基于电子鼻技术的烟丝霉变检测

霉变是影响烟丝质量的重要因素之一,研究探索建立基于电子鼻技术的烟丝霉变检测方法。构建的电子鼻系统主要由5只SnO2半导体气敏传感器形成反应阵列,采用BP神经网络(back propagation neural network,BPNN)为主的模式识别方法。从每个传感器响应曲线中提取2个特征值,使用主成分分析和BP神经网络对传感器阵列的所有特征值进行处理。主成分分析结果显示:非霉变烟丝和霉变烟丝存在可区分趋势,但不同霉变程度的烟丝间存在部分重叠。进一步利用BP神经网络对霉变烟丝判别,识别正确率达到90.00%。试验表明,使用电子鼻技术可以客观、有效地区分霉变和非霉变烟丝,为有效控制烟丝质量提供了可靠途径。     

基于卷积神经网络的手写汉字识别方法

手写汉字识别在智能化处理手写文档时至关重要,高准确率的预测结果对后续处理文本信息有着重要作用。为解决传统汉字识别特征提取繁琐等问题,使用深度学习中的卷积神经网络,利用Keras搭建网络离线识别手写汉字图片。在HWDB1.1的数据集上,构建6层小网络,预测图片中的汉字。分析实验结果得知,深度学习可以有效提取图片特征,tanh,sigmoid,relu三个激活函数中relu效果最好。     

基于卷积神经网络与迁移学习的玉米籽粒图像分类识别

种子是农业生产最基本,最主要的生产资料。为实现玉米种子的快速鉴定识别与保护,本文提出基于卷积神经网络(Convolution Neural Network, CNN)与迁移学习相结合的玉米种子籽粒图像分类识别方法,可将预训练的CNN模型参数迁移到玉米籽粒图像分类识别任务中。实验采集了6种玉米种子籽粒图像双面图像共1 976张,包括16DX531,京粘1号,科诺58,铁研,小金黄,郑单958,建立胚面,胚乳面和双面混合的3种数据集。按照7∶2∶1的比例随机划分训练集,验证集和测试集,并对训练集图像作数据增强处理。基于4种CNN模型Xception, ResNet50V2,MobileNetV2,DenseNet121进行参数迁移学习。实验结果表明Xception与胚乳数据集建模方法优于其他方法。Xception--胚乳模型训练集与验证集平均识别准确率分别为95.55%和95.97%,测试集准确率为92.78%。基于卷积神经网络与迁移学习相结合的玉米籽粒图像识别方法切实可行。     

使用神经网络预测膨胀烟丝的填充值

为构建叶组配方与膨胀烟丝填充值之间的关系,在工艺条件稳定的前提下,采用前馈-反向传播人工神经网络对两者间的数量关系进行了初步建模.通过选取合适的传递函数,使神经网络强大的非线性函数逼近能力得以展现,经过大数据量的训练后,该模型具备了良好的预测能力,预测结果的相对误差为5%左右.     

基于量子卷积神经网络算法的微小零件识别

设计了量子卷积神经网络表示层、隐藏层神经元和输出层神经元模型;采用修正线性激活函数ReLu作为激活函数,并通过训练误差函数优化量子旋转角度和神经连接权值。8种微小零件的仿真试验表明,量子卷积神经网络算法的识别准确率较高,耗时少且识别效果较好。     

基于Profibus的烟丝装箱RFID应用控制系统

杭州卷烟厂易地技改后为满足物流高架库系统对箱装烟丝产品信息的识别要求,在制丝线装箱环节设计了基于Profibus的烟丝装箱RFID应用控制系统.该系统主要由主控PLC、装箱PLC、RFID控制器以及RFID数采终端组成,可以将产品信息写入烟丝箱携带的载码体内,便于后续跟踪与追溯.实际应用效果表明,系统运行可靠,RFID...     

