共查询到20条相似文献，搜索用时 31 毫秒
1.
鸡蛋新鲜度神经网络检测系统的研究 总被引：8，自引：4，他引：4
鸡蛋内部颜色信息（H、I、S）的变化表征蛋的新鲜度等内部品质的变化。用计算机视觉装置获取鸡蛋颜色参数（H、I、S）,通过试验获得鸡蛋的新鲜度大小（哈夫值）,用它们作为样本数据建立BP神经网络模型,获取鸡蛋新鲜度与其图像颜色参数之间的最优关系,达到自动检测鸡蛋新鲜度。经检验,系统正确识别率为90．8％。 相似文献
2.
鸡蛋光特性及其与新鲜度的相关性研究 总被引：5，自引：1，他引：5
无损检测家禽蛋内部品质是鸡蛋流通和加工中不可缺少的组成部分。为了更好地无损检测鸡蛋的新鲜度 ,分析鸡蛋内部品质与透射特性的相关关系 ,从而对鸡蛋的新鲜度作出估量 ,研究了波长在 2 0 0～ 6 0 0nm范围内鸡蛋新鲜度的光特性。试验结果表明 ,在波长为 4 0 0～ 6 0 0nm的可见光区域 ,利用鸡蛋的透射特性对其新鲜程度进行无损检测和分级具有可行性 相似文献
3.
文章介绍了一种基于BP神经网络的水果分级方法。采用数字图像处理的方法对图像进行预处理,选择水果表面颜色的均值和方差来表示水果的颜色特征,采用一个与水果目标具有同样二阶矩的椭圆来近似表示水果的形状,简化了果形描述的复杂程度。通过RP算法训练,可以得到一个具有9个隐层神经元的BP神经网络结构参数。试验表明:采用该模型对水果等级进行分级,平均正确率为92.5%,分级一个水果的时间为10.3 ms。说明采用BP神经网络技术可实现对水果等级的自动判定,该方法具有正确率高、实时性好的特点。 相似文献
4.
不同品种鸡蛋新鲜度与其光特性的相关关系 总被引：3，自引：0，他引：3
通过对两个品种鸡蛋(麻鸡蛋和以色列鸡蛋)在无损状态下光特性透射率追踪试验及其新鲜度指标(哈夫单位)同步试验，建立了不同品种鸡蛋在光透射率敏感波长下的光特性透射率与其新鲜度指标(哈夫单位)的相关数学模型，并得到了鸡蛋按光特性透射率的分级，可为鸡蛋无损状态下新鲜度光特性分级装置的研究提供理论依据。 相似文献
5.
基于BP神经网络算法的红枣分级技术应用 总被引：1，自引：0，他引：1
分别从几何形状特征、颜色特征及纹理特征三方面入手,并对所有特征进行优化选择,最终得到3个表征红枣特性的特征量;建立红枣样本数据库,以BP神经网络为模型,设计合理的BP神经网络训练和测试方法,对红枣进行分级研究,通过不同样本条件下的实验测试,可以得到高达94%的红枣等级划分正确率,能较好地满足红枣分级的需求,对红枣产品的生产、销售均具有一定的理论和实际意义。 相似文献
6.
利用声音采集装置获取声音特征参数,通过试验检测对应鸡蛋的新鲜度(哈夫单位).采取有效的声音信号处理,提取功率谱、共振峰频率、坐标轴方向的质心以及幅值作为声音检测鸡蛋新鲜度的特征参数,建立了与新鲜度之间的关系模型,经检测该模型判断鸡蛋新鲜度的正确率可达78%.检测结果表明,鸡蛋敲击响应特性的共振峰频率随鸡蛋新鲜度的下降而成阶梯状的降低. 相似文献
7.
