排序方式: 共有15条查询结果,搜索用时 0 毫秒
1.
基于SVM与NIR的花椒挥发油快速检测方法 总被引:1,自引:1,他引:0
应用近红外光谱分析(NIR)技术结合支持向量机(SVM)测定花椒挥发油的含量.以105份样品作为校正集,分别选取epsilon-SVR、nu-SVR两种SVM类型,并采用Linear、Poly、RBF与Sigmoid四种不同核函数进行SVM 回归建模,以所建立的校正模型对36份样品的挥发油含量进行预测.结果表明:当SVM类型为epsilon-SVR,核函数为Sigmoid,惩罚参数取109,γ取1×10-6时,所建立的花椒挥发油SVM-NIR模型预测效果最好:R236=0.931 7,RMSEP36=0.426 8.同时对基于SVM-NIR、PLS-NIR、PCA-BP-NIR和PCA-RBF-NIR的花椒挥发油模型的预测性能进行比较分析,表明SVM-NIR模型具有较强的预测能力(或泛化能力),优于其余3种模型. 相似文献
2.
【背景】实时的烟叶状态识别和烘烤阶段判别是实现烘烤工艺精准调节和建立烟叶智能烘烤系统的关键技术。目前烟叶烘烤状态识别方面的研究受到模型规模的制约,难以应用于实际生产,因此有必要研究高精度轻型识别模型。【过程】采用工业摄像头和补光灯组成的图像采集系统采集烘烤过程的烟叶图像,通过伽马变换和HSI颜色空间转化并对烟叶数据集进行处理,使用改进的轻量级EfficientNetB0模型进行训练,并在Jetson Nano嵌入式开发板上进行模型可行性测试。【结果】改进模型在测试集上的准确率达到了96.13%,参数量仅为2.74 M,相比于原始EfficientNetB0,改进模型的识别准确率提高了1.59%,参数量减少了48.50%。在Jetson Nano开发板上,相比于MobileNetv2、MobieleNetv3等轻型模型,改进模型的识别速度和准确率均有明显提升。【结论】改进的EfficientNetB0模型可以实现烟叶烘烤阶段的快速、精准识别。同时本研究可为烟叶智能烘烤系统的建立提供了理论依据和现实参考。 相似文献
3.
为预测单粒小麦籽的含水量,将小麦籽分成折痕向上(记为A面)和折痕向下(记为B面)进行高光谱扫描,建立4种预测模型,记为MA、MB、MC和MD。其中,模型MA与MB分别由A与B面单粒小麦籽的光谱构成,模型MC由A与B面的平均光谱构成,模型MD由A与B面的光谱混合而成。利用偏最小二乘回归法对这4种模型进行比较,结果表明:模型MD具有最佳预测效果,对于模型MD,经过1阶微分和标准正态变换预处理后,其预测集的均方根误差为1.36%,相关系数为0.90。同时利用高光谱成像技术还可以获得整盘单粒小麦籽的水分分布图,分布图能定位水分不正常的粒籽,为研究自动剔除水分异常的单粒小麦籽提供参考。 相似文献
4.
5.
基于单片机的语音播报智能化电阻测试仪设计 总被引:7,自引:3,他引:4
本文介绍了一种能进行宽量程电阻阻值数字测量,并能通过语音播报阻值的电阻测试仪.采用"变换法"来测量电阻阻值,即通过阻值与频率(R/f)变换电路,将阻值变为与之对应的振荡频率,利用单片机SPCE061A测量频率,就可以实现测量电阻阻值.本电阻测试仪测量的范围为1 Ω~200 MΩ,利用6位LED数码管显示.为了实现宽量程的测量,将测量范围分为2段,即1 Ω~50 kΩ,50 kΩ~200 MΩ.在低阻值段,平均误差为0.01%;在高阻值段,平均误差为0.1%.通过软件编程来实现测量范围的自动转换,并利用SPCE061A内部的语音资源,实现语音播报电阻阻值,最终使本电阻测试仪具有数字化、智能化、语音化、实用性. 相似文献
6.
研究葛粉中掺假红薯淀粉和马铃薯淀粉的近红外漫反射光谱快速检测方法。采集样品的近红外漫反射光 谱,采用主成分回归和偏最小二乘法建立校正模型,并对比光谱预处理方法和光谱建模区间对模型的影响。结果表 明,采用偏最小二乘法建模,光谱采用标准正态变量变换预处理,光谱区间选择在962~1 389 nm时,模型预测效 果最佳,外部验证预测相关系数(RP 2)达0.994 5,均方根误差2.298 7%,相对分析误差13.56,平均回收率99.89% (n=9,RSD=2.96%),这表明近红外漫反射技术能对葛粉中掺假红薯淀粉和马铃薯淀粉进行有效检测。 相似文献
7.
8.
基于近红外光谱的花椒麻味物质快速检测方法 总被引:7,自引:0,他引:7
针对传统方法测定花椒麻味物质含量耗时、费工的缺点,提出了应用近红外光谱分析技术,快速检测花椒麻味物质含量的新方法.对于141份粉碎到40目的花椒粉末样品,首先使用基于主成分得分与遗传算法的近红外光谱建模样品选择方法(PCA-SSGA)进行样品选择,优选出80份样品.然后应用偏最小二乘法(PLS),将其中60份样品的近红外光谱建立校正模型,并对其余20份样品组成的预测集进行预测.结果显示,测定系数(R220)为0.9004,预测标准差(RMSEP20)为0.8130,预测相对标准差(RSD20)为6.07%,预测相对分析误差(RPD20)为3.1670.说明模型对预测集样品具有一定的预测能力,基于近红外光谱技术快速检测花椒麻味物质是可行的. 相似文献
9.
10.