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。     

融合密度与光谱特征的苹果霉心病无损检测

针对近红外漫反射光谱对苹果霉心病判别准确率较低的问题,提出了一种融合密度特征与漫反射光谱的苹果霉心病多因子无损检测方法。基于光谱采集平台获取195个富士苹果的漫反射光谱(200～1 100 nm)信息,利用WLD-600密度仪获取苹果密度信息,采用标准正态变量变换(standard normal variable transformation, SNV)对光谱数据进行预处理,竞争性自适应重加权采样法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projection algorithm, SPA)结合用于提取与霉心病相关的特征光谱,分别以密度、特征光谱、密度+特征光谱作为模型因子,建立偏最小二乘判别(partial least squares discriminant analysis, PLS-DA)、Fisher判别、支持向量机(support vector machine, SVM)和最小二乘支持向量机(least squares support vector machine, LS-SVM)4...     

基于双子支持向量机的中小企业管理能力分析与优化

财务状况预测和员工绩效评估是企业管理的重要工作内容,尤其是定量分析和风险预警,直接影响着企业经营状况。因此为了提高中小企业的管理能力,采用双子支持向量机方法来对中小企业的财务运行状况进行判别及员工绩效进行分类,根据判别及分类结果对企业管理方法进行优化。对企业主要财务指标和员工绩效要素进行特征提取,构建训练样本,分别采用线性双子支持向量机和非线性双子支持向量机建立企业财务状况和员工绩效评估模型,经过实验证明,基于线性双子支持向量机的中小企业财务预测准确率高;此外相比于SVM和线性双子SVM,非线性双子SVM的员工绩效评估效果更好,为企业管理者提供了科学的量化评估工具。     

马铃薯品质鉴别的近红外光谱与多源信息耦合

建立了基于机器视觉和近红外光谱技术的分级概率输出,利用DS证椐融合规则,搭建适用于异源数据的无损检测分级决策模型。采用方向梯度直方图和主成分提取方法提取光谱特征,并应用支持向量机和AdaBoost分类器进行识别,在此基础上,构建了基于特征层融合的马铃薯分级模型。采用多源信息融合技术,建立了融合无损检测分级决策和特征层融合的多源信息融合农产品品质鉴别模型。仿真结果表明,相比于单一鉴别模型,多源信息融合鉴别模型识别率提高了12.7%~30.2%,达95.7% 以上。     

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。     

基于可见/近红外透射光谱结合蜜獾算法优化支持向量机的糖心苹果鉴别

传统的糖心苹果鉴别方法具有破坏性和不可逆性,无法大范围推广使用。为实现糖心苹果和健康苹果的快速准确分类,提出基于可见/近红外透射光谱结合蜜獾算法优化支持向量机的糖心苹果鉴别方法。首先采集正常苹果和疑似糖心苹果样本的3个不同方向的可见/近红外透射光谱,并利用最大最小值归一化对原始光谱数据进行预处理,然后使用主成分分析对预处理完的数据进行降维和特征提取,再取前10个主成分作为降维后的样本数据,最后将降维后的样本数据输入支持向量机进行分类,结果发现分类效果一般。引入蜜獾算法对支持向量机进行优化,建立新模型,通过结果表明,方向二为光谱数据采集的最佳方向,新模型可以实现对健康苹果和糖心苹果的快速准确分类,为糖心苹果的鉴别和其他果蔬的分类提供新思路。     

基于高光谱技术的马铃薯外部品质检测

为了快速无损检测马铃薯外部品质,研究采用高光谱成像技术对马铃薯外部品质分级。选取合格、发芽、绿皮、孔洞4种马铃薯外部特征,获取光谱数据,采用不同预处理方法对光谱数据进行处理,并分别建立偏最小二乘判别模型,结果显示采用标准正态变量变换法(SNV)获得的模型效果最优。对预处理后的光谱数据利用连续投影算法(SPA)及加权权重法(WWM)分别优选出了13个和9个特征波段,对两种不同方法得出的特征波段分别建立了支持向量机判别模型,结果显示两种方法对预测集的判别准确率均达到了100%,WWM-SVM判别模型对校正集的交叉验证率为99.5%,高于SPA-SVM判别模型的交叉验证率。利用高光谱成像技术结合SPA-SVM和WWM-SVM对马铃薯外部品质进行分级具有可行性。     

