食品质量追溯中RFID多标签识别防碰撞算法

针对食品质量追溯中批量标签识别存在的标签碰撞问题,结合帧时隙ALOHA算法和最小均方误差预编码技术提出了一种RFID多标签识别防碰撞算法。该算法在进行多标签识别前,先通过预编码技术对待识别标签进行分组,有效降低多标签间的碰撞。仿真试验表明,改进算法有效提升了RFID多标签识别性能,具有一定的实用价值。     

CL-RBF：一种基于改进ML-RBF的蛋白质亚细胞多点定位预测算法

综合考虑标记内和标记间的聚类结果对多目标学习径向基神经网络算法(RBF Neural Networks for Multi-Label Learning,ML-RBF)的影响,提出CL-RBF算法并应用到蛋白质亚细胞多点定位预测中。通过引入轮廓系数(Silhouette Coefficient)对ML-RBF隐层中心的个数进行优化,并通过分析标记间聚类结果的关系,对小于某一阈值的标记间的聚类中心重新聚类,使用梯度下降算法进行参数调整,最后依据测试样本与标记L的隐层中心和不属于标记L的样本生成的聚类中心的欧式距离差调整预测结果。在10折交叉验证下,采用词袋模型(Bag of Words)和氨基酸组成法(Amino acid composition,AAC)结合的方式提取特征向量,选取另外4种多目标学习算法作对比实验,根据不同评价指标的结果,得出CL-RBF算法在4个多标记数据集上的综合性能最优的结论。本研究预测算法通过网站https://njau.applinzi.com/homepage_final.jsp实现。     

基于服装结构特征识别的相似样板匹配技术

为提高服装制版效率,实现从服装款式图到样板的智能检索,提出一种基于服装结构特征识别的相似样板匹配技术。该技术将服装结构制版知识与深度学习算法结合,基于对女裤中的廓形、褶裥、腰头类型等18个细粒度特征的识别来匹配样板。其中,技术的实现主要包括分类标签设计和模型验证实验。对于分类标签设计：先根据女裤结构制图知识,对平面款式图中可作为样板相似性评价指标的服装结构特征进行定义,并根据定义设置多标签类别;然后将多标签分类转化为单标签多分类,建立平面款式图、结构特征和样板三者之间的联系;最后通过数据可视化等方法对标签之间的相关性进行研究,并设计了最终的18个分类标签。对于模型验证实验：首先建立以女裤平面款式图为样本的服装数据集,基于数据集的特点对经典AlexNet网络进行改进,其中包括简化网络结构、减少模型参数、防止过拟合,在每层卷积层后增加批归一化操作,以加快模型的收敛速度,提高模型的泛化能力。模型测试结果表明：改进后的模型在验证集上的准确率为83.4%,相比改进前的AlexNet模型其准确率提高了6.7%;与其它结构更复杂的网络模型相比,该模型的准确率更高,综合性能更好,可用于款式图的结构特征...     

基于标签关联规则的挖掘与研究

社会化标签系统以其巨大的服务商业价值被越来越多的专家学者关注和研究,在社会化标签系统中,用户可以按照自己的喜好来对各种网络资源帖上标签,能更方便信息的检索和快速查找。标签应用技术也逐渐成熟起来,通过传统的关联规则挖掘方法,对标签数据进行标签预测分析,为用户推荐有参考价值的标签,有助于电商提供产品的精准推广服务,同时促进社会化网络快速、稳定的发展。将文本挖掘、机器学习技术与标签数据相结合,利用Apriori算法来进行基于标签的关联规则挖掘研究。通过研究结果数据分析可知标签预测结果,有很好的标签预测效果,并在各种商业模式的驱动下,作为信息处理的一种抽象形式得到了广泛关注,各种服务即将快速增长。     

基于深度卷积神经网络的织物花型分类

针对织物纹理花型人工视觉分类效率低的问题,提出一种基于深度卷积神经网络(CNN)的条状、格子和波点纹理织物的识别分类方法.首先,建立由条状花型、格子花型和波点花型织物组成的图像样本集和标签数据集.然后,分别建立了基于GoogLeNet和AlexNet两种卷积神经网络的织物花型分类模型.最后,通过模型评价指标选择最优的训练迭代期.实验结果表明,利用深度卷积神经网络分类织物花型是可行有效的.     

