基于改进边缘检测算法的服装款式识别

为快速识别服装款式类型,提高生产效率,针对现有传统边缘检测算法难以准确提取轮廓特征序列的不足,设计一种改进的边缘提取算法。通过定义一种新的优化卷积核,在使用传统边缘检测算法提取训练样本的服装轮廓基础上,将该卷积核与目标矩阵进行卷积得到新的外轮廓,将新轮廓序列的傅里叶描述子作为特征向量,进一步利用BP神经网络模型完成服装款式的自动分类与识别。为验证改进方法的有效性,建立一个包含4类服装500个不重复服装图像的样本库,选取281个作为训练样本,对剩余219个样本进行测试,测试识别准确率最低为93.48%,最高达到了100%。该改进算法提高了服装款式识别率,对服装智能化生产具有借鉴意义。     

基于卷积神经网络的织物缝纫平整度客观评价

针对大多数评价织物缝纫平整度等级方法对实验条件均有较高的要求,且织物种类及环境等因素对实验结果均有较大影响的现状,提出利用卷积神经网络分析织物缝纫平整度等级的方法,以提高等级分类的准确率和效率。设计了一个基于残差卷积神经网络的织物缝纫平整度客观评价模型,该模型以1000个普通织物的缝纫图像作为训练样本输入,得到缝纫平整度的分类结果,所选织物包含10种常见服装面料品类(塔夫绸、塔斯隆、雪纺、顺纡绉、尼丝纺、麂皮绒、天丝斜纹、真丝缎面、平布、交织绸)。研究结果表明:经200个测试集样本的验证,该模型的评价准确率达96%,与智能化评价以及建立预测模型方法相比,利用卷积神经网络分析织物缝纫平整度等级的方法,具有较好的准确率,且具备获取样本图像流程简单、效率高的优势。     

基于卷积神经网络的领带花型情感分类

为避免传统手工特征和局部特征难以全面表征和准确量化图像情感特征的不足,以领带花型为研究对象,提出了一种融合手工情感特征的基于卷积神经网络的织物图像情感分类方法,可为服饰设计、服装选购等提供辅助。 首先对领带花型图像进行情感评价,建立领带花型图像的情感样本库;然后提取图像饱和度、纹理等手工情感特征和图像像素值作为卷积神经网络的输入;其次建立卷积神经网络模型,将2 000幅样本图像作为训练样本对卷积神经网络进行训练;最后将1 000幅检测样本输入训练后的卷积神经网络,实现了领带花型图像的情感分类。实验结果显示：该方法的情感分类准确率为89.7%,比采用传统手工特征的分类方法有较大提升,较其他卷积神经网络模型正确率更高。     

一种基于 VEI 的人脸识别的方法

人脸识别是模式识别中的重要研究领域之一。受到the Variation Energy Image(VEI)成功的启发,我们将VEI方法应用于对人脸特征进行有效的提取。使用此方法就可以从训练样本中找到一幅特征图。而且这个特征就是差别最大的特征。于是,根据这个特征图,我们去除掉特征图中相对应的像素。使得原来的训练样本,变得更加接近自己类的特征。待测试样本,在进行比较时,也去掉特征图的像素。最后使用Linear Discriminant Analysis(LDA)方法得到特征子空间,测试样本投影到特征子空间上的一个最近的L2范数距离,作为分类的标准。提出的方法与传统的LDA方法进行比较,得到了较好的实验效果。     

基于卷积神经网络的烟丝物质组成识别方法

为了满足混合烟丝物质组成的检测需求,针对叶丝、梗丝、膨胀叶丝、再造烟叶丝4种烟丝组成的结构特征差异,采用深度学习的方法,建立基于卷积神经网络的烟丝组成识别模型,使用体现烟丝微观结构特征的局部特征图片作为神经网络的输入,分析识别出每个特征图片对应的输出结果,通过统计方法得出烟丝的组成成分。结果表明:识别模型对烟丝训练样本和测试样本的识别正确率分别为100%和84.95%,模型中的卷积神经网络结合相应的结果表示方法,可以更好地提高烟丝样本成分的识别正确率。     

