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...     

基于支持向量机的食源性致病菌近红外光谱鉴别

以近红外光谱法结合支持向量机对大肠杆菌O157∶H7、单增李斯特菌、金黄色葡萄球菌进行了分类鉴别。对预处理后的3 种食源性致病菌近红外光谱数据进行主成分分析,以前26 个主成分向量为支持向量机输入量建立支持向量机模型,对径向基函数核函数分类器与多项式核函数分类器进行了对比分析。结果表明,以径向基函数为核函数的支持向量机在核参数为0.5时对3 种食源性致病菌的鉴别效果最好,与国标方法相比结果一致,其鉴别准确率均达到100%。     

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。     

基于支持向量机的近红外光谱技术快速鉴别掺假羊肉

为实现掺假羊肉的无损鉴别,利用傅里叶变换近红外光谱分析技术建立混入鸭肉的掺假羊肉糜的快速检测方法。实验通过在羊肉糜中添加不同比例的鸭肉糜来制备掺假羊肉,采用近红外漫反射方式在全波段范围（10000⁴000 cm-1）内采集羊肉、掺假羊肉和鸭肉的近红外光谱图,分别考察多元散射校正（Multiplicative scatter correction,MSC）、标准正态变量变换（Standard normal variate correction,SNV）、面积归一化（Area normalization）、标准化（Autoscale）、15点平滑处理（Smoothing）、一阶导数处理（1stderivative）的光谱预处理方法对所建支持向量机（nuSVM）判别模型的预测效果。结果显示,不同光谱预处理所建nu-SVM判别模型预测效果不同。其中,经标准化处理后所建的nu-SVM模型的预测能力最差为90.38%;15点平滑处理后所建nu-SVM模型的预测效果最好（96.15%）,对建模集正确判别率为99.07%,对检验集正确判别率为96.15%;其余处理所建nu-SVM模型的判别能力介于二者之间。结果表明,采用近红外光谱技术结合15点平滑预处理后所建nu-SVM模型可以实现羊肉中的掺杂鸭肉的鉴别。      

基于Krawtchouk矩和小波支持向量机的纸张缺陷识别方案设计

为实现对于纸张缺陷的高精度识别,提高纸张成品的生产质量,通过Krawtchouk矩不变量来提取纸张缺陷图像的特征向量。在此基础上,运用所获取的特征向量对小波支持向量机进行训练,并通过粒子群优化算法来获取惩罚因子与核函数参数,使小波支持向量机的分类性能达到最优。最后对提出的纸张缺陷识别算法的识别率进行试验,经统计分析发现,访算法的识别总精度高达98.33%。     

基于支持向量机的食醋总酸近红外光谱建模

为了得到稳定可靠的食醋总酸光谱模型,以不同产地、不同种类的95个食醋样品为研究对象,应用基于统计学原理的最小二乘支持向量机(LS-SVM)对食醋总酸含量进行光谱分析.对预处理后的光谱进行主成分分析(PCA),以主成分信号作为输入变量建立食醋总酸含量的近红外光谱模型,并与偏最小二乘法(PLS)和向后区间偏最小二乘法(biPLS)模型进行比较.结果表明,LS-SVM模型中的校正集中的相关系数(rc)和交互验证均方根误差(RMSECV)分别达到0.9614和0.2192,预测集相关系数(rp)和预测均方根误差(RMSEP)分别达到和0.919和0.3226,均优于PLS和biPLS模型.研究表明,近红外光谱与食醋总酸含量呈非线性关系,采用LS-SVM建立的模型预测性能更好,精度更高.     

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。     

应用连续投影算法及最小二乘支持向量机的单组分纺织品识别

针对传统的纺织品检测受检测人员感官和精神状态影响,不同检测人员对同一样品的检测结果有偏差,且大部分传统的检测方法损伤纤维这一现象,以高光谱技术为基础设计了对8 种单组分纺织品材料进行识别分类的方法。对纺织品的高光谱数据预处理后,利用连续投影算法提取纺织材料的特征波长,在 920～ 2500 nm内将288个波长压缩至5 ～7 个（数据压缩至1.74%～ 2.43%）,并基于最小二乘支持向量机对每种纺织品建立二类分类器,将获取到的特征波长导入到各自对应的分类器中进行训练,最后对测试样本进行识别分类。实验结果表明,640 个实验样本均被8 种二类分类器识别,高光谱成像技术可用于棉、涤纶、聚乙烯、羊毛、聚氯乙烯、锦纶、亚麻、蚕 丝的识别。     