我国生鲜猪肉包装正面标签研究进展

为优化肉类消费结构,引导居民选择营养价值高的生鲜猪肉,本文借鉴Keyhole标识、心脏检查标志、较健康选择标志、指引星标签、选择标识、NuVal评分标签的生鲜猪肉营养评价算法,构建富含营养素食物模型对《中国食物成分表(第6版第2册)》的19种生鲜猪肉开展营养评价发现,这些猪肉的NRF9.3值为-0.19～0.94,可应...     

双频RFID纸质标签天线模型参数研究

在印制RFID标签中,承印物、导电油墨厚度、天线形状及多频带是研究的重点.本研究以非涂布纸为承印物,运用Ansoft HFSS软件建立RFID标签的平面倒L-L双频单极子天线模型,并研究了纸张厚度、导电油墨厚度对RFID标签性能的影响,得到最佳纸张厚度为1.42mm和油墨厚度为20μm,并在此模型基础上进一步优化天线形状,为大规模生产和应用RFID纸质标签提供了一定的技术指导.     

浅谈模内标签

1 模内标签的定义 1)模内标签的定义 所谓模内标签,就是将印好的商标标签图像印张(背面带热熔胶)直接放入塑料铸模机内的铸模区域,通过吹塑或注塑使标签和容器结合在一起,形成一个完整的包装容器.使用模内标签容器的最大特点就是标签和瓶体在同一个表面上,感觉标签彩色图文如同直接印刷在瓶体表面一般.     

啤酒标签与标胶搭配工艺模型

本课题研究主要是运用统计技术和DOE试验设计,将不同类型的标签和不同指标的标胶进行搭配,同时将全国气候分为干热、干冷、湿热、湿冷四种类型,通过大量搭配试验和拟合,建立不同气候的标签与标胶搭配指导模型,用于预测标签和标胶搭配后的贴标效果,指导生产。     

欧盟发布化学品分类与标签信息目录

根据欧盟化学品注册、评估、许可和限制法规(REACH)与化学物分类与标签法规(CLP),近日,欧委会工业企业总司首次发布化学品分类与标签目录,明确界定对人体健康及环境具潜在风险的有害物质名单及其商品标签须标识的信息。该目录将有助于在欧盟及全世界统一规范有害化学物质的分类标准。欧委会环境委员认为,目录的发布为化     

基于神经网络的图像标注模型研究

对图像进行准确标注是提高图像检索率的有效手段,针对目前图像标注的相关研究存在的问题,本研究提出了一种基于神经网络的图像标注模型,此模型由一个自适应分类网络和一个非线性相关网络组成。模型进行图像标注分为两个阶段:第一阶段,从输入图像分割出的不同区域提取特征信息传送到自适应分类网络,以产生分类标签;第二阶段,非线性相关网络以通过训练图像学习的关键词的相关性为依据来细化分类结果。为验证模型标注的准确性,选取LabelMe和Caltech-101图像数据库中的图像进行相关实验,结果表明本研究提出的模型提高了图像标注的准确率。     

基于决策树算法的羊绒与羊毛纤维鉴别

山羊绒和绵羊毛（下简称羊绒与羊毛）的鉴别不仅是目前纤维检测领域中的一个热点和难点,且其鉴别研究主要是基于传统统计方法。为此,首次将数据挖掘思想引入羊绒与羊毛纤维的鉴别研究中,提出采用单根纤维上的多元指标作为分类研究的特征属性,从新的视角探索羊绒与羊毛鉴别方法。采用了四个主要的决策树算法,对羊绒和羊毛之间进行了分类,完成了相应的数学建模和评估。实验结果表明：所建模型的平均相对误差都低于6%,经对比,C5.0算法比其他算法更为精准和稳定,可用于对实际羊绒与羊毛纤维的检测分类。     

基于情感感知的面料图像数据库系统的设计与实现

在面料图像数据库系统中,为了让计算机对面料图像的情感语义进行自动感知,帮助用户用情感语义浏览或挑选所需的面料,并对其描述进行数值标注,文章针对面料图像本身表述的情感语义进行研究,进而实现基于情感语义的图像检索。在利用支持向量机等技术通过VC++编程实现面料图像情感语义识别的基础上,通过动态链接库技术将情感识别功能应用到采用NET编程开发的面料图像数据库系统中,在面料数据库系统中实现了计算机对面料图像情感语义的自动感知和识别,并进行情感语义的标注,从而实现了基于情感语义的面料图像检索。经过测试,该系统达到了较好的识别和分类效果。     

