization,PSO)优化模型参数。结果表明,近红外光谱技术结合支持向量机对食用醋品牌分类正确率可达100%。     

基于IDE算法优化支持向量机的变压器故障诊断

提出了一种IDE(改进微分进化)与支持向量机模型相结合的变压器故障诊断新方法。该方法通过支持向量机模型搭建变压器故障诊断的综合判定系统,使决策树的每一个分支都对应一种具体的故障类型,然后应用IDE对支持向量机的分类结果进行优化。经过实例分析,验证了该方法的可行性和有效性。     

支持向量机在变压器故障诊断中的应用

变压器故障诊断的本质是一个多分类识别问题。支持向量机（Suppot Vector Machine,SVM）能够在小样本的情况下很好的解决这种故障识别,而参数合理选择对SVM的分类性能有很大的影响。讨论利用多种算法优化SVM分类器参数,并结合LIBSVM工具箱进行分析,给出了其GUI图形界面。对比分析了单一算法和混合算法对SVM性能的影响,并结合具体数据进行实例验证,可以作为变压器故障诊断辅助方法。     

基于人工蜂群算法优化支持向量机的变压器故障诊断

支持向量机参数的选择直接影响变压器故障诊断分类的准确率,为了提高变压器故障的诊断精度,提出一种基于人工蜂群算法优化支持向量机的变压器故障诊断模型。利用人工蜂群算法优化支持向量机的惩罚因子C和核函数参数σ。实验结果表明,文章提出的算法能够获得较高的故障诊断精度。     

基于支持向量机的高光谱遥感影像分类

高光谱遥感是将成像技术和光谱技术相结合的多维信息获取技术。自发展以来,已在各个方面都显示出了巨大的研究潜力,成为遥感应用最广泛的领域之一。然而,如何充分利用高光谱遥感数据提供的丰富的地表信息,以及如何在如此大量的信息中提取有用信息,是摆在研究者面前的一项重要课题。高光谱遥感影像处理的一项重要内容就是地物目标的分类。文章基于支持向量机算法原理,提出了一种应用于高光谱影像的分类机制,并在印度松树(Indian Pines)和帕维亚大学(Pavia University)数据集上进行了验证实验,取得了较高的分类精度。     

高光谱技术结合网格搜索优化支持向量机的桃缺陷检测

为快速区分完好桃、疮痂桃、腐烂桃(虫咬桃、鸟啄桃),实现久保桃外部缺陷的无损检测,该研究利用高光谱技术对久保桃的外部缺陷进行了研究。共采集302个久保桃样本(120个完好桃样本、120个缺陷桃样本、62个验证桃样本),对比经光谱学、基线校正、中值滤波(median filter, MF)等5种预处理方法建立偏最小二乘法模型的准确率,选取经MF预处理后的光谱数据进行后续建模研究。采用回归系数法、竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)提取特征波长,建立网格搜索法优化支持向量机(grid search optimized support vector machines, GS-SVM)模型、遗传算法优化SVM模型、粒子群算法优化的SVM模型并进行对比分析。结果表明,CARS-GS-SVM模型预测效果最好,其训练集的判别率为93.33%,预测集的判别率为96.77%,验证集的判别准确率为91.94%,运行时间为11.5 s。该研究利用高光谱技术结合CARS-GS-SVM模型实现了久保桃外部缺陷的检测,为开发水果的分...     

基于PSO-SVM的白酒品质鉴别电子鼻

研制一套白酒品质识别电子鼻,对检测样品的气味数据进行预处理,提取稳态响应值,并作为支持向量机(support vector mchine,SVM)分类模型的输入.为提高识别的准确度,利用粒子群算法(particle swarm optimization,PSO)来优化SVM的参数c和g.不同品质的白酒所对应的电子鼻传感器响应特性不同,PSO- SVM分类模型的识别准确率达到了97.5％.结果证明基于PSO-SVM分类模型具有较强的学习能力和泛化能力,可用于白酒品质鉴别电子鼻.     

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...     

应用支持向量机进行棉麻纤维自动识别的比较研究

纤维种类识别是进行纺织品混纺含量测定的前提条件，根据纤维直径和特定着色剂染色后颜色特征，应用支持向量机实现棉麻纤维的计算机自动识别，指出支持向量机是一种对有限训练样本更为科学的判别方法。     

基于支持向量机的单面针织物组织结构的识别

本文探索采用支持向量机的方法,对单面平针织物和集圈织物进行了结构识别。在对织物进行了数字图像采集和图像预处理后,提取了织物的覆盖率、垂直方向上纱线间隔大小的方差和纱线平均直径大小的方差,3个变量作为特征参数,建立了织物识别模型,实现了较高的识别率。     

基于改进多尺度Retinex图像增强和支持向量机的苹果表面缺陷检测

目的 使用改进多尺度Retinex(Multi-Scale Retinex,MSR)图像增强技术和支持向量机(Support Vector Machine,SVM)分类技术实现苹果表面缺陷检测。方法 对苹果实验图像进行MSR图像增强,消除光照不均匀和表面颜色复杂干扰。对图像增强结果图使用自适应gamma矫正提高光晕区域对比度,并使用基于局部灰度的多阈值比较分割消除光晕现象干扰,获得初步缺陷分割结果。在此基础上,提取苹果梗萼与疤痕的颜色特征,并引入SVM对梗萼和疤痕进行分类,并对梗萼进行剔除,仅保留疤痕作为最终检测结果。结果 将本研究的方法部署到嵌入式设备OpenMV4H7Plus中并经实验证明,梗萼识别准确率达到93.8%,疤痕检测准确率达到92.8%。结论 利用改进MSR图像增强技术和SVM分类技术可以在光照不均匀和颜色信息复杂的苹果表面实现疤痕的有效检测。