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。     

SVM法定性鉴别奶牛饲料中脲醛树脂的可行性研究

收集中国常用的、具有代表性的奶牛精补料44个样品,制备176个脲醛树脂(urea-formaldehyde resins,UF)掺假样品。在全光谱范围内进行近红外透反射光谱扫描,选择不同的归一化方式进行前处理,采用支持向量机(supportvector machine,SVM)方法,筛选最佳的预处理方法来建立定性鉴别模型。当采用归一化方式与主成分分析(principal component analysis,PCA)相结合时,所建立的SVM定性分析模型的预测精确率达到97.701 1%。说明利用近红外透反射光谱建立定性分析模型来检测奶牛饲料中是否掺有UF的研究是可行的。     

近红外光谱技术检测液态奶中微量三聚氰胺的可行性研究

为了快速检测液态奶中违法添加的三聚氰胺量,利用近红外光谱技术进行可行性研究分析。对采集的54组添加不同三聚氰胺含量的液态奶样本的近红外漫反射光谱进行小波变换(wavelet transform,WT)结合主成分分析(principal component analysis,PCA)后,提取得到特征信号,利用广义回归神经网络(general regression neural network,GRNN)建模进行三聚氰胺的定量分析,结果显示当三聚氰胺浓度低于0.05%时,模型预测能力较差,预测集模型R2仅为0.654。进一步利用支持向量机(support vector machine,SVM)建模对液态奶中是否添加三聚氰胺进行定性判别,结果显示测试集准确率为94.44%。因此,通过近红外光谱结合适当的化学计量学方法,对液态奶中添加三聚氰胺虽无法精确定量,但可准确对其进行定性判别。     

基于傅里叶变换近红外和支持向量机的霉变玉米检测

利用傅里叶变换近红外光谱对霉变玉米进行检测。运用波数范围在12 000~4 000 cm-1的FTNIR系统进行不同霉变程度样品光谱信息的采集,并利用支持向量机(Support Vector Machine,SVM)进行数据分析。结果显示,利用原光谱数据,以主成分分析(PCA)提取的前5个主成分作为输入,选用径向基函数(RBF)作为SVM核函数,并运用网格划分寻优法寻得的最优参数C、γ,所建立的分类模型最佳。SVM分类模型对训练集和测试集的预测准确率分别达到93.3%和91.7%,对独立样品集的预测准确率达到87.8%,表明基于FT-NIR和SVM进行霉变玉米的检测是可行的。     

基于质谱与支持向量机的清香型白酒等级判别

不同等级白酒鉴别对控制白酒质量和保护消费者利益有重要意义,文中以牛栏山酒为例,研究清香型白酒质量等级鉴别方法。运用顶空固相微萃取质谱（HS-SPME-MS）技术获取三类不同等级的57个牛栏山酒样质荷比m/z55¹91范围内的离子丰度值数据,分别进行偏最小二乘回归分析（PLS）和主成分回归分析（PCR）,其中PLS模型的预测结果明显优于PCR。同时PLS与PCR模型的回归系数用于选择重要特征离子,其中PLS与PCR回归系数法分别选择了12和10个离子,用选择的离子变量构建支持向量机（SVM）模型,模型对测试集的预测准确率分别为80%和86.7%,其中PCR回归系数法选择的特征离子为m/z 71、103、104、106、127、149、161、179、183和184。      

基于近红外光谱技术与BP-ANN算法的豆粕品质快速检测

应用近红外漫反射光谱技术结合误差反向传递人工神经网络(BP-ANN)算法,建立豆粕品质(包括水分、粗蛋白、残油)的定量分析模型。将豆粕漫反射吸收光谱数据进行SNV、DT、SG求导、SG平滑和均值中心化处理,然后采用偏最小二乘方法(PLS)降维获取主成分,并优化选择合适的隐含层节点数、隐含层和输出层转化函数,建立校正模型,并用验证样品对校正模型进行验证。结果显示,BP-ANN法建立的水分、粗蛋白和残油的预测相关系数(R)分别为0.981、0.988、0.982,预测标准偏差(SEP)分别为0.120、0.216、0.036,均优于PLS建模方法结果,且满足传统分析方法的重复性要求,表明BP-ANN方法可用于生产过程豆粕品质的快速监控。     

基于近红外化学成分特征吸收光谱的野生台蘑鉴别模型研究

本文建出一种应用近红外光谱技术鉴别野生台蘑的新方法。使用FieldSpec3便携式近红外光谱仪对包括野生台蘑在内的13种蘑菇进行漫反射光谱采集。将采集的数据经小波去噪后,对可见与近红外光谱(350～2500nm)进行峰谷筛选,所得峰谷集经主成分分析降维,取方差贡献率大于99.9%的5个主成分作为BP神经网络的输入值,建立数学模型。该模型在偏差±0.05内,对未知样本正确识别率为100%。本结果表明利用近红外漫反射光谱可以很好地鉴别野生台蘑。     

