基于深度学习的牛肉大理石纹智能分级研究

目的开发客观、准确、无损的基于深度学习的牛肉大理石纹智能化分级技术。方法将深度学习的图像识别方法应用于牛肉大理石纹的特征提取和分类上,并进行相应的调试和学习。结果通过计算机调试和学习,评级正确率分别达到84.2%(一级)、89.4%(二级)、81.9%(三级)、84.1%(四级)、82.6%(五级)。各级牛肉的识别率均在80%以上,识别时间都在1 s以内,达到了预期目标。结论将深度学习的图像识别方法应用于牛肉大理石纹的特征提取和分类上,评级准确率非常高,且随着图片数据库样本数的不断增多,其识别的准确度将不断提高,可进行大量推广使用。     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

基于扩展Shearlet变换、Krawtchouk矩和SVM的储粮害虫分类

为了进一步提高储粮害虫的识别精度,以便更有效地防治储粮害虫,提出了一种基于纹理和形状综合特征及全局混沌蜂群优化支持向量机(SVM)的储粮害虫分类方法。首先对储粮害虫图像进行扩展Shearlet变换,利用变换系数得到能量分布均值,加权后的能量分布均值构成纹理特征向量,用Krwtchouk矩不变量描述储粮害虫的形状特征;然后将纹理特征向量和形状特征向量分别归一化,两者结合构成储粮害虫的综合特征向量;最后用全局混沌蜂群算法优化SVM的核参数与惩罚因子,并应用参数优化的SVM进行分类。结果表明:与基于Gabor小波和支持向量机方法、基于Krawtchouk不变矩和支持向量机方法相比,本方法提取的储粮害虫特征信息更加完整,识别率更高。     

融合光谱与纹理特征的龙井茶等级无损识别

龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。     

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。     

采用图像处理的织物缝纫平整度自动评估

为解决织物缝纫平整度客观自动评估时分类正确率低的问题,提出了一种基于灰度共生矩阵、小波分析和反向传播（BP）神经网络相结合的织物缝纫平整度的自动评估方法。首先采集标准缝纫图像,将图像的灰度级降至16 级,计算图像在0°和90°方向上的灰度共生矩阵并将其归一化,提取灰度共生矩阵的能量、熵、对比度和相关性4 个特征参数,并分别对特征参数在0°和90°方向上取均值;同时,运用Haar 小波在第6个分析尺度上提取并计算图像的水平细节系数的标准差。然后将提取的这5 个特征参数输入到BP 神经网络中训练和识别,并对标准缝纫图像进行了评估。评估结果显示：提出的算法与单独采用灰度共生矩阵特征、小波特征相比,具有较高的分类正确率,分类效果稳定。     

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。     

基于遗传算法的织物疵点特征选择

 为提高疵点分类的正确率,提出应用遗传算法对织物的疵点进行特征选择。首先提取机织物疵点图像,基于直方图、灰度共生矩阵、灰度差分统计、小波差分统计等描述纹理特征,采用遗传算法对这些特征组成的特征向量进行特征选择,再用支持向量机（SVM）分别对原特征向量和选择的特征子向量进行分类。实验结果显示,织物疵点的平均识别率从原来的89%提高到95%,说明该算法对织物疵点特征选择是有效的。     

基于灰度共生矩阵的织物组织结构差异分析

应用灰度共生矩阵分析不同织物组织结构的纹理特征差异。首先将图像的灰度级由256级降为16级以减少计算量;再通过计算图像的灰度共生矩阵选取由灰度共生矩阵衍生的能量、对比度、相关、熵和逆差矩5种特征值作为描述织物纹理的特征参数,并与实际织物纹理特征相比较。分析结果表明,该方法能够较好地提取平纹、斜纹和缎纹织物的纹理特征,可进一步实现织物纹理的分类。     

基于支持向量机的牛肉嫩度等级评价模型研究

目的 利用VIS/NIR反射光谱建立基于支持向量机的生鲜牛肉嫩度等级的评价模型。方法 以牛肉背最长肌为研究对象, 选取样本58个, 在牛肉新鲜切口处采集波长范围400~1700 nm的反射光谱信息, 使用肉类嫩度测量仪测量牛肉剪切力值, 应用支持向量机(SVM)模型评价牛肉嫩度等级。结果 应用SVM模型可以较好地实现对牛肉嫩度等级的评价。尤其是经主成分分析降维预处理, 结合径向基核函数SVM, 对牛肉训练集嫩度等级的回判率达到95%, 对样品校正集判别的准确率进一步提高至83.3%。结论 SVM模型对牛肉嫩度等级评价结果较好, 进行主成分分析后, 判别结果有所提高。     

