排序方式: 共有62条查询结果,搜索用时 15 毫秒
31.
为提高全蛋粉掺假检测的准确度和检测效果,应用近红外光谱技术对全蛋粉掺假进行定性判别并对掺假含量进行定量分析。分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数、二阶导数等6种不同预处理方法,对原始光谱数据进行预处理,采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及CARS-SPA结合算法对光谱数据进行特征波长筛选,建立集成学习(ensemble learning,EL)模型对掺假蛋粉进行定性判别,建立偏最小二乘模型(PLSR)对掺假含量进行定量分析。结果显示:在对掺假蛋粉进行定性判别方面,一阶导数为最佳预处理方法,CARS算法特征筛选效果最佳,EL模型对掺假蛋粉样本总体判别准确率达到98.18%,对各类掺假蛋粉样品的判别准确率在97.78%以上。在对蛋粉掺假含量进行定量分析方面,多元散射校正为最佳预处理方法,CARS算法特征筛选效果更佳,对一组分掺假、二组分掺假、三组分掺假和所有掺假样本的PLSR浓度预测模型的预测集相关系数(Rp)分别为0.958 5、0.931 2、0.945 6和0.955 8,均方根误差(RMSEP)分别为4.689 1、5.813 4、4.604 1和3.802 9。研究结果表明,近红外光谱技术可用于蛋粉掺假检测,为监管机构检测蛋粉掺假提供参考。 相似文献
32.
基于可见/近红外漫反射光谱分析技术,设计了便携式生长期红提葡萄多品质参数无损检测仪,该仪器由光谱采集探头、光谱仪、卤素灯光源、锂电池、控制器及外围电路等部分组成,仪器尺寸为200mm× 160mm× 150mm, 方便携带。以生长期内的红提葡萄果粒为研究对象,采集400~1000nm的可见/近红外漫反射光谱信息,对原始光谱进行预处理和特征波长提取,分别建立了红提SSC、总酸质量分数、pH值、硬度和含水率的最优偏最小二乘回归(PLSR)预测模型,所建各指标的最优PLSR预测模型的预测集相关系数分别为0.9545、0.9778、0.9878、 0.9456、 0.9028, 均方根误差分别为1.0122°Brix、2.0225%、0.0747、7.2813N、0.9799%。基于MFC开发工具,运用 C++语 言编写了仪器实时分析处理软件,将所建红提葡萄多品质参数的最优PLSR预测模型植入硬件装置中,实现了生长期红提葡萄果粒的多品质参数一键式无损检测。经检验测试,果粒SSC、总酸质量分数、pH值、硬度和含水率预测集相关系数Rp 分别为0.9414、0.9687、0.9768、0.9348、0.9006,预测集均方根误差分别为1.1567°Brix、2.3645%、0.0986、8.3571N、1.1051%,且该检测仪一次检测时间不超过2s,说明该仪器可完成生长期红提葡萄果粒的实时无损检测。 相似文献
33.
基于种蛋图像血线特征和深度置信网络的早期鸡胚雌雄识别 总被引:2,自引:2,他引:0
为了实现孵化早期鸡胚雌雄识别,构建了机器视觉采集系统,在LED光源下获取180枚鸡种蛋孵化第4天的图像。首先对鸡种蛋图像进行RGB分量提取、中值滤波、感兴趣区域提取等预处理,然后利用限制对比度自适应直方图均衡化、形态学处理、最大类间方差阈值分割和八连通域去噪等方法凸显血线纹理,并通过方向梯度直方图(histogram of oriented gradient,HOG)提取图像的全信息特征和利用灰度共生矩阵提取能量、对比度、相关性、熵、均匀度等5个特征,对HOG全信息特征采用主成分分析(principal component analysis,PCA)降维,最后利用全信息特征和PCA降维特征-灰度共生矩阵特征组合的简化特征,分别构建支持向量机(support vector machine,SVM)、反向传递(back propagation,BP)神经网络、深度置信网络(deep belief networks,DBN)3种鸡胚雌雄识别模型,并比较不同模型的识别准确率。试验中,全信息特征比简化特征构建的模型识别准确率高,基于简化特征的BP、SVM、DBN模型测试集识别综合准确率分别为51.67%、60%和58.33%,基于全信息特征的BP、SVM、DBN模型测试集识别综合准确率分别为58.33%、63.33%和83.33%。其中,基于全信息特征的DBN模型识别准确率最高,达到83.33%。结果表明机器视觉技术为孵化早期鸡胚雌雄识别提供了一种可行方法。 相似文献
34.
