基于卷积神经网络的鲜茶叶智能分选系统研究

机采鲜茶叶中混有各种等级的茶叶,针对风选、筛选等分选方法难以做到精确细分的问题,结合计算机视觉技术和深度学习方法,设计了一套鲜茶叶智能分选系统,搭建了基于7层结构的卷积神经网络识别模型,通过共享权值和逐渐下降的学习速率,提高了卷积神经网络的训练性能。经过实验验证,该分选系统可以实现鲜茶叶的自动识别和分选,识别正确率不低于90%,可对鲜茶叶中的单芽、一芽一叶、一芽二叶、一芽三叶、单片叶、叶梗进行有效的类别分选。     

基于神经网络图像分析的智能鲜茶叶分选机

介绍一种用人工神经网络技术对鲜茶叶进行分类的方法和采用这种方法对鲜茶叶进行分类的智能鲜茶叶分选机 利用茶叶图像的面积、周长、等二阶距椭圆长、短轴长度等几何特征和图像的对比度、平滑度等纹理特征进行BP网络的训练可以将茶叶分类,并获得较好的茶叶分类效果.智能鲜茶叶分选机的分选工作在一个旋转水平圆盘上完成,摄像机采集到圆盘上的茶叶图像,计算机的神经网络图像分析程序对茶叶进行种类识别,并将计算结果通知分选机的执行装置,完成分类.试验表明,这种鲜茶叶分选机的分类正确率可达到90％.     

基于多源遥感数据的输电线走廊树种分类

针对目前树冠提取中受背景影响和易出现过度分割的问题,首先,采用可见光差异植被指数和双边滤波对传统的单木树冠分割方法进行了改进;然后,以单木树冠为对象提取多维特征,并利用XGBoost算法进行特征重要性排序和特征选择;最后,使用随机森林、支持向量机、人工神经网络3种非参数分类器,设计了12种分类方案,进行了单木树种分类和精度评价。结果表明,改进的单木分割方法可以有效提高树冠提取精度,得到的树冠分割精度在80%以上;将Li DAR数据和航空正射影像相结合,采用XGBoost算法进行特征选择后,使用ANN分类器的分类方案精度最高,总体精度为86.19%,说明多源数据协同作用和特征选择可以提高树种分类精度,在单木尺度上ANN分类器对现有树种类型的分类能力最强。     

一种茶叶鲜叶分级机的研制

在茶叶生产过程中,鲜叶原料分级是其中重要工序之一。当前,茶叶生产企业普遍采用传统滚筒式鲜叶分级机进行分级,对于机采作业而然,存在着鲜叶分级等次少、分级效果差、损伤率高、不方便收集等系列问题,难以适应机采鲜叶的分级要求。针对于这一情况,我们设计了一种新型螺旋导向鲜叶分级机构。本设计增加了筛筒长度,将鲜叶筛选分为四级,增加了分选等级;同时,通过筛筒内设置的双螺旋导向叶片的阻隔作用,延长筛选时间,提升筛选质量,通过改变筛筒形状结构,选用新型复合材料和不锈钢材料,降低机械对鲜叶的损伤率;其次,采用抽屉式的收集结构,更方便筛选后鲜叶的收集。此外,采用风机进行初步分选,减少了鲜叶分级后短碎叶含量,提升了后续分选效果,通过这一系列的改进设计,有望整体提升鲜叶筛选的效率及分级效果,从根本上解决机采鲜叶的分级问题。     

一种茶叶鲜叶分级机的研制

在茶叶生产过程中,鲜叶原料分级是其中重要工序之一。当前,茶叶生产企业普遍采用传统滚筒式鲜叶分级机进行分级,对于机采作业而然,存在着鲜叶分级等次少、分级效果差、损伤率高、不方便收集等系列问题,难以适应机采鲜叶的分级要求。针对于这一情况,我们设计了一种新型螺旋导向鲜叶分级机构。本设计增加了筛筒长度,将鲜叶筛选分为四级,增加了分选等级;同时,通过筛筒内设置的双螺旋导向叶片的阻隔作用,延长筛选时间,提升筛选质量,通过改变筛筒形状结构,选用新型复合材料和不锈钢材料,降低机械对鲜叶的损伤率;其次,采用抽屉式的收集结构,更方便筛选后鲜叶的收集。此外,采用风机进行初步分选,减少了鲜叶分级后短碎叶含量,提升了后续分选效果,通过这一系列的改进设计,有望整体提升鲜叶筛选的效率及分级效果,从根本上解决机采鲜叶的分级问题。     

