排序方式： 共有4条查询结果，搜索用时 78 毫秒
1
1.
茶叶鲜叶等级直接影响优质绿茶成品的等级,如果在鲜叶阶段就茶叶的芽叶数量进行等级识别,并将不同等级鲜叶分离出来,制作不同等级的绿茶成品,从一定程度上解决了优质绿茶鲜叶采摘环节的难题.提出基于茶叶形态、纹理和HOG特征的鲜叶分级方法,采集鲜叶样本图片,对样本图片进行预处理操作,再提取鲜叶形态和纹理特征等特征参数,建立机器学习模型支持向量机、随机森林和线性判别法K-最近邻对新鲜茶叶样本进行分类,得到各等级的茶叶识别结果.试验结果表明,单独使用一种特征分类效果不佳,也不符合茶叶本身的复杂性.将多种特征融合有更好的分类效果;3种算法中,随机森林算法有较高的优越性,准确率达97.06％.该研究提取的多特征参数和分类模型,为实际鲜叶的生产加工等级识别提供参考. 相似文献
2.
基于形态特征参数的茶叶精选方法 总被引：5，自引：3，他引：2
夏秋季节的梗与叶片的色泽差异小,采用传统色选机难以实现精选。该文提出依据茶叶形态特征的多特征向量分选法,以期实现茶叶精选算法快速建模,提高分选精度。采集动态下落过程中的茶叶图像,开发基于图像处理的特征提取程序自动提取多组茶叶样本形态特征参数,采用随机森林算法判定特征权重并进行特征选择,建立逻辑回归、决策树和支持向量机3种不同分类算法对样本进行分类,验证特征的可分性,并分析不同分类算法对复杂茶叶样本分类效果的影响。试验结果表明:1)形态特征参数圆形度E的重要性权重最大,为0.467,最终将重要性阈值设定为0.05,选择圆形度E、矩形度R、线性度Len、周长C和紧凑度J 5种形态特征向量建立数据集;2)在测试数据集中,逻辑回归(logistic regression, LR)、决策树(decision tree, DT)和支持向量机(support vector machine, SVM)3种分类算法的平均准确率为0.924,说明所选特征具有明显的可分性;3)根据输出的混淆矩阵,3种分类算法中支持向量机算法识别效果最好,准确率和调和平均数(F1)得分分别为93.8%和94.7%。该方法可快速应用于其他类型茶叶精选和茶叶实际生产过程,有效提高茶叶品质。 相似文献
3.
为解决小麦品质分级数字化检测的问题，通过对小麦的含水率、容重、杂质、不完善粒4个方面的检测建立小麦品质分级检测方法。分别设计了电容式传感器对小麦进行含水率检测，建立含水率检测数学模型，验证含水率检测最大误差范围为±0.4%。利用称重传感器测定小麦定容下的重量，标定容重参数，建立容重检测数学模型，验证误差范围±4 g·L-1。基于机器视觉对小麦不同形态杂质进行分类识别，构建SVM算法分类模型，鉴别不完善粒、各类杂质，其评价参数准确率、精准率、召回率、F1-Score数值分别达到96.5 %、96.0 %、96.4 %、96.2 %。通过对比验证表明，小麦含水率、容重、杂质、不完善籽粒四个方面的检测最大误差分别为±0.4%，±4 g·L-1，±0.15 %，±0.06 %，误差范围在合理区间，可以准确快速对小麦品质实现分级判定，为小麦品质分级判定提供了新的技术和方法。 相似文献
4.
机械化采茶过程中，采摘到的碎叶、名优茶鲜叶以及能够加工成大宗茶的带叶枝条和完整单叶混杂在一起，影响了名优茶鲜叶的进一步加工。为此，将机采茶鲜叶作为试验样本进行研究，基于近红外光谱技术和机器学习方法，对名优茶和大宗茶鲜叶样本中的单个完整叶片样本进行分类识别并得出结果。在事先去除带叶枝条、碎叶和单芽之后，通过搭建试验台的方式采集到两类样本的光谱数据，采用标准正态变量变换结合多元散射校正预处理后，使用保留20个主成分的PCA方法进行降维，使用线性判别和支持向量机算法建立分类模型，得到两类样本的识别情况。试验结果表明：两种算法均可识别出名优茶样本，且使用线性判别算法构建的分类模型识别效果最佳，在样本数200、300、400下的识别准确率分别达到98.5%、96.67%和96%。此研究提取的分类模型，可以为实际加工中的名优茶机械化采摘和识别提供技术参考。 相似文献
1