融合光谱与纹理特征的龙井茶等级无损识别

龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。     

融合改进vgg16模型与SVM的抓毛织物检测方法

针对抓毛织物检测准确率低的问题,提出一种融合改进vgg16模型与SVM的抓毛织物检测方法。先对抓毛织物图像进行主成分分析、奇异值分解预处理操作,通过数据增强得到扩充后的数据样本,在扩充后的抓毛织物图像输入改进的vgg16卷积神经网络模型,利用卷积神经网络自动获取抓毛织物样本的特征,将获取的抓毛织物输入支持向量机分类器中对抓毛织物进行分类。实验结果表明：融合改进vgg16模型与SVM的抓毛织物检测方法在样本测试集平均识别准确率为99.96%,通过对比预处理前后的4类抓毛织物图像以及对抓毛织物特征可视化结果表明,图像预处理提高了模型的鲁棒性和泛化能力,随着卷积层数的增加能够获得具有分辨力较高的抓毛织物表面特征。     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于改进ORB-SVM的工件识别方法研究

针对传统的图像识别算法识别多品种工件,存在运行时间长、识别率低等问题,提出基于改进ORB-SVM的工件图像识别方法。在传统ORB算法的特征点检测基础上,采用SIFT算法获得具有旋转尺度不变性的图像特征描述,并利用词袋模型将图像特征转化为特征直方图,进而构建支持向量机（SVM）的分类模型,实现对工件的识别分类。试验结果表明：改进的ORB-SVM在应对旋转变换、光照变换、尺度变换时更具鲁棒性,且工件识别准确率高达98.89%,单个工件的识别时间低于0.43 s,具有良好的高效性和实用性。研究为多领域的工件识别提供参考。     

织物颜色配准到标准色卡的计算机识别与仿真

为克服人工目测织物的颜色易受到光线和经验的影响产生误差的问题,提出一种基于计算机视觉和图像分析技术的织物颜色与纺织专用标准色卡自动配准的颜色识别与仿真方法,实现了针对1925种潘通色卡的织物颜色自动配准系统。该方法利用扫描仪获得潘通色卡棉布版的扫描图像,然后从色卡图像中提取颜色有效特征信息,构造色卡图像的色度特征数据库;设计了颜色分层模型和基于“一对一”支持向量机（SVM）与色卡图像数据的配准模型,经过对SVM模型参数优化和识别训练,系统与色卡匹配的正确率达96.89% 。另外使用296种未知色号的织物样本,将它们与系统进行配准实验,匹配正确率为 98.85%,为客观、快速地测色和数字仿真颜色提供了参考工具。     

基于红外衰减全反射光谱的面粉种类快速鉴别

研究提出基于支持向量机（support vector machine,SVM）算法结合红外衰减全反射光谱对不同种类的面粉进行快速分类。实验随机采集富强粉、精制雪花粉、麦芯粉及面包粉4 种共139 份常见面粉红外衰减全反射光谱,运用马氏距离筛选异常样本,并建立SVM模型对待测样本进行预测。实验采用二叉树SVM模型识别面粉种类,并通过网格法优化核函数参数,结果显示：富强粉、精制雪花粉、麦芯粉及面包粉的识别准确率分别为100%、100%、75%和85.71%,模型平均识别准确率为90.177 5%。结果表明,利用红外光谱结合SVM算法快速识别面粉种类是准确可行的。     

高光谱图像对白萝卜糠心的无损检测

为实现白萝卜异常品质糠心的无损检测,构建高光谱图像技术检测白萝卜糠心的检测系统。获取了光源透射、反射和半透射模式下白萝卜的高光谱图像信息,结合偏最小二乘分析（partial least squares discriminantanalysis,PLS-DA）、支持向量机（support vector machine,SVM）、人工神经网络（artificial neural network,ANN）3 种算法分别建立白萝卜糠心的识别模型。结果表明：3 种检测模式中,基于透射模式的高光谱图像系统检测准确率最高;3 种预测模型中,ANN模型优于PLS-DA和SVM模型。其中,基于透射模式的ANN模型,高光谱图像对萝卜糠心的检测总体准确率达94.3%,效果最好。因此,采用透射模式的高光谱图像技术对白萝卜糠心的检测是可行的。     

基于光学显微图像特征的羊绒识别技术

文章对光学显微镜下的山羊绒和细羊毛图像进行图像处理,从而建立山羊绒和细羊毛数据库,然后从图像数据库中提取具有代表性及区分性的特征,生成对羊绒与羊毛的有效表达。利用有监督学习方法中的支持向量机算法,实现对山羊绒和细羊毛的自动识别。实验结果发现,基于LBP与HOG图像特征表达的SVM分类器的正确识别率达到了80%以上,而人工识别的准确率只有59%,识别的正确率有了较大的提高。     

基于颜色分割与 GA-SVM 的花生表皮破损识别

传统农作物色选方法以设定颜色阈值为主,具有分类准确率较低、泛化能力较差等缺点,本文提出基于颜色分割的预处理与遗传算法优化支持向量机参数的花生表皮破损识别算法。根据花生表皮的破损情况将花生分为完好花生及表皮破损花生2类,在不同光照条件下构建了含有多个品种的花生图像数据集。对花生图像提取方向梯度直方图特征,利用支持向量机对花生图像进行分类。为提高分类准确率,在RGB颜色空间基于支持向量机对彩色花生图像进行颜色分割预处理;同时采用软间隔非线性支持向量机模型,并基于遗传算法对模型参数进行寻优。综合优化后的算法在训练集上对花生图像分类时的准确率达到96.88%,在测试集上的准确率达到100%,测试时平均每张花生图像耗时5.6 ms。仿真测试结果表明本文构建的花生表皮破损识别算法对花生品种及光照变化等干扰有较好的鲁棒性,且算法不依赖于人的经验,泛化能力强,具有良好的应用前景。     