基于神经网络的故障诊断

本文以神经网络为理论基础介绍了神经网络在故障诊断中的应用方法,并以风机以某钢铁公司烧结厂烧结风机,不同测点现场采集的待诊数据为神经网络训练样本和测试样本,通过MATLAB软件得出识别结果,结果表明该方法的正确性和有效性。     

基于卷积神经网络和迁移学习的色织物疵点检测

针对色织物疵点检测准确率较低的问题,提出一种基于卷积神经网络的疵点识别方法。首先对织物图像进行预处理,然后将无疵点织物和5类疵点织物图像样本输入到残差网络模型进行训练和测试,最终总识别率为91.53%。以残差网络模型为例,研究了迁移学习在织物疵点识别中的应用。将ImageNet数据集上预训练的图像特征迁移到织物疵点识别任务上,并在两个大小不同的数据集上比较迁移学习的效果。结果显示,当数据集较小时,通过迁移学习可以提升模型的识别率。     

BP神经网络在织物疵点识别中的应用

采用3层BP神经网络对织物疵点进行识别,提出织物疵点识别网络不适宜规则,将其应用于隐含层神经元个数选择和训练方法筛选,以优化网络结构,提高训练速度和网络识别精度,设计出较优的织物疵点识别网络。将丝织物中常见的断经、断纬、重纬、档疵、破洞和油污6类疵点作为识别样本,对按照网络不适宜规则设计的网络进行测试。从识别结果来看,BP神经网络可以满足织物疵点识别需要,且具有正确识别率高,识别速度快的优点。     

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.     

电子鼻技术在香菇甲醛识别中的应用

尝试采用电子鼻检测手段,对两种不同甲醛含量的香菇进行快速检测与识别.以两种不同甲醛含量的香菇为研究对象,利用主成分分析(PCA)、BP神经网络对电子鼻采集的数据进行分析识别.结果表明,主成分分析(PCA)能够很好的进行识别区分,用BP神经网络进行分析,训练样本回判率达到100%,测试样本识别率达到90%以上.电子鼻可以识别两种不同甲醛含量的香菇.     

A Gaussian-based kernel Fisher discriminant analysis for electronic nose data and applications in spirit and vinegar classification

Fisher discriminant analysis (FDA) is a very useful pattern recognition technique widely used in electronic nose system (e-nose). However, due to its linear characteristic, the classification problems of multi-class and high-dimensional e-nose data cannot be handled effectively. Therefore, a Gaussian-based kernel FDA (KFDA) method is proposed to solve multi-class and high-dimensional classification problems of complex samples such as food classification using e-nose. The key point of the method is how to determine the Gaussian kernel parameter. Firstly, according to distance discriminant analysis viewpoint, a desired kernel matrix adapted to Gaussian kernel function can be given successfully. Secondly, an evaluation function based on Euclidean distance is established for measuring the degree of approximation between actual kernel matrix containing an unknown Gaussian kernel parameter and the desired kernel matrix so as to get an optimal solution of the parameter, and then the actual kernel matrix can be definitely determined. Finally, the principal component analysis (PCA) for the actual kernel matrix is carried out. Meanwhile, FDA for the principal component matrix generated by PCA is also implemented in succession, and the KFDA is completed. Six kinds of Chinese spirit and six kinds of Chinese vinegar samples as two classification applications were respectively carried out accurately with the KFDA method; and the KFDA method is tested to be very simple and effective. The KFDA method may be promising for complex samples classification dataset of e-nose.     

Identification of Seeds by Colour Imaging: Comparison of Discriminant Analysis and Artificial Neural Network

This study describes the use of colour image analysis to identify four seed varieties. A wide range of kernel measurements was obtained from digitised colour images of whole seed samples of rumex, wild oat, lucerne and vetch. The combination size, shape (including kernel seven invariant moments) and texture parameters is the major element in this investigation. Two pattern recognition approaches were attempted in the classification: stepwise discriminant analysis, which is part of statistical pattern recognition techniques, and artificial neural network. The artificial neural network was found to outperform discriminant analysis. With only three inputs, a simple three-layer perception network exhibited performances exceeding 99% both in learning and test sets. It is shown that a mixture of features improved classification from 92% for size and shape parameters to 99% for size, shape and texture parameters. Two species, totally overlapped in the morphometrical space, were well separated by texture. The best characteristics are extracted from the red channel images. Limitations of neural computing concepts are discussed with respect to seed classification.     