基于图像的牛肉大理石纹理自动评级方法研究

研究一种基于图像处理技术的牛肉大理石花纹自动等级评定方法。通过图像重采样、单阈值分割、形态学腐蚀及膨胀等方法分割出大理石花纹,再提取图像的特征参数组,并用多元回归分析的方法构造牛肉大理石花纹评级模型,并用VC++实现了自动评级软件。通过对多个牛肉图像的检测,表明此评级计算模型具有良好的准确性和鲁棒性。     

蕾丝花边的改进型纹理特征检索方法

针对传统的蕾丝花边检索主要依赖于人的视觉检测及文本检索,存在信息不稳定、效率低、检索效果不可靠的现象,提出了一种基于层次匹配下多特征融合的蕾丝花边检索方法。通过运用图案纹理特征标识图像,首先分别用灰度共生矩阵、灰度梯度共生矩阵、局部二进制算子提取纹理特征进行匹配。然后将3种提取纹理特征方法分别结合几何特征、不变矩特征量进行逐层匹配。最后将层次匹配下各个纹理特征进行融合,弥补了单个匹配方法的不足,同时在蕾丝花边库中验证所用检索方法的正确率。分析结果表明,该方法优于任意单个的蕾丝花边匹配方法,能较好地实现蕾丝花边检索,有效地提高图案检索的可靠度和准确率。     

牛眼肌区域大理石花纹评级特征的研究

针对我国牛肉分级制度中的大理石花纹等级评定特征不确定的问题,提出用几何、粒度及形状参数来表征花纹几何、形状及分布特点的方法。选择对牛肉大理石花纹等级评定起主要作用的特征参数,对中国、美国及日本3个国家的牛肉等级图进行深入地研究,找寻3个国家牛肉大理石花纹分级标准的侧重点。对选取的参数数据进行相关性分析,剔除原特征集中相关性较强的特征,应用主成分分析法对影响大理石花纹等级的参数进行线性组合,选取适合的主成分建立大理石花纹的等级预测模型。     

基于图像纹理特征的牛肉嫩度预测方法研究

在经过图像预处理,背最长肌与大理石花纹的分割,并实现大理石花纹特征值的提取后,利用灰度共生矩阵提取4个对嫩度剪切力贡献较大的纹理特征参数,并统计这些参数应用多元线性回归建立牛肉嫩度剪切力预测模型。结果表明：可见光下利用纹理特征预测牛肉嫩度的方法能够以96%的准确率实现嫩度剪切力等级的预测,具有较高的商用开发价值。     

基于机器视觉的透明包装袋真空封口纹理缺陷检测方法

目的:解决由于目前在食品包装领域采用人工抽检方式导致的真空封口质检难以长时间连续作业，易发生漏检、错检，检测准确率稳定性不可靠等问题。方法:提出了一种基于机器视觉的透明包装袋真空封口纹理检测方法代替人工检测。利用ROI区域提取、仿射变换和局部二值化模式等算法进行图像预处理，凸显出纹理特征。在此基础之上，利用灰度共生矩阵分析“良好”和“缺陷”封口纹理图像特征设置灰度共生矩阵参数，将纹理特征的均匀性与共生灰度矩阵特征量相关联。最后，以灰度共生矩阵特征量作为SVM分类器的输入量，通过计算对封口缺陷进行识别与分类。结果:该在线检测方法对透明包装袋真空封口的缺陷检测结果与人工质量结果对比同一性高达97.5%。结论:该方法具备较高的检测准确率和较好的实用性，可满足在线检测的需求。     

边缘检测、二值化处理进行牛肉分级的应用

采用图像处理技术自动估算牛肉眼肌横切面特征值,为基于计算机视觉的牛肉品质自动分级检测奠定基础.以牛胴体6～7肋横断面图像为试验材料,采用边缘检测、二值化处理技术等,运用VisualC++6.0编程语言,对牛肉眼肌的眼肌面积、脂肪、肌肉总面积比、脂肪分布均匀度、眼肌圆度、肌肉和脂肪色度值5个特征参数进行特征提取和检测.结果表明:经测量所得的眼肌面积越大,圆度越大,肌肉和脂肪色度值越高、大理石纹密度分布均匀的牛肉品质越好,相反,眼肌面积小、圆度小、肌肉和脂肪色度值越低、密度分布不均匀的牛肉品质低.该设计可有效计算眼肌面积和特征参数,能代替常规分级方法,实现牛肉质量等级的自动判别.