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...     

支持向量机提取法检测羊绒/羊毛混纺比

文章介绍了基于HSV颜色模型,应用支持向量机的目标提取方法检测羊绒,羊毛混纺比.根据某种色彩信息,将在HSV颜色模型下的羊绒与羊毛混纺纱线的切片图进行初步的背景分离,通过特征数据取样,应用支持向量机对图片进一步精确分离,从而使提取目标完整地从原图中分离出来,这种支持向量提取的方法为应用图像处理方法测试羊绒,羊毛混纺比提供了可行性.     

基于机器视觉的花生完善性检验

花生的完善性检验是花生感官品质中最基础的检验.本研究旨在利用计算机图像处理技术,分析花生图像中完好部位及破损部位的颜色特征参数,作为花生完善性检验的判别依据,并编制MATLAB识别软件,实现花生完善性自动检测.     

基于支持向量机的染色品图像颜色评价算法的研究

传统染色品图像颜色评价的主要方法是依据色差公式计算平均色差值,然后再根据色差值得出相应的色差等级,其评价指标单一,受色差公式选择的影响较大且运算时间较长。文章提出了基于优化色差公式和支持向量机的染色品图像多颜色特征评价指标算法,首先采用遗传算法对传统的CIELAB色差公式进行优化,以减少颜色特征指标的计算时间;其次,基于支持向量机建立了多颜色特征指标与评价结果之间的拟合模型,实现了颜色品色差等级的评定。实验表明,与Datacolor 650标准检测设备得出的色差评价结果相比,基于优化的色差公式和支持向量机的染色品图像评价算法的评价结果具有较好的一致性,并且算法的执行时间得到了较大的提高。     

纺织品颜色分类算法比较研究

探讨和比较纺织品颜色分类算法。优选了均匀且色域宽阔的L*a*b*颜色空间;基于机器视觉和图像处理技术,通过仿真试验比较分析了支持向量机、最小二乘支持向量机和自组织映射神经网络三种算法的训练和测试样本的准确率和运行时间。试验结果表明:对于小样本集,最小二乘支持向量机算法的分类准确率及收敛速度要优于支持向量机算法和自组织映射神经网络算法。认为:最小二乘支持向量机分类算法在纺织品颜色在线分类方面具有更好的应用潜力。     

计算机视觉技术在花生仁表皮破损检测中的应用

介绍了基于花生仁表皮破损检测的计算机视觉系统,并针对花生仁表皮类破损给出了一套完整算法及实现,即利用破损区域的颜色分量R,G,B及其均方差形成的偏差系数实现对破损区域的分割,实现了花生仁表皮类破损的检测.同时也给出了破损程度的量化指标,为花生仁破损程度检测分级提供了依据.试验表明,通过该算法,破损检测正确率达到100%,破损程度检测准确率到达95%.     

基于PCA-SVM的红枣缺陷识别方法

以干制红枣的黑斑、破头以及分类难度较高的干条3种病害图像作为研究对象,分别采用颜色矩和灰度共生矩阵提取颜色、纹理特征中的14维特征向量,然后采用主成分分析法对特征向量进行优化,得到4个主因素特征向量作为支持向量机输入。采用交叉算法确定最优支持向量机惩罚参数c和核函数参数g对支持向量机多分类模型进行训练,利用训练后的模型对红枣进行多分类试验。结果证明,该方法能够对红枣黑斑、破头和干条3种缺陷果进行快速准确的识别,识别率分别为93.3%,100.0%和96.6%,总识别率可达97.2%,且分类效率高。     

基于图像识别的破损花生仁自动检测

采用数码相机获取花生仁图像,对图像进行处理,获取破损区域的颜色特征参数,建立破损区域颜色特征的矩形矩阵识别模式,实现对破损花生仁的自动无损检测.经检验,检测精度高,错判率＜4%.     