基于稀疏字典学习的羊绒与羊毛分类

为准确鉴别羊绒与羊毛纤维,提出了一种基于稀疏字典学习的分类方法。首先,对纤维图像进行预处理实现数据增强,获取纤维图像特征矩阵;之后,对特征矩阵进行字典学习,获取过完备字典与稀疏编码;最后,通过稀疏编码与字典实现羊绒与羊毛的分类和鉴别。该方法使用光学显微镜以及扫描电子显微镜图像作为数据集,实验结果表明,与支持向量机分类器以及基于稀疏表示的分类算法相比,本文方法的分类准确率可提高5%~10%,分类准确率最高可达到91%,可用于后续实际的羊绒与羊毛纤维分类与鉴定工作。     

电子标签技术及应用

介绍了电子标签的技术原理、特性及分类,比较了电子标签与其他几种识别技术的区别,综述了电子标签在安全防伪、防盗以及供应链管理等方面的应用现状,指出了电子标签存在的问题,提出了我国电子标签发展的建议.     

用演化方法反演抛物型方程系数的数值算法

给出了一种利用演化计算方法求解抛物型方程中的一次项参数反问题的方法．该方法把参数识别问题转化为泛函的优化问题,用演化算法求解,用演化计算（Genetic Algorithms）演化待求参数的最优估计值,并将该方法运用于一类方程反问题的数值模拟中．数值结果显示数值解与理论解吻合很好．     

基于嗅觉可视化技术的眉茶等级分类方法

为了快速、准确地对眉茶等级进行分类,提出了一种基于嗅觉可视化技术的眉茶等级快速分类方法。首先,根据卟啉显色反应预实验结果,选定了12 种显色效果明显的卟啉指示剂制备嗅觉可视化传感器阵列,通过该传感器阵列与不同等级的眉茶茶汤进行反应,获取不同的特征图像。然后,对特征图像数据进行主成分分析和降维,将得到的不同维数的主成分分析结果作为输入变量,构建支持向量机（support vector machine,SVM）眉茶等级分类模型。最后,引入3 种群体智能优化算法（萤火虫算法、灰狼优化算法、布谷鸟算法）对SVM分类模型的惩罚因子c和核函数参数g进行优化。结果显示：未经优化的SVM分类模型对测试集的分类正确率为80%,所需的主成分个数为12 个;经过优化的SVM模型的分类正确率均有所提升,其中经过布谷鸟算法优化的SVM模型对测试集的分类正确率达到了93.3%,且所需的主成分个数减少为6 个。这表明应用嗅觉可视化技术能够实现对眉茶等级的分类,而通过群体智能优化算法优化SVM分类模型可以显著增强模型的性能,提高分类正确率。     

基于深度学习的食用油灌装质量检测系统

介绍了一种利用深度学习算法进行食用油灌装质量检测的系统,基于深度学习有监督物体识别网络对食用油生产线进行从原料至销售的全流程包装缺陷检测,具体功能包括瓶口缺陷检测、瓶盖缺陷检测、瓶身喷码缺陷检测、贴标缺陷检测、装箱点数检测。相比于传统机器视觉检测方案,该系统具有无需做图像预处理、检测精度高、参数设置简单、算法泛化能力强、开发周期短的优点,可实现食用油生产包装质量检测的全面自动化。     

ANTIGENIC STRUCTURE OF BREWING YEASTS AND ITS RELATIONSHIP TO NON-SEROLOGICAL METHODS OF CLASSIFICATION

Antigen extracts of 43 brewing strains of Saccharomyces cerevisiae were examined using micro immuno-electrophoresis. The data obtained was analysed by numerical taxonomic techniques and a serological classification of brewing yeasts was constructed based on the results. This classification is compatible with our earlier taxonomic study based on characters of practical brewing importance.⁵ Significant relationships were observed between certain antigens and the fermentation properties of head formation and deposit formation.