鸡蛋透射光图像形态特征与其新鲜度的相关关系 总被引:6,自引:2,他引:4
该文结合鸡蛋内容物自身结构特点,研究鸡蛋图像形态特征与新鲜度的相关关系,快速无损检测新鲜度.用机器视觉装置获取鸡蛋图像,通过实验检测对应鸡蛋新鲜度(哈夫单位).采取有效图像处理,使蛋黄和气室特征显现.选取蛋黄与整蛋面积比值、气室高度与整蛋长轴长度比值作为形态特征参数,建立两特征值与新鲜度的关系模型,经检验通过两特征模型判别鸡蛋新鲜度的正确率分别为91%、93%.研究结果表明,鸡蛋图像蛋黄面积比、气室高度比随着新鲜度的降低而逐渐增大. 相似文献
35.
36.
37.
种蛋受精及性别鉴别关系到家禽孵化、养殖的经济效益和动物福利伦理等,种蛋受精与性别信息的检测是禽、蛋产业发展的难题,特别是种蛋性别的无损鉴定是世界难题。合适有效的无损检测技术,不仅应获得相关未知信息且不会对种蛋造成任何损伤,因此无损检测种蛋成为研究热点。然而,由于蛋壳厚度和颜色等外部品质形状差异、内部流体形态变化和胚胎发育等因素的影响,难以实现准确检测。本文对比了现有种蛋无损检测研究中的相关方法与技术,包括机器视觉技术、光谱技术、声共振频率分析、生物电信号分析、敲击振动法、介电常数分析、气味特征分析等;分析了种蛋受精和性别信息无损检测仍存在的技术限制、发育阶段检测限制、蛋壳干扰和种蛋个体差异性等方面挑战,并针对未来的研究及发展探讨了高光谱成像、X射线成像、超声波成像和磁共振成像等新兴技术应用于种蛋受精与性别无损检测的可行性。 相似文献
38.
为了解决裂纹皮蛋分选中存在的效率低、人力成本高等问题,提出了一种基于改进YOLO v5的皮蛋裂纹在线检测方法。使用EfficientViT网络替换主干特征提取网络,并采用迁移学习对网络进行训练,分别得到YOLO v5n_EfficientViTb0和YOLO v5s_EfficientViTb1两个模型。YOLO v5n_EfficientViTb0为轻量化模型,相较于改进前参数量减少14.8%,浮点数计算量减少26.8%;YOLO v5s_EfficientViTb1为高精度检测模型,平均精度均值为87.8%。采用GradCAM++对模型可视化分析,得出改进模型减少了对背景区域的关注度,证明了改进模型的有效性。设计了视频帧的目标框匹配算法,实现了视频中皮蛋的目标追踪,依据皮蛋的检测序列实现了对皮蛋的定位和裂纹与否的判别。轻量化模型的判别准确率为92.0%,高精度模型的判别准确率为94.3%。研究结果表明,改进得到的轻量化模型为运算能力较差的皮蛋裂纹在线检测装备提供了解决方案,改进得到的高精度模型为生产要求更高的皮蛋裂纹在线检测装备提供了技术支持。 相似文献
39.
在进行禽蛋无损检测研究时,需要花费大量的人力和物力采集禽蛋图像数据,为解决该问题,设计了一种基于深度卷积生成对抗网络(Deep convolutional generative adversarial networks,DCGAN)的改进禽蛋图像数据生成网络。该网络分为生成器与判别器,生成器用于禽蛋图像数据生成,判别器对生成的禽蛋图像进行真实性判断,两者相互对抗最终生成高质量的禽蛋图像数据。为了提高生成的禽蛋图像质量,使用残差网络构建生成器和判别器,引入Wasserstein距离和加梯度惩罚的损失函数,分别在透射和反射情况下对禽蛋图像进行生成研究。该方法有效地解决了大量禽蛋图像数据的采集问题,为后期禽蛋图像识别与检测提供了数据基础,同时也为后续禽蛋数据库构建提供了技术支持。 相似文献
40.
鸭蛋大小等级模型研究 总被引:12,自引:3,他引:12
应用机器视觉 ,研究出鸭蛋大小自动分级模型。鸭蛋的面积尺寸是鸭蛋大小分级的重要依据 ,鸭蛋的重量与所成像的像素面积成正比。鸭蛋大小等级模型具有显著性和可靠性 ,鸭蛋大小的检测误差在± 3g之间 ,能够满足生产的需要 相似文献