应用区域颜色分割的机采棉杂质检测方法

机采棉中的杂质繁杂,而杂质类型及含量对后期棉花加工工艺的影响很大。为此,提出一种应用区域颜色分割方法以检测棉花中的杂质。在图像分割中,先对滤波后的机采棉图像进行彩色梯度运算,通过扩展极小变换运算获得标记图像,在修改后的梯度图像上运用分水岭算法获得初始分割图像,然后对初始分割图像进行区域合并。区域合并过程中要综合考虑空间邻接性、颜色信息和区域面积3个因素。颜色信息主要采用饱和度、亮度、区域颜色向量模及颜色相似度4 个特征量。用层次递进的合并方法,迭代过程更新信息特征。最后通过支持向量机算法提取颜色、纹理、形状特征对杂质区域进行识别。结果表明,所提方法对机采棉中天然杂质的平均识别率为94%。     

基于支持向量机的农作物缺素症状诊断方法

针对如何利用农作物叶面颜色特征判断其营养症状的实际问题,应用数字图像处理技术和最小二乘支持向量机,提出一种基于支持向量机的农作物缺素症状诊断方法。首先运用数字图像处理技术计算农作物叶面颜色特征;然后将归一化颜色空间特征输入最小二乘支持向量机,相应缺素症状作为输出,通过遗传算法确定最优组合参数,进而建立了农作物缺素症状诊断方法。通过大豆缺素症状实际资料的仿真诊断结果表明,该方法速度快且精度高,具有良好的适应性和实用性。     

基于SVM的岩石薄片图像分类

支持向量机可以克服高维表示的缺陷,被广泛运用到图像分类中。文章在研究图像特征的基础上,应用支持向量机的分类性能,实现了100个样本的分类,结果表明该实验分类准确率高,效果良好。     

基于深度学习卷积神经网络的花生籽粒完整性检测

目的:准确区分完整花生、果仁破损花生和表皮破损花生。方法:提出了一种基于深度学习卷积神经网络(CNN)的花生籽粒完整性检测方案。搭建了花生籽粒色选系统,建立了花生籽粒图像库;利用改进的密度峰值聚类(DPC)算法对CNN卷积核进行自适应压缩,有效平衡网络深度和运算效率;采用改进的麻雀搜索算法对CNN超参数配置和网络结构进行优化,得到适用于花生籽粒完整性检测的CNN模型。结果:相比于DL-CNN、CO-Net等检测方法,该方案识别准确率提高了5.41%~13.92%,花生籽粒单幅图像检测时间缩短了约16.9%。结论:该方法可有效提高花生籽粒完整性检测的准确率和实时性。     

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。     

基于机器视觉的辣椒外部品质检测

为实现正常辣椒和缺陷辣椒(黑斑、虫蚀和花皮)的快速检测,通过图像采集,利用中值滤波去噪;提取样本图像24个颜色特征值,20个纹理特征值,利用Otsu算法阈值分割,提取2个形态特征值;选用连续投影法(Suc-cessive Projections Algorithm,SPA)优选14个特征值,结合最小二乘支持向量机(Le...     

基于支持向量机的浮选泡沫图像识别

本文主要研究了从浮选槽中采集图像,提取出图像特征值,运用支持向量机来判别泡沫图像类型。     

基于极限学习机的烟叶成熟度分类

为提高烟叶等级分类效率和烟叶产品品质,减轻人工劳动强度,基于极限学习机提出了一种烟叶成熟度快速分类方法:首先将烟叶图像归一化处理,将烟叶图像平均分成4块,然后提取烟叶图像的分块颜色直方图特征,利用主成分分析法对提取的特征进行降维处理,最后利用极限学习机进行识别判断.仿真实验结果表明,将极限学习机应用于烟叶成熟度分类,测试精度可达96.43％,其训练速度和泛化性均优于BP神经网络和支持向量机,能够快速、准确地判断烟叶成熟度,具有潜在的实用价值.     

基于计算机视觉的槟榔分级研究

槟榔品种的分级技术目前比较落后,主要靠人工完成分级,因而品种分级的质量难以得到保证。该试验用计算机视觉技术进行品种分级,通过图像获取、预处理等提取其颜色特征、形状特征和纹理特征,通过试验分析,发现由颜色和形状特征参数结合起来即可以获得较好的效果。并对其进行主成分分析后代入支持向量机进行分级,预测集的正确识别率达到90.38%以上。     

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。     

基于深度学习的高光谱腊肉营养安全分级

本文设计的卷积神经网络-支持向量机(CNN-SVM)模型,从腊肉的高光谱成像出发,将深度学习提取特征与传统机器学习提取特征有机结合,设计出准确可靠的腊肉营养安全四分类器.利用三维卷积神经网络提取腊肉高光谱图像的深层特征,同时融合高光谱的光谱特征,联合输入支持向量机(SVM)实现对腊肉的分类和健康风险评价.结果:获得了与...