应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别 总被引：1，自引：0，他引：1
提出了一种利用近红外透射光谱结合BP神经网络识别未知豆油脂良莠类别的方法。在10 000～3 500 cm-1范围内分别采集合格油、不合格油(精炼垃圾油、煎炸油和变质合格油)的透射光谱,对光谱数据依次作出Savitzky-Golay平滑、基线校正预处理,采用SPSS 11.0抽取出9个主成分(累计贡献率达到99.89%)作为神经网络输入神经元,建立3层BP神经网络模型,模型能够有效辨识未知豆油脂的良莠以及不合格具体种类,类别预测正确率为100%。 相似文献
8.
基于BP和Adaboost-BP神经网络的 羊肉新鲜度高光谱定性分析 总被引：1，自引：0，他引：1
【目的】 实现对羊肉新鲜度的快速准确鉴别。【方法】 研究通过对460~1 000 nm的羊肉高光谱图像纯肌肉部分提取光谱数据,以挥发性盐基氮(TVB-N)值对新鲜度等级进行划分,对预处理后的光谱数据分别采用连续投影算法(SPA)、主成分分析(PCA)两种压缩降维方法和反向传播(BP)神经网络、自适应提升BP(Adaboost-BP)神经网络两种建模方法开展羊肉新鲜度的分类比较。【结果】 其中采用SPA、PCA建立的BP模型校正集与预测集准确率均为100%、83.33%,建立的Adaboost-BP模型校正集与预测集准确率均为100%、94.44%,两种压缩降维方法下Adaboost-BP模型效果均优于BP模型。【结论】 利用高光谱图像技术结合Adaboost-BP方法对羊肉新鲜度等级进行分类判别是可行的。 相似文献
9.
多源信息融合技术的猪肉新鲜度检测方法研究 总被引：2，自引：0，他引：2
随着猪肉产量的提高和人们对食品安全的重视,快速准确地检测肉新鲜度越来越有着重要的现实意义。针对猪肉腐败过程中气味与颜色的变化,本文设计了猪肉图像采集装置和气体采集装置,对10个不同时间段采集到的各240份猪里脊肉样品图像信息和气体信息进行特征层的融合,基于最小二乘支持向量机方法(LS-SVM)建立多源信息融合的猪肉新鲜度评价模型,结合二步格点搜索法(Grid Search-ing Technique)和交叉验证方法(Cross Validation),对该模型参数γ和σ2进行选择和优化,分析比较了机器视觉系统、电子鼻系统及其两者融合系统所建立的猪肉新鲜度评价模型,3个模型对猪肉新鲜度的识别率分别为达到77.33%、91.67%和97.33%。结果表明,基于机器视觉和电子鼻多源信息融合系统可显著提高猪肉新鲜度的识别率。 相似文献
10.
11.
脐橙色泽与着色率的机器视觉检测技术研究 总被引：4，自引：0，他引：4
色泽与着色率是脐橙品质和机器分级的重要指标,但用传统算法很难建立脐橙颜色参数与其之间的关系模型。研究对脐橙图像进行预处理后,分析脐橙表面颜色特征参数,提取脐橙有效像素的H(色调)、S(饱和度)、R(红色分量)、G(绿色分量)、B(蓝色分量)的平均值与标准差作为参数,对着色率与色泽进行定量描述,并通过神经网络算法建立颜色特征参数与色泽和着色率之间的关系模型。结果表明,该分级模型对着色率与色泽的分级与人工标准分级的一致度分别为90%和92%。 相似文献
12.
13.
基于机器视觉的核桃仁特征提取与分级方法研究 总被引：1，自引：0，他引：1
基于机器视觉技术研究出一种适合新疆核桃仁分级特征提取与分级的方法。该方法利用已经完成图像预处理的实时采集的样品核桃图像,运用OpenCV完成从RGB到HSV的颜色空间转换,提取核桃仁颜色和完整度特征,建立原始特征矩阵特征,利用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,最后通过对支持向量机、决策树和朴素贝叶斯3种机器学习算法进行模型训练和测试,得出最佳分级方法。结果表明,在使用特征bin19、K_1和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大,为97.33%。故得出基于机器视觉研究出的核桃仁特征提取与分级方法可以完成对核桃颜色和完整度的分级任务的结论。 相似文献
14.
