排序方式： 共有8条查询结果，搜索用时 15 毫秒
1
1.
基于高光谱成像的苹果品种快速鉴别 总被引：2，自引：0，他引：2
以"乔纳金"苹果,"红富士"苹果和"秦冠"苹果共90个试验样本为试材分别采集865~1 711 nm的近红外波段高光谱图像,选取苹果图像感兴趣区域(ROI),以分辨率2.8 nm提取其平均反射光谱数据,分别利用K近邻法(KNN)和径向基核函数支持向量机(RBF-SVM)进行品种判别,5折交叉检验。结果表明,3种苹果的近红外高光谱图像均在波长941~1 602 nm之间变得清晰,该区域200个波段下的平均反射光谱数据经KNN法中的10种距离算法评判,当K取值3和5时,切比雪夫距离、欧几里得距离和明可夫斯基距离3种距离算法的识别正确率均达到100%;SVM-RBF核函数模型中,γ取值为2-8~1的范围内识别正确率均在92%以上,当γ取值2-5,C取值为16和32时,识别正确率最高,为96.67%。故利用近红外高光谱图像技术结合KNN计算对苹果品种进行快速鉴别是优异和可靠的方案。 相似文献
2.
3.
木材与人们的生活息息相关,不同品种木材的用途各不相同。如何快速并正确地识别不同种类的木材是目前亟须解决的问题。纹理是木材表面重要的天然属性,也是区分木材的重要依据,因而如何准确地提取木材的纹理特征是本文研究的重点。本文设计了一种木材自动识别系统,其基本工作流程如下:首先,使用K-means聚类算法,根据图像的纹理采用SPPD(导管分布的统计特性)及BGLAM(基本灰度级氛围矩阵)特征对木材进行预分类,实现对木材数据库的降维,为提高识别效率做好准备;其次,使用GA(遗传算法)挑选出对木材纹理具有较强区分度的LBP(局部二值模式)特征;最后,用KNN(K最近邻)分类器根据挑选出的LBP特征对木材图像进行最终的分类识别。试验结果表明,木材样本类别个数为20时,识别率较高,可以达到98.13%以上;当木材样本类别个数增加为30时,识别率也在95%以上。 相似文献
4.
对苹果按照水心病患病程度进行无损在线分级对于苹果采摘机器人具有重要的意义。在苹果园中,利用无损在线检测出轻度患有水心病的苹果果实并优先采摘,以避免因患病苹果烂掉而造成经济损失,构建了基于计算机视觉和高光谱技术的苹果水心病患病程度无损在线分级系统。本系统以西北农林科技大学白水苹果试验示范站的秦冠苹果为研究对象,采集苹果果实的高光谱图像和果面图像,对苹果图像进行压缩感知预处理和计算机视觉特征提取,并使用支持向量机算法根据苹果图像的计算机视觉特征来对苹果的水心病患病程度进行分级。实验表明:该系统对苹果水心病的分级准确率可以达到78.2%。与人工对苹果水心病分级相比,该系统不依赖于农业专家对苹果水心病特征的丰富知识,不受农业专家的主观影响。本系统作为苹果采摘机器人的一个模块可以为苹果的采摘行为提供指导,降低了人工成本,提高了经济效益。 相似文献
5.
基于高光谱成像的苹果水心病无损检测 总被引：3，自引：0，他引：3
以240个"秦冠"苹果水心病果和好果为试材,采集900~1 700nm的近红外波段高光谱图像,选取高光谱图像中的苹果区域作为感兴趣区域(ROI)并计算其平均光谱,分别采用4种特征选择方法和3种核函数支持向量机(SVM)分类器对水心病果进行判别,以探讨利用近红外高光谱成像技术判别苹果水心病的可行性。结果表明:基于卡方检验和支持向量机递归消除(SVM-RFE)2种特征选择法优于基于F检验和决策树的方法。4种特征选择的3种核函数支持向量机(SVM)分类器在1~200个波段下对水心病果的判别正确率分别为:48.6%~70.2%、48.6%~72.0%、33.3%~71.8%、47.2%~70.8%。基于SVM-RFE检验的特征选择下,SVM对水心病果的正确识别率达到72.0%,为该试验选出的最优方法。 相似文献
6.
基于介电特征选择的苹果内部品质无损分级 总被引：1，自引：6，他引：1
为了快速而准确地利用介电特性对苹果内部品质进行无损分级,该文对500个富士苹果的108种特征值（12种介电参数在9个频率点下）进行了分析筛选,以获取用于5个品质等级富士苹果无损分级的最少介电特征。在整个内部品质的分级过程中,贪心选择法、基于快速聚类的特征子集选择法、稀疏主成分分析法和以信息增益为评价函数的属性排序法共4种方法被用来从108种介电特征中选择出对等级划分最有帮助的关键介电特征。试验结果显示,基于快速聚类的特征子集选择法仅选择了4种特征时分级正确率就达到了80%左右,而贪心选择法的性能明显更优,在分级正确率超过90%时,其选择的特征一般不超过10种,其最优情况为当选择了4种介电特征时,分级正确率为91.22%,而当选择了10种介电特征时,其分级正确率为95.95%。该研究为水果等农产品的品质与病虫害快速无损检测等提供参考。 相似文献
7.
基于生物阻抗特性的苹果新鲜度无损测定 总被引：5，自引：0，他引：5
以红富士苹果为试材,在室温下贮存得到失重率0、5％、10％、15％和果心褐变果实,分别定义为1、2、3、4、5级新鲜度,采用LCR阻抗仪测定各等级共424个果实的14个生物阻抗参数在9个频率点下的126个特征值.通过稀疏主元分析-线性分类器(SPCA-LDC)模型试验,得出适宜的选样比例(训练样本数与测试样本数之比)为9∶1,主元数达到前39～45个时分级正确率达到最大值;构成至少39个主元的生物阻抗特征参数为44个;50次重复试验的分级正确率平均值为87.90％. 相似文献
8.
基于计算机视觉的牛脸轮廓提取算法及实现 总被引：2，自引：1，他引：1
计算机视觉技术已越来越多地应用于检测牛个体行为以给出养殖管理决策,牛脸轮廓的提取及形状分析能够进一步提高牛身份鉴别,咀嚼分析及健康状况评估的自动化程度。为实现基于计算机视觉的无接触、高精度、适用性强的肉牛养殖场环境下的牛脸轮廓提取,提出用自适应级联检测器定位牛脸位置,用统计迭代模型提取牛脸轮廓的方法。该方法采集牛脸正面图像,用级联式检测器定位出牛脸的位置,并分别采用监督式梯度下降算法(supervised descent method,SDM),局部二值算法(local binary features,LBF)和主动外观模型算法(fast active appearance model,FAAM)3种算法被用于提取牛脸轮廓。对20头肉牛共拍摄800幅牛脸正面图,随机选取训练数据720幅和测试数据80幅。结果表明,主动外观模型算法准确率最高,其轮廓提取误差为0.0184像素,适于应用在轮廓提取精度要求较高的场合,而局部二值算法的运行效率最高,在分辨率为744像素(水平)×852像素(垂直)的牛脸图像中轮廓提取时间为0.35 s,更适于应用在实时性要求较高的场合。该方法可实现养殖场中肉牛的无接触精确的面部轮廓提取,具有适用性强、成本低的特点。 相似文献
1