基于Faster R-CNN网络的茶叶嫩芽检测

为有效识别茶叶嫩芽提高机械采摘精度、规划采摘路线以避免伤害茶树,针对传统目标检测算法在复杂背景下检测精度低、鲁棒性差、速度慢等问题,探索了基于Faster R-CNN目标检测算法在复杂背景下茶叶嫩芽检测方面的应用。首先对采集图像分别进行等分裁切、标签制作、数据增强等处理,制作VOC2007数据集;其次在计算机上搭建深度学习环境,调整参数进行网络模型训练;最后对已训练模型进行测试,评价已训练模型的性能,并同时考虑了Faster R-CNN模型对于嫩芽类型(单芽和一芽一叶/二叶)的检测精度。结果表明,当不区分茶叶嫩芽类型时,平均准确度(AP)为54%,均方根误差(RMSE)为3.32;当区分茶叶嫩芽类型时,单芽和一芽一叶/二叶的AP为22%和75%,RMSE为2.84;另外剔除单芽后,一芽一叶/二叶的AP为76%,RMSE为2.19。通过对比基于颜色特征和阈值分割的茶叶嫩芽识别算法(传统目标检测算法),表明深度学习目标检测算法在检测精度和速度上明显优于传统目标检测算法(RMSE为5.47),可以较好地识别复杂背景下的茶叶嫩芽。     

茶叶加工过程中的物理特性变化规律

为了探讨茶叶加工过程中物理参数的变化规律,以春季茶叶为试验材料,分别采用103°恒重法、量筒法、仪器法、注入法和斜面法,研究探讨鲜叶、萎凋叶、杀青叶、揉捻叶、作形茶及成品茶的含水率、容重、孔隙率和休止角,以及茶叶与不同茶机材料静摩擦角的变化规律。研究结果表明,绿茶在加工过程中含水率从73.7%一直下降到4.2%,作形过程中含水率下降最显著,揉捻过程中含水率下降最少;绿茶加工过程中成品茶容重最大,鲜叶容重最小,各加工阶段茶叶的容重变化范围为74.5～210.3kg/m3;鲜叶的孔隙率最大,揉捻叶的孔隙率最小,茶叶在制品的孔隙率在0.696～0.732之间变化;在整个茶叶加工过程中,休止角都在50°～60°之间变化;茶叶在铝板上的静摩擦角最大,浸胶帆布带上的次之,而在铜板、镀锌钢、不锈钢和普通钢板上则相差不大,在所有茶机材料上,作形之后茶叶的静摩擦角最小。     

超声波辅助浸提茶鲜叶中茶多酚的工艺研究

由于当前中国农村劳动力的缺乏,机采茶已逐步成为茶叶采收的主要方式.为了提高机采茶的利用价值、降低其加工成本,本文研究了机采茶鲜叶浸提茶多酚的工艺与方法.本文进行了以机采茶鲜叶为浸提原料,以水做溶剂,采用超声波辅助浸提茶多酚工艺试验,研究了浸提时的超声波功率、茶叶粉碎粒度、浸提温度和茶水比对茶多酚浸提效果的影响.在单因素试验的基础上,通过L9(34)正交试验设计,确定了超声波辅助浸提茶多酚的主次影响因素和最佳工艺参数,即:茶水比为1:20、浸提温度为60℃、超声波功率为350W,茶叶粉碎粒度为1.5mm.在此条件下,茶多酚的浸提得率,可达95.86%.此方法较常规水浴浸提茶多酚含量高、用时短、浸提次数少,与超声波辅助浸提干茶叶的茶多酚浸提得率相当.由此可见,采用超声波辅助浸提机采茶鲜叶中茶多酚的方法是可行的.     