基于近红外光谱和残差神经网络的异性纤维分类识别

针对传统图像处理方法对棉层中异性纤维检测效果不佳的问题,基于近红外光谱和残差神经网络提出一种对棉层中异性纤维的分类识别方法。采用Savitzky-Golay法对异性纤维的近红外光谱数据进行平滑处理,结合F检验和LightGBM分类算法实现特征波长优选,并将优选后的光谱数据经格拉姆角场转换成保留波长序列之间时序性的格拉姆角和场图像;构建残差深度卷积神经网络模型,将转换后的格拉姆角和场图像作为训练样本对残差网络模型进行训练。实验结果表明,该方法能够有效地对复杂环境下棉层中的异性纤维进行分类,分类准确率达到99.69%,与其它数据转换方式和分类模型相比提高了棉层中异性纤维的分类识别精度,为复杂环境下异性纤维分类识别研究提供了新思路。     

基于卷积神经网络的道路监控系统下车辆颜色识别

针对卷积神经网络训练时收敛速度慢且参数数量较多的问题,文章在激活函数之前使用批归一化对每一个小批量数据进行处理,并使用1x1的卷积层和全局平均池化层代替全连接层,提出了一种基于卷积神经网络的车辆颜色识别方法。该方法是专门为识别任务而设计的,它包含八层,分别是五个卷积层,两个1x1的卷积层和一个全局平均池化层。实验结果表明,文章在训练集上的识别精度为99.6%,在测试集上的识别精度为94.8%,与现存最优的实验结果相比,识别精度提高了0.33%,且参数量仅占其14.5%。     

基于改进残差网络的空纱筒识别模型

针对纺织车间背景复杂、纱筒种类多导致利用传统机器视觉识别空纱筒准确率低、模型参数量大的问题,设计了一种基于改进残差网络的空纱筒识别模型。该模型借鉴ResNet系列的模型结构,进行卷积核轻量化,改进经典的残差模块并加入SENet注意力机制,以达到提高检测空纱筒的准确率,减少模型参数的目的。最后通过数据增强,创建了适合工厂实际生产的纱筒数据集。实验结果表明：在消融实验中,应用SENet注意力机制可以提高3.86%的准确率,利用优化残差模块不仅减少了650%的模型参数还提高了1.22%的准确率。在原数据集的验证集上,改进模型的准确率为99.6%比ResNet-18模型高4.46%,与VGG-16和AlexNet相比提高了7.05%～9.41%。在增强的数据集上,识别模型的准确率都有了较大的提升,但改进模型的准确率变化不大,说明该模型的鲁棒性较好,不易受到样本不足的影响。改进模型的参数数量缩小到原模型参数数量的1/10左右,为嵌入式设备部署空纱筒识别模型提供了思路。     

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...     

烟丝回弹特性检测方法的建立及参数优化

【目的】解决烟丝填充值、弹性等物理指标不能全面真实反映卷制时烟丝回弹对卷烟质量影响的问题。【方法】建立了一套烟丝回弹特性检测方法并运用质构仪进行检测,对该方法进行重复性、差异性验证,通过单因素及响应面优化确定最佳测试参数,探究不同烟丝结构对回弹特性的影响。【结果】（1）通过分析烟丝卷制过程烟丝压缩及回弹过程,将烟丝回弹特性P定义为烟丝束受压后回弹至固定直径时的能力。（2）质构仪测定烟丝回弹特性的最佳条件：探头型号为A/BE-d45圆板探头,测前速度12 mm/s,测中速度6 mm/s,触发力4 g,回弹速度1 mm/s,压缩时间3 s,回弹保持时间16 s。该方法的日内和日间精密度分别小于4.20%和2.93%。（3）烟丝回弹特性受烟丝结构影响,烟丝尺寸越长,烟丝回弹特性越大。【结论】该表征方法科学可行且精密度较好,可对烟丝回弹特性进行准确测量。适宜的烟丝结构可保证烟丝的回弹能力,保持烟支的填充的饱满度,提高产品质量。     

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AdaBoost集成学习的烟丝组分识别

目的：提高烟丝的识别效率。方法：利用F-score特征选择方法和AdaBoost集成学习方法对烟丝组分进行识别,提取烟丝的纹理、颜色、形状特征作为模型的输入,通过F-score特征选择方法降低特征维度,以支持向量机(Support Vector Machine,SVM)作为基分类器,再利用AdaBoost集成学习方法,得到烟丝的分类模型。结果：该方法能够有效区分不同组分烟丝,每种烟丝的识别准确率都在95%以上。结论：AdaBoost集成学习方法比传统方法更快捷、方便,也更安全、有效。     