利用可见-近红外光谱技术,选取湖北地区同一品种不同饲养环境下的鸡蛋,提取鸡蛋的光谱透射率(500~900nm),利用标准正态变量变换对光谱数据进行预处理,结合竞争性自适应重加权与主成分分析对光谱数据进行二次降维,并将提取的特征信息输入增强回归树算法,建立鸡蛋土洋种类鉴别模型,模型的训练集和测试集判别正确率分别为98.33%和97.00%。结果表明,应用基于可见-近红外光谱及增强回归树方法,针对同一母鸡品种但不同饲料产出的土洋鸡蛋的种类鉴别是可行的。 相似文献
15.
为了实现用计算机和机械设备进行猪肉颜色自动化分级,本研究对猪肉样品照片进行图像处理,提取其中颜色特征参数,并进行色彩空间参数换算。通过对基于核函数的3种SVM多分类方法进行比较,选择出最适合于猪肉颜色的SVM多分类评定方法。对比结果显示,采用单独的HSV数据及RGB与HSV联合数据进行分类,分类效果好于RGB数据。RBF核函数“二叉树”SVM多分类模型,经过样本学习后,其分类的正确率可达98%;同时考虑经验风险和置信风险,其分类正确率达80%。 相似文献
16.
基于BP神经网络的鸡蛋大小分级方法研究 总被引：6，自引：1，他引：5
用计算机视觉装置获取鸡蛋图像像素点数,用电子天平称得蛋重,用它们作为样本数据建立BP神经网络模型,达到自动检测鸡蛋大小并分级。经检验,建立的BP神经网络有很好的泛化功能、鲁棒性好,用其检测鸡蛋大小并分级,其正确识别率为91%。 相似文献
17.
18.
为了提高猪肉新鲜度检测的实时性,提出了基于Caffe框架与ResNet残差神经网络的猪肉新鲜度分级的新方法。根据理化试验结果将猪肉的新鲜度分为7级,并在理化试验前拍摄对应的猪肉照片作为样本进行网络训练。在网络训练完成后分别用同源和异源样本图片对系统分级准确率进行验证,结果显示系统分级的准确率均达到95%以上,说明该系统能够很好地对猪肉新鲜度进行分级。与传统的理化试验检测新鲜度的方法相比,在保证了分级准确率较高的同时,检测过程简单、实时性高、无损,是一种更高效的猪肉新鲜度分级方法。 相似文献
19.
通过对芒果成熟期3种品质指标测定的同时,拍摄数字相片,以计算机图像分析技术为手段,采集芒果颜色参数,研究3种颜色模型中与芒果品质变化相关的颜色特征量,归纳出合适的颜色参数与芒果品质指标值间关系式,用于推导芒果的成熟度.并结合形状、表面斑痕、颜色分布等特征,经图像处理和运算,抽取出所需的几何尺寸和突变部位的数据,作为样品分级的依据.以期建立一种与人工目视辨别有相同精确度、高效率、客观的自动选别评价体系. 相似文献
20.
基于神经网络的大麦病害识别研究 总被引：1，自引：0，他引：1
试验首先提取甘肃大麦病斑的颜色和纹理特征,以特征向量为输入向量来构造大麦病害神经网络分类器模型.然后利用神经网络对采集到的训练集病害图像进行分类模型训练,最后以随机选取的两组测试图像进行了分类试验.结果表明:大麦病害神经网络分类器模型对甘肃大麦病害的整体识别正确率达到86.7%以上.因而,基于神经网络的大麦病害图像识别研究为大麦田间病害归类诊治提供了新型技术,为西北特别是甘肃大麦病害的早期诊断与科学防治奠定了技术基础. 相似文献