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。     

基于高光谱成像和外观特征的祁门工夫红茶质量数字化评判

研究提出基于高光谱成像（Hyperspectral imaging, HSI）结合化学计量学算法对七个等级的祁门工夫红茶样品外观质量评判。利用HSI系统采集样品原始图像,提取其9个色泽特征。利用灰度共生矩阵和灰度统计矩阵等图像纹理特征提取算法获得66个纹理特征数据。将图像色泽和纹理数据进行特征融合,以融合数据作为构建模型的特征向量。利用支持向量机、随机森林和最小二乘支持向量机（Least squares support vector machine,LSSVM）算法结合特征融合数据,构建祁门红茶样品的等级识别模型。实验显示,基于融合特征的LSSVM模型的判别精度最高,为94.85%。结果表明,HSI结合色泽、纹理特征和化学计量学方法作为一种快速和有效的策略,可以成功地应用于祁门工夫红茶等级质量的准确判别。     

Preliminary study on the application of near infrared spectroscopy and pattern recognition methods to classify different types of apple samples

In this paper, near infrared (NIR) spectroscopy combined with pattern recognition methods was used in an attempt to classify different types of apple samples. Three pattern recognition methods such as K-nearest neighbour (KNN), partial least-squares discriminant analysis (PLSDA) and moving window partial least-squares discriminant analysis (MWPLSDA) were used to classify apple samples of different geographical origins, grades and varieties. The result indicates that MWPLSDA is superior to these two conventional pattern recognition methods. Because MWPLSDA method can select narrow but informative wavelength intervals to reconstruct an efficacious classification model with high predicting accuracy. In conclusion, MWPLSDA coupled with near-infrared fibre-optic technology is proved to be an effective method for fruit classification.     

基于机器视觉的苹果在线分级

通过CCD相机动态采集苹果两个面的实时图像,提出了泛洪填充+自适应Ostu阈值分割算法提取苹果的轮廓,采用最小外接圆法对苹果上表面图像进行处理得到苹果果径,采用最小外接矩形法对苹果侧表面图像进行处理提取苹果果形特征;将图像进行RGB到HSV空间转换,提取苹果的着色度、果锈,以及疤痕特征,采用基于改进粒子群算法的SVM决策树的分类方法进行苹果的分级。结果表明,该方法对特级果、一级果、二级果和等外果的识别准确率分别达96%,94%,98%,98%,分级速率达4个/s,可以满足苹果在线分级的要求。     

Variety‐based discrimination of apple juices by an electronic nose and gas chromatography–mass spectrometry

The variety of raw material plays a crucial role in the quality and authenticity of fruit juices and juice products. To characterise and classify apple juices according to variety on the basis of their volatile compounds, electronic nose (EN) and gas chromatography–mass spectrometry (GC‐MS) were applied to detect the apple juices prepared by eight different varieties. The EN was used to analyse the mixture of volatile compounds as a whole and enabled rapid classification of juice samples when coupled with linear discriminant analysis (LDA). LDA showed a perfect discrimination of apple juices based on varieties. GC‐MS was utilised to illustrate the differences of volatile compounds among juice samples. Identification of volatile compositions and their contents provides useful access to differentiate juices from different varieties.     

陕西洛川富士鲜苹果品质综合评价及分级体系的构建

建立鲜苹果品质综合评价标准及分级标准,构建鲜苹果品质的综合评价及分级体系,为鲜苹果品质在线无损检测提供技术支撑。以陕西洛川富士苹果为材料,利用SPSS 19.0软件通过因子分析对鲜苹果13 项品质指标进行筛选,利用概率分布和层次分析分别进行品质评价指标的分级及指标权重的确定,再通过K-均值聚类分析和判别分析建立苹果品质判别函数模型。本实验筛选出陕西洛川富士鲜苹果的7 项主要品质指标：单果质量、果形指数、色泽a*值、可溶性固形物含量、硬度、VC含量、糖酸比,建立了主要品质指标的分级标准和评分标准,得到对鲜苹果品质综合评价的5 个判别函数,建模样本和检验样本的判别正确率分别达95.65%和91.67%。     