基于特征尺寸及局部极值点的茶鲜叶方向识别

对粗大茶鲜叶实行梗叶分离,有利于提高成品茶品质,降低能源消耗。梗叶分离的关键在于茶梗与叶柄的识别。通过倾斜滑槽限定茶鲜叶的方位,将其转换为两方向判别问题。首先将茶鲜叶划分为长梗和短梗,对长梗茶鲜叶,提出基于特征尺寸的识别方法,特征尺寸大的一方判为叶尖;对短梗茶鲜叶,提出基于轮廓线局部极值点的识别方法,局部极值点多的一方判为叶尖。通过对168幅随机获取的图像及1幅背景图像的处理表明,茶鲜叶的方向识别率达93.3%。每根茶鲜叶的平均处理时间为17.8 ms,能满足实时处理的要求。     

基于计算机视觉技术的水果形状分级方法

以彩色图像为处理对象,提出一种基于傅里叶变换的水果形状分级方法,采用梯度法检测彩色水果图像的边缘,再用边界跟踪算法获取水果的轮廓半径序列,然后将其进行离散傅里叶变换,最后利用傅里叶系数定义分类器,根据给定的分类阈值对水果形状进行分类,对不同水果形状的试验证明了这种方法的有效性。     

基于Faster-RCNN深度学习的茶叶嫩芽多维度识别及其性能分析

茶叶嫩芽自动识别分类是实现采茶机器人精采名优茶的关键技术。由于茶叶嫩芽与背景中茶叶差别很小,且茶叶嫩芽形状多样,有一芽一叶和一芽二叶等多种形式,给自动识别带来很大难度。基于Faster-RCNN深度学习神经网络模型多维度进行茶叶嫩芽识别。首先对网络性能进行分析,选取较优的网络模型;在此基础上,研究一幅图像中包含嫩芽的不同数量、形态、拍摄角度、光照条件多维度对识别性能的影响。结果发现,光照条件和拍摄角度对嫩芽识别影响较大。所采用的Faster-RCNN深度学习模型对45°角度拍摄、晴天环境下单株集中一芽两叶的茶叶嫩芽识别效果最佳,同时阴天和90°拍摄时识别效果较差。研究为后续实现机器人现代化智能化的名优茶精采提供了技术支持。     

基于互补系数的K近邻Relief特征选择算法

提出一种基于互补系数的K近邻Relief特征选择算法。在Relief特征选择算法基础上,通过互补系数方法,对Relief算法得到的特征子集进行冗余处理。从最优特征子集的特征数目和分类准确率2个方面,将Relief特征选择算法与基于互补系数的K近邻Relief特征选择算法进行比较。以SVM分类器分析分类效果。     

基于CFD-DEM的机采鲜叶管道集叶过程数值模拟研究

为揭示乘坐式采茶机的集叶管道内部气流特性,利用计算流体力学（CFD）和离散单元法（DEM）对管道内气固两相流动进行数值模拟。通过多球面聚合法建立机采鲜叶数值计算模型,在分析鲜叶颗粒运动规律基础上,分别对其不同进口风速、鲜叶颗粒尺寸、弯管结构进行模拟分析。研究结果表明,数值模型可预测集叶管道的集叶效果以及最佳风速;在最佳进口风速范围内,鲜叶颗粒越大,管道内的剩余颗粒越多,容易产生沉积;鲜叶颗粒流在穿过竖直管道到弯管时形成一束弯管流曲线,且弯管结构对鲜叶颗粒运动有一定影响,流场平均速度呈先降低后升高的变化规律。选用一个弯管半径为0.04m圆角弯管作为集叶弯管结构,同时减少横向管道长度,选择内侧长度为0.03m竖直管,避免鲜叶颗粒由重力作用导致的沉积,保证集叶顺畅性。数学模型仿真与试验结果表明：减少横直管长度,采用圆角弯管与适合的竖直管长度的集叶管道,穿透率不小于86.8%,满足集叶要求。本文提出的鲜叶颗粒建模方法,用于集叶管道与鲜叶流相互作用的离散元仿真分析及管道结构优化。该研究可为集叶管道其他工作参数优化提供参考。     