自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术

针对传统基于内容的识别方法在特征提取方面存在计算复杂、特征不可迁移等问题,为避免光照条件、重叠及其他遮挡等因素对图像识别的影响,以LeNet卷积神经网络作为基础,对其结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行识别训练与验证。结果表明:该网络模型可有效实现苹果图像的识别,对独立果实、遮挡果实、重叠果实以及相邻果实的识别率分别为96.25%,91.37%,94.91%,89.56%,综合识别率达到93.79%。与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快、识别率更高。     

基于PLC的实验室烟丝处理控制系统

介绍了实验室烟丝处理系统的工艺流程,以及OMRON公司CPM2A_30CDR型PLC在该控制系统中的应用。论述了实验室烟丝处理控制系统的硬件配置和软件设计,以及恒温PID闭环控制回路的实现。     

重组牛肉图像识别模型的比较研究

以重组牛肉为研究对象,基于机器视觉技术构建3种深度残差网络(deep residual network,ResNet)模型(ResNet-50、ResNet-101、ResNet-152)用于识别重组牛肉,同时应用VGG-16视觉几何群网络模型、支持向量机模型以及LeNet-5卷积神经网络模型,比较分析ResNet模型的识别准确率和响应时间。采集并经过图像预处理后共得到6 168张样品图像作为实验样本,随机选取其中的4 936张作为训练集,剩余1 232张作为测试集。结果表明:3种ResNet模型(ResNet-50、ResNet-101、ResNet-152)识别速率较快,准确率高,均可以有效识别重组牛肉,且卷积层越多,准确率越高,其中ResNet-50模型识别准确率达到较高水平,且测试时间仅需0.45 s,能够准确、快速地识别重组牛肉。     

基于卷积神经网络的雷达工作模式识别

该文针对不同雷达工作模式的信号特征,提出一种基于卷积神经网络（convolutional neural network,CNN）的雷达工作模式识别方法。不同工作模式下的雷达信号的脉冲宽度、脉冲重复周期、脉内调制样式和数据率等特征均有所不同,所以该文利用这4个特征参数构建1个图像矩阵,再提取方向梯度直方图（Histogram of Oriented Gradient,HOG）的特征,送入CNN进行雷达工作模式识别。仿真结果表明,该识别方法有较高的识别准确率。     

烟丝整丝率变化率对卷烟卷接质量的影响

在烟丝整丝率达到80 0%以上、烟丝碎丝率控制在3 0%以内、烟丝填充值和纯净度分别≥4 2cm3/g和99 0%的情况下,通过控制烟支单支重量和卷烟机车速,研究了烟丝物理指标、跑条烟丝物理指标、烟丝整丝率变化率对烟支空头率及烟丝整丝率变化率对跑条烟丝结构和填充值变化率等的影响。结果表明:在试验条件下,烟丝结构、烟丝填充值等指标对烟支空头率的影响居于次要的地位,而整丝率变化率是影响烟支空头率的主要因素。整丝率变化率每提高1%,可使烟支空头率降低约0 2%,跑条烟丝整丝率提高约0 92%,跑条烟丝碎丝率降低约0 12%,烟丝填充值变化率增大约1 1%。     

基于图像处理和神经网络的小麦不完善粒识别方法研究

为了实现图像处理技术对小麦不完善粒的准确快速识别,研究了一种基于小麦不完善粒图像特征和BP神经网络的不完善粒识别方法。采集小麦不完善粒图像,对图像进行中值滤波、形态学运算、图像分割等处理后,针对每个小麦籽粒,提取其形态、颜色和纹理共3大类54个特征参数,采用主成分分析法提取8个主成分得分向量作为模式识别的输入,建立BP神经网络模型,实现对小麦不完善粒的检测识别。结果表明,该模型对完善粒、破损粒、病斑粒、生芽粒和虫蚀粒的判别正确率分别为93%、98%、100%、90%和85%,平均判别正确率达到93%,可有效对小麦不完善粒进行检测识别。