基于红外与可见光图像融合的苹果表面缺陷检测方法

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。     

基于机器视觉的水果分级系统

目的:解决目前水果分级检测方法效率低、误检率高等问题。方法:以苹果为分拣对象,设计一个基于机器视觉的水果分级系统。对实时采集得到的苹果图像进行预处理,使用改进的Canny边缘检测算法进行边缘提取,通过最小外接圆法拟合边缘坐标得到苹果的横切面半径。将采集到的RGB图像转换为HSI图像,根据H分量范围计算红色区域比例,判断苹果的色泽度。统计区域像素点个数,分别求取苹果的面积和周长,计算出苹果的圆形度。结合苹果果径长度、色泽度和圆形度3个特征值对苹果进行综合分级。结果:50个苹果样本试验结果表明,水果分级系统和人工分拣测量的果径误差范围在±1.5 mm以内,样本颜色特征与苹果实际外观相符,圆度值的大小与实际形状优劣相符。结论:该系统满足实际生产中对于苹果分级的需求,有助于实现苹果品级的准确识别。     

基于隐马尔科夫模型的苹果分级方法研究

提出了一种基于隐马尔科夫模型的苹果分级方法。以3种不同颜色和形状的苹果为研究对象,提取苹果的六角锥体模型(HSV)作为苹果的颜色特征,提取苹果Hu不变矩作为苹果的形状特征,将这些特征量采用Lloyd算法编码,并将它们作为隐马尔科夫模型(HMM)的输入。依据HMM模式识别方法,对不同颜色和形状的苹果进行了分类识别,进而完成苹果分级。试验表明,该方法完成的分级识别率为100%。     

Modelling the consensus and differences between assessors inspecting the colour quality of apples by ‘tree‐based modelling’

This research investigated the consensus and differences between different quality inspectors assessing the colour quality classification of a two‐coloured apple variety (Malus domestica Borkh cultivar ‘Jonagold’). An image analysis system measured the colour characteristics objectively. These objective measures formed the basic reference to compare the grading behaviour. Different quality inspectors were asked to assess the colour quality of different sets of apples applying the commercial quality standards. Agreement and association measures of the intra‐inspector contingency tables indicated a moderate ability of the inspectors to reconstruct their own quality classification. If the intra‐agreement and intra‐association were lower than a threshold, the repeatability of the inspector's assessments was considered as too poor and his classification results were omitted from the model development that simulated the apple colour classification behaviour. The statistical method ‘tree‐based modelling’ was applied to connect the individual quality assignments with the objective apple colour measurements. These models indicated that the blush colour was more important than the blush area for the quality assessment.The individual grading decision models were compared by correspondence analysis. Four different grading archetypes were detected and simulated. The predictive power of the four archetypal models was much higher than the predictive power of a consensus model including all inspectors. These results underlined the fact that poorly defined commercial standards lead to different quality interpretation. © 2000 Society of Chemical Industry     

深度学习在水果品质检测与分级分类中的应用

水果自动无损品质检测与分级分类是保障人们健康的重要措施,也间接影响着水果的经济价值。随着计算机技术的飞速发展,以深度学习为代表的人工智能方法在水果品质检测与分级分类领域的研究中取得了一系列重要成果。本文概述了深度学习的背景及常用的深度学习主流算法,然后从水果外部品质检测、内部品质检测、安全品质检测和分级分类等方面综述了近年来深度学习在水果品质检测与分级分类领域的最新研究成果。最后总结了未来深度学习和水果品质检测、分级分类交叉融合研究与应用中的优势,并展望了水果品质检测与分级分类研究融合深度学习的未来发展方向。     

Classification of Selected Citrus Fruits Based on Color Using Machine Vision System

This article evaluated some of the machine vision techniques to classify selected citrus fruits like oranges, sweet-lime, and lemon based on color analysis using single view fruit images. The methods carried out analyze the fruit images to extract the hue and classify using methods like color distance, linear discriminant analysis, and probability distribution function. The performance was evaluated in terms of classification accuracy relative to human classification and computational complexity. Classification accuracy above 90% could be obtained based on color classification. The probability distribution function method was found to be computationally less intensive and providing better accuracy when compared to other two methods. Since surface color is one of the indicators of maturity, color determination was also extended to find the maturity of fruits based on color variations within the same variety of fruits using red/green value ratio. The analysis also showed that the color information found in terms of hue mean and hue median can be utilized to classify the fruits based on maturity. Appropriate algorithms were developed and implemented to classify the fruits based on color and maturity using the above methods.