基于大米特征矿物元素产地鉴别建模方法比较研究

基于前期实验筛选到的与产地和母质土壤直接相关的23种特征矿物元素作为产地判别特征指标,比较Fisher判别模型和前馈神经网络预测模型的适用性。以连续3年随机采集的五常、查哈阳和建三江地理保护区274份样本作为建模对象,以模型的判别率为指标,采用电感耦合等离子体质谱仪(ICP-MS)和X射线荧光光谱仪测定样本中特征矿物元素含量(Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Sb、Te、Ba、La、Nd、Sm、Gd、Dy、Ho、Er、Yb、Pb、U),结合线性(一般线性判别分析)和非线性(前馈神经网络训练方法)模型构建方法用于产地鉴别。结果表明,Fisher判别分析模型对训练集判别率为81.5%,交叉检验判别率为78.8%,测试集总体判别率为87.5%。前馈神经网络预测模型对大米产地识别结果平均相对误差值为17.14%,产地的整体识别准确率为100%。筛选到的特征矿物元素携带了足够多的产地信息,通过前馈神经网络法建立的判别模型具有更优的判别能力,能解决小距离相似自然环境产地样本难以识别的问题。     

基于高光谱图像光谱变量和颜色特征的霉变玉米籽粒识别

目的:准确识别霉变玉米籽粒。方法:基于高光谱图像光谱变量和颜色特征建立霉变玉米籽粒识别的新方法。先对玉米籽粒图像进行图像分割和光谱变量、颜色特征提取,并根据颜色特征生成颜色直方图;将光谱变量和颜色直方图特征组成特征集合;通过距离函数对特征集合中所有特征的分析确定霉变玉米籽粒所属类别。结果:所提方法对霉变玉米籽粒类别的最大平均识别偏差为1.12,最佳平均识别准确率为97.59%;与基于高光谱图像+随机蛙跳+极限学习机的方法、基于高光谱图像+稀疏自动编码器+卷积神经网络的方法、基于高光谱图像+蚁群优化+BP神经网络的方法相比,研究所提方法对霉变玉米籽粒类别的识别准确率明显提高。结论:该方法可实现被测玉米籽粒样品是否霉变以及霉变程度的准确判断。     

基于电子鼻的水稻品种鉴别研究

为了实现水稻品种的快速鉴别,避免水稻品种混杂,利用电子鼻对来自同一产地不同水稻品种进行测试,获取有效信息。对获取的信息提取平均微分值和面积斜率比两种特征。采用主成分分析、Fisher判别分析及BP神经网络3种模式识别方法进行水稻品种的判别,并对3种识别方法的结果进行比较分析。结果表明:不同种类的水稻品种可以被区分开来,但BP神经网络分类效果最好,Fisher判别分析效果次之,PCA分类效果最差。因此,结合合适的特征提取方法及模式识别方法,有可能实现一种基于电子鼻技术的对不同水稻品种鉴别的简单、有效的方法。     

基于高光谱技术的金银花硫含量快速检测模型建立

为实现金银花硫含量的快速无损检测,利用高光谱成像技术结合化学计量学方法,建立不同浓度硫磺熏蒸金银花快速检测模型。采用硫磺使用量为鲜质量的0%、0.5%、1%、1.5%四种硫熏梯度的金银花干燥样品,首先利用高光谱成像技术采集各组金银花光谱图像数据,并采用S_G（Savitzky-Golay）卷积平滑、多元散射校正（multiple scatter correct,MSC）和标准正态变量变换（standard normal variate transformation,SNV）3 种方法对原始光谱进行预处理,得到S_G卷积平滑为最佳预处理方法。随后,对经S_G预处理后的光谱信息分别进行Fisher判别分析（Fisher discriminate analysis,FDA）与核Fisher建模分析（kernel Fisher discriminate analysis,KFDA）,得到KFDA具有更好的判别正确率（98.2%）。最后,全光谱数据具有量大、冗余信息的问题,采用了相关系数法（regression coefficients,RC）、Wilks和RC-Wilks三种方法对预处理后的数据进行特征提取,最终建立了RC-KFDA、Wilks-KFDA、RC-Wilks-KFDA三种判别模型。结果表明,经S_G卷积平滑预处理后的光谱信息,3?种方法的判别正确率均为100%,使用RC-Wilks相结合提取特征波长的方法建立KFDA模型能够实现较短的计算时间（0.69 s）和较好的类间分布。因此,所建立的S_G-RC-Wilks-KFDA模型可以实现金银花不同硫含量的快速、有效、无损检测。     

