排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
针对茶叶品质感官审评存在的缺陷,基于茶评师审评结果,采用计算机视觉技术快速评价茶叶叶底感官品质。以碧螺春茶为研究对象,采用引导滤波方法去除茶叶叶底图像的镜面反射等噪声信息,提取图像的颜色和纹理特征,利用连续投影算法(SPA)优选特征变量,建立茶叶叶底感官品质的SVM量化分析模型,并与PLS模型性能比较。结果表明,引导滤波方法能很好地去除叶底图像的镜面反射及边缘模糊等噪音信息;优选的9个特征变量与感官审评标准中叶底品质感官审评术语描述相一致;所建SVM模型性能好于PLS,模型对预测集的RP为0.92,RMSEP为2.159,RPD为2.537,RSD为2.528%。研究表明,采用计算机视觉技术能量化分析茶叶叶底感官品质,但分析精度有待进一步提高,为茶叶感官品质的仪器化表征提供了研究基础。 相似文献
2.
为摒弃茶叶品质感官评审方法存在的主观性和经验性等缺陷,研究采用计算机视觉技术快速评价茶叶感官品质。依据碧螺春茶行业标准及茶叶评审师的评审结果,将20个不同品质碧螺春绿茶样本分成4个等级。采用小波变换和灰度共生矩阵提取茶叶图像的纹理特征,采用RGB[R表示红色(red),G表示绿色(green),B表示蓝色(blue)]和HIS[H表示色调(hue),I表示亮度(intensity),S表示色饱和度(saturation)]颜色模型提取图像的颜色特征,利用遗传算法优化神经网络参数,建立茶叶感官品质的BP(back propagation,逆向传播)神经网络分级模型,并与其他模型结果进行比较。结果表明,当选用前5个主成分时,所建立的模型识别精度最高,该模型总体识别率为93.8%,Kappa系数为0.933,较PCA-BP、GA-BP、BP识别精度分别提高10.0、6.3、18.8百分点,Kappa系数分别提高0.133、0.066、0.233,模型稳定性得到提高。 相似文献
3.
为提高不同海拔茶叶品质近红外光谱技术鉴别方法的精度,提出采用局部线性嵌入法（LLE）和拉普拉斯特征映射法（LE）非线性流形学习方法对近红外光谱数据进行降维处理,并与基于核函数的非线性（KPCA）及线性（PCA）降维方法比较,建立不同海拔茶叶品质的近红外光谱LSSVM鉴别模型。不同降维方法可视化结果表明,KPCA和PCA方法的数据点离散性较大,400~800 m和800~1 200 m的样本点重叠较多,而非线性流形学习方法能将同一类样本点在三维空间很好地聚集在一起,不同海拔的茶叶能较好地区分开,且聚集效果方面LE方法好于LLE方法。模型性能表明,LE_LSSVM模型性能最佳,预测集总体判别率、Kappa系数分别为100%和1.00;相比于PCA_LSSVM、KPCA_LSSVM和LLE_LSSVM,模型预测集总体判别率分别提高1.7%、1.7%、3.3%;Kappa系数分别提高0.025、0.03、0.05。研究表明,LE等非线性流形学习降维方法在近红外光谱数据降维、简化模型复杂度、提高模型精度方面效果很好,为茶叶品质快速检测方法研究提供了一种新思路。 相似文献
1