分子光谱技术结合深度学习模型识别食用植物油种类

为实现对食用植物油的快速无损识别，采用衰减全反射-傅里叶变换红外光谱获取10种食用植物油样本的340份谱图数据，经过预处理消除光谱数据中的噪声与背景干扰，通过主成分分析降维特征提取3个主成分，在此基础上构建KNN模型与基于SSA算法优化的BP神经网络模型，对植物油种类进行识别并对识别效果进行比较。结果表明：KNN模型的识别准确率可达97.7%;基于SSA算法优化的BP神经网络分类效果最佳，识别准确率达100%,而传统BP神经网络模型识别准确率仅为87.6%。综上，建立的分子光谱技术结合深度学习模型识别食用植物油种类的新方法，实现了对食用植物油种类的准确识别。     

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。     

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...     

基于高光谱成像技术的高粱农药残留种类检测研究

高粱作为粮食作物，其中残留的农药对人体危害巨大。本文基于高光谱成像（Hyperspectral Imaging，HSI）技术研究了高粱中农药残留种类的快速鉴别。采用不同预处理方法对高光谱数据进行预处理，通过建立的支持向量机（Support Vector Machine，SVM）模型发现标准正态变换（Standard Normal Variate，SNV）为最佳的预处理方法。使用类型提升算法（Type Boosting Algorithm，CatBoost）、梯度提升树（Gradient Boosting Decision Tree，GBDT）、竞争性自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）和主成分分析法（Principal Component Analysis，PCA）选择特征波长，对比特征波长建立的SVM模型结果发现CatBoost所选择的特征波长建模效果更好。分别建立了基于特征波长的BP神经网络自适应增强算法（Backpropagation Neural Network with Adaptive Boosting，BP-AdaBoost）、轻量梯度提升机（Light Gradient Boosting Algorithm, LGBM）、极度梯度提升（eXtreme Gradient Boosting，XGBoost）、SVM高粱农药残留分类模型，其中，BP-AdaBoost为最佳的分类模型，测试集平均分类正确率为95.17%。研究表明，高光谱成像技术结合BP-AdaBoost算法可以识别出高粱中农药残留的种类，为检测高粱农药残留类别提供了一种新的方法。     

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的 针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法 采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine, SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果 将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论 实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。     

基于人工免疫算法的储粮害虫特征选择研究

储粮害虫特征选择是粮虫图像识别中一个关键的预处理环节.提出基于v折交叉验证训练模型识别率和所选特征个数的特征子集评价准则,将人工免疫算法应用到粮虫的特征选择.该算法从粮虫的17雏形态学特征中自动选择出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95.5%以上,并与PCA法、GA法和原始特征法进行了对比,结果表明人工免疫算法降低了特征空间的维数,提高了分类器的识别率,证实了基于人工免疫算法的粮虫特征选择是可行的.     

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。     

基于分类特征提取和深度学习的牛肉品质识别

目的：降低数据差异性和光谱特征冗余度对牛肉品质识别的影响。方法：提出一种基于分类特征提取和深度学习的牛肉品质识别方法,采用改进的DPeak算法对光谱数据进行自适应聚类分析,实现对数据的差异性分析。定义牛肉光谱特征提取目标函数,采用离散狮群算法进行求解,提取每个分类的最佳光谱特征子集,最大限度降低特征冗余度。运用改进狮群算法(ILSO)对每个分类对应的支持向量机(SVM)模型参数进行优化,提出融合分类特征提取和ILSO优化SVM的牛肉品质识别模型,完成对牛肉品质的分类识别。结果：相比于SSA-SVM、PCA-SVM识别模型,该模型识别精度提高了约12.3%~14.5%。结论：基于分类特征提取和深度学习的牛肉品质识别模型能够提高牛肉品质识别精度。     

一种基于卷积神经网络的烟叶等级识别方法

目的:解决烟叶分级准确率不高的问题.方法:提出一种改进的基于卷积神经网络的烟叶分级模型,根据VGG16网络结构,以 自定义的方式搭建网络模型;将空洞卷积代替原有的传统卷积,增加图像感受野的同时避免了图像特征的损失,并将激活函数改为Leaky_relu,修正数据的分布,解决ReLU函数的硬饱和问题;用41种等级的烟叶图片...     

寒地粳稻种子的拉曼光谱鉴别方法研究

针对水稻种子的品种鉴别存在检验周期长、种类少等实际问题,本研究提出一种高效、快捷、准确鉴别水稻种子的方法。以拉曼光谱技术为基础、寒地粳稻种子为研究对象,进行快速、准确鉴别。首先,利用Savitzky-Golay(SG)、一阶导(1-Der)、二阶导(2-Der)、迭代自适应加权惩罚最小二乘(AIRPLS)和均值中心化(MC)预处理方法及其组合对原始光谱进行预处理,研究不同预处理方法及组合的偏最小二乘判别(PLSDA)和支持向量机(SVM)模型判别效果;其次,应用光谱-理化共生距离(SPXY)法对预处理数据进行样本划分;最后,通过连续投影算法(SPA)、逐步回归(SR)和竞争自适应重加权采样法(CARS)对特征波段进行提取,对比分析不同预处理下的特征波段与全波段建模效果和检测时间差异。结果表明：在13种预处理方法中,AIRPLS+1-Der组合预处理效果较好,在PLSDA和SVM模型中测试集准确率均达到95.45%以上;在3种特征提取方法中,基于 CARS 方法的特征波段在两种鉴别模型中准确率达到96.97%,而且模型运行速度较快,这说明基于拉曼光谱技术对寒地粳稻种子进行快速、准确鉴别是可行的。