基于龙井茶香气风味特性的品质判定

结合人工感官审评和智能感官分析对4 个等级西湖龙井茶进行识别判定。通过相关性分析和主成分分析,先后建立龙井茶香气分属性权重及龙井茶香气分属性与电子鼻传感器关联性。根据龙井茶香气分属性权重及香气分属性与传感器关联性结果,对电子鼻传感器进行筛选。通过核Fisher判别分析法和K-最近邻算法进行进一步特征提取和模式分类,实现了对于训练集样本100%和测试集样本97.5%的正确识别。     

植物油的红外光谱结合神经网络快速识别

为实现对植物油的快速检测,借助衰减全反射-傅里叶变换红外光谱分析技术并结合深度学习算法对植物油开展光谱模式识别工作。实验获取8种植物油样本的光谱数据,采用标准正态变换和一阶导数预处理方法消除背景干扰,同时采用竞争性自适应重加权算法模型对各样本特征光谱数据进行提取,分别建立长短记忆神经网络(LSTM)、基于Levenberg-Marquardt算法改进的BP神经网络对提取特征波长后的植物油种类进行预测识别与比较,并采用后者进行了实际样品的识别检测。结果表明,通过提取特征波长,可有效提高LSTM模型的识别准确率,其最优准确率从提取特征波长前的30%～40%提高到80%～90%,模型运行时间从提取特征波长前的111 min 25 s缩短至1 min 45 s。相较于LSTM模型,基于Levenberg-Marquardt算法改进的BP神经网络的分类识别准确率更高,达到99.852%,用于实际样品的识别,识别准确率达到100%。实验结果可为植物油的无损快速检验提供一定的参考与借鉴。     

Quality grade identification of green tea using E-nose by CA and ANN

In this paper, the electronic nose (E-nose) is employed for the rapid identification of quality grades of green tea. Back-propagation neural network (BPNN) and probabilistic neural network (PNN) are two artificial neural networks (ANN) that are used widely. Then BPNN, PNN and cluster analysis (CA) are applied to identify the different tea samples. The first three principal components obtained by principal component analysis (PCA) are extracted as the inputs to the BPNN and PNN. Results of CA show that the classification of the different tea samples is possible using the response signals of the E-nose. Better experimental results are obtained using BP neural network. For the two neural networks BPNN and PNN, the classification success rates are 100% and 98.7% for the training set, respectively and these are, respectively, 88% and 85.3% for the testing sets. The overall results show that the two neural networks can be employed for identification of the different five tea samples.     

基于不变矩和改进SVM的牛肉大理石纹评级

针对牛肉大理石纹人工评级过程中人为误差干扰大的问题,研究利用图像处理技术提高牛肉大理石纹评级的客观性并增强自动化程度,提出基于不变矩、灰度共生矩阵和混沌蜂群优化混合核函数支持向量机(Support Vector Machine,SVM)的牛肉大理石纹评级法。首先计算牛肉大理石纹图像的不变矩和灰度共生矩阵统计量并由此构造特征向量;然后将训练和测试样本输入到混合核函数SVM,采用混沌蜂群算法优化SVM中的惩罚因子及核参数,使其分类识别性能达到最优;最后输入待评级样本进行分类识别,得到最优评级结果。大量实验结果表明:根据我国NY/T676-2010牛肉大理石纹标准图谱,评级正确率分别达到100%(一级)、93.3%(二级)、93.3%(三级)、96.7%(四级)、100%(五级)。与基于灰度矩和SVM法、基于灰度共生矩阵和BP(Back Propagation)神经网络法相比,本文所得评级正确率最高,且与专业评级师的实际评级情况最相符。