Hot topic: application of support vector machine method in prediction of alfalfa protein fractions by near infrared reflectance spectroscopy

The object of this study was to explore the potential for support vector machine (SVM) to improve the precision of predicting protein fractions by near infrared reflectance spectroscopy (NIRS). Generally, most protein fractions determined in Cornell Net Carbohydrate and Protein System (CNCPS), especially the neutral detergent insoluble protein (NDFCP) and acid detergent insoluble protein (ADFCP), could not be accurately predicted by the commonly used partial least squares (PLS) method. A recently developed chemometric method, SVM, was applied in NIRS prediction of alfalfa protein fractions in this study. Two hundred thirty alfalfa samples were scanned on a near infrared reflectance spectrophotometer, and analyzed for crude protein (CP), true protein precipitated in tungstic acid (TCP), borate-phosphate buffer-insoluble protein (BICP), NDFCP, and ADFCP. These 5 laboratory proteins and the CNCPS protein fractions A, B1, B2, B3, and C were predicted by NIRS using the PLS and SVM methods. According to PLS-NIRS regression, CP, TCP, BICP, A, and B2 obtained the determination coefficient of prediction of 0.96, 0.91, 0.94, 0.94, and 0.93, and the ratios of standard deviation of prediction samples: standard error of prediction samples (RPD) values were 5.07, 3.31, 3.98, 3.96, and 3.91. Neutral detergent insoluble protein, ADFCP (fraction C), B1, and B3 were predicted with of 0.75, 0.83, 0.30, and 0.62, and RPD values of 1.98, 2.42, 1.20, and 1.62; Calibrated by the SVM-NIRS method, values of CP, TCP, BICP, NDFCP, ADFCP(C), A, and B2 achieved 0.99, 0.97, 0.97, 0.90, 0.93, 0.97, and 0.97, respectively. The RPD values of those fractions were 8.68, 8.26, 6.11, 3.08, 3.69, 5.97, and 5.81, respectively. The and RPD values of fractions B1 and B3 were 2.67 and 0.87 (B1) and 2.51 and 0.75 (B3) directly predicted by SVM-NIRS model. In this study, the chemical analysis results of B1 and B3 were also correlated with calculated results from TCP-BICP and NDFCP-ADFCP, which were predicted by SVM-NIRS models. The B1 protein fraction achieved and RPD values of 0.87 and 3.61, whereas values for B2 were 0.75 and 2.00. Data suggested that use of SVM methods in NIRS technology could improve the accuracy of predicting protein fractions. This study showed the potential of increasing the NIRS prediction accuracy to a level of practical use for all protein fractions, except B3.     

基于近红外光谱和LSSVM方法的转基因大米鉴别研究

采用近红外漫反射光谱结合主成分分析(principal component analysis,PCA)和最小二乘支持向量机(least squares support vector machine,LSSVM)研究转基因大米的鉴别方法。采用PCA方法分析大米样品光谱空间分布;不同的光谱预处理方法:5点平滑、多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)结合LSSVM用于定性判别模型的建立和优化;采用格点搜索方法对LSSVM模型的惩罚因子(c)和径向基核函数宽度(g)进行优化;正确识别率(correct recognition rate,CRR)用于判别模型的评价。结果表明:MSC结合LSSVM可用于转基因大米定性判别模型的建立,最优模型的CRR为97.50%。该方法有望成为转基因食品快速鉴别的一种辅助方法。      

基于近红外光谱的冻融猪肉糜鉴别模型研究

目的 反复冻融猪肉糜品质差、不易判别。方法 采用近红外光谱分析技术对新鲜猪肉糜和不同冻融次数猪肉糜分别进行无损鉴别,建立了窄神经网络(narrow neural network, NNN)、线性判别(linear discriminant, LD)、支持向量机(support vector machine, SVM)和子空间判别(subspace discriminant, SD)4种不同的判别模型,并对所建立的模型性能采用正确判别率、混淆矩阵、受试者工作特征曲线和曲线线下面积这4个指标进行评价。结果 基于子空间判别建立的模型较优,其预测集正确判别率为96.4%,并且其混淆矩阵、ROC曲线和AUC均显示了该模型对于冻融猪肉糜分类的优越性。结论 本研究建立的近红外光谱技术结合子空间判别模型对冻融猪肉糜的鉴别能力较强,可为工业化在线检测方法的开发提供技术支撑。