基于颜色和形状特征的机采棉杂质识别方法

机采棉的含杂识别分类检测能够提高棉花加工设备效率,减少棉花纤维损伤,并为棉花收获设备的改进提供指导。提出了一种基于颜色和形状特征的机采棉杂质识别分类方法,对大杂质和小杂质检测采取不同的图像处理方法。颜色特征主要采用基于彩色梯度图像的分水岭变换与改进模糊C均值聚类方法融合的方法;形状特征主要采用机采棉杂质的面积、周长、离心率和矩形度特征。通过对100幅机采棉图像试验表明,该方法对各类杂质的平均识别正确率为89%。     

基于多分类器DS证据理论融合的水果识别研究

针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法。该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结果和各个分类器对不同水果的分类准确率,构建基本概率函数(BPA函数),通过DS证据融合规则对分类器融合后对被测图像进行识别。试验结果表明:该方法对5种水果的识别平均准确率为95.2%,总体标准偏差为0.02993,在提高单分类器识别准确率的同时,解决了分类器对各种水果识别的不均衡问题。对10组测试集识别的平均准确率为93.5%,总体标准偏差为0.055,该方法对水果种类的识别更准确和稳定。     

基于BPSO的棉花异性纤维目标特征快速选择方法

针对现有棉花异性纤维目标特征选择方法迭代次数多、速度慢等问题,提出了一种基于改进粒子群优化算法的棉花异性纤维目标特征快速选择方法.使用离散型粒子群优化算法作为特征选择算法,利用支持向量机算法作为分类器对最优特征集进行验证.实验结果表明,在分类准确率与蚁群算法相当的情况下,能减少26％的运行时间.     

基于SVM的多方位声散射数据协作融合鱼分类与识别

为解决基于声散射数据的鱼分类与识别问题,提出了一种基于SVM的多方位声散射数据协作融合鱼分类方法。首先,提取多方位声散射数据的小波包系数奇异值、时域质心及离散余弦变换系数特征,并进行特征融合;然后,采用支持向量机(SVM)分类器对每个方位提取的特征做出决策,并将决策结果表示成后验概率的形式,同时利用每个方位的决策概率对其他方位的决策进行加权;最后输出分类结果。采用3类鱼作为研究对象,得到不同方位数量条件下基于协作融合方法的分类正确率最终达到92%以上。试验数据处理结果表明,随着方位数量的增加,总体分类正确率呈升高的趋势,基于SVM的协作融合方法可以有效提高分类正确率。     

基于优化植被指数的多生育期茶叶游离氨基酸含量估算

不同季节的茶叶外形和品质均具有较大差异,针对运用植被指数检测不同季节茶鲜叶游离氨基酸含量存在难度,选取了10个茶树品种3个季节（春茶、夏茶和秋茶）茶鲜叶中游离氨基酸含量数据和高光谱数据进行分析。首先,对原始光谱数据进行5种光谱变换：倒数T_1/R、对数T_1gR、一阶微分T_R’、倒数的一阶微分T_（1/R）’和对数的一阶微分T_（1gR）’,并进一步利用不同光谱变换优化了经典植被指数,最终比较了经典植被指数和优化植被指数对不同季节茶鲜叶游离氨基酸模型的影响。结果表明：茶鲜叶建模集和验证集游离氨基酸含量的变化趋势从大到小均为春茶游离氨基酸含量、秋茶游离氨基酸含量、夏茶游离氨基酸含量;光谱变换优化后的植被指数与茶鲜叶游离氨基酸含量的相关性均高于经典植被指数与茶鲜叶游离氨基酸含量相关性,相关系数绝对值范围为0.10～0.30;基于T_lgR-VI构建的多元线性回归（MLR）模型在不同季节的建模集和验证集中均得到了较好的精度,且适用于多生育时期茶鲜叶氨基酸含量的估测。基于T...     

基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断

针对滚动轴承故障振动时间序列非线性与非平稳性特征,提出一种基于多尺度模糊熵的滚动轴承故障诊断方法。首先通过集合经验模态分解对故障振动信号进行自适应分解;根据得到固有模态函数分量(IMF)求取相应的多尺度模糊熵;在此基础上以EEMD多尺度模糊熵作为故障特征输入到BP神经网络中进行学习和分类。实验结果表明该方法能够实现对轴承的内圈、外圈及滚动体三种故障类型的诊断,准确率达到了99. 5%。     

基于多特征降维的植物叶片识别方法

植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。