嗅觉可视化技术鉴别不同原料和不同批次的食醋

利用自主研制的嗅觉可视检测仪对镇江产的3种原料的食醋进行鉴别,并对3种不同批次的米醋进行区分。利用不同色敏材料对不同食醋挥发气体的响应信号进行判别分析,得出了9种卟啉和6种酸碱指示剂组成的传感器阵列的LDA训练集和预测集的识别率均为100％,说明嗅觉可视化可很好地用于食醋种类的鉴别;单纯通过5种酸碱指示剂鉴别的LDA训练集和预测集的识别率分别为100％,98．33％,说明酸碱指示剂对不同种类食醋的鉴别起了主要作用;单纯利用5种卟啉对3种食醋的训练集和预测集的识别率分别为96．67％,80％,说明传感器阵列可抑制醋中高浓度乙酸,响应醋中的微量成分。用15种色敏材料制得的传感器阵列对3个批次的米醋的响应信号进行判别分析,其训练集和预测集的识别率均为77．78％。结果表明,嗅觉可视检测仪对不同原料和批次的食醋均有很好的识别能力。     

基于KFDA的食醋电子鼻鉴别方法

为了提高6种食醋的鉴别正确率,引入了基于核变换的Fisher判别分析(KFDA)方法,以及基于矩阵相似性的核参数确定方法。在选取径向基函数(RBF)为核函数,并提取食醋样本电子鼻检测信号的积分值和相对稳态平均值2种特征参量的基础上,优化确定了对应于2种特征参量的RBF核参数值,分别为5.770 0和5.387 8。对比分析了Fisher判别分析(FDA)与KFDA的鉴别结果,积分值与相对稳态平均值2种特征参量的鉴别结果分别由FDA的93.3%、90.6%提高到KFDA的98.3%、98.3%,说明合适的KFDA方法可有效提高6种食醋样品的鉴别结果。     

渗油醋胶囊高光谱快速检测技术

针对渗油醋胶囊具有与合格醋胶囊相似颜色,难以用肉眼或者计算机视觉进行快速检测的问题,利用高光谱图像信息对化学成分的敏感性,采用高光谱图像技术捕捉渗油醋胶囊在430~960 nm波段下的特征信息,结合线性判别分析(LDA)、K最近邻判别法(KNN)建立渗油醋胶囊的判别模型。在K值为3、主成分因子数为2时,KNN模型对应的校正集识别率和预测集识别率分别达到100%。研究表明,高光谱图像技术可以有效表征渗油醋胶囊表面外渗成分的光谱特征,实现对渗油醋胶囊的快速检测。     

基于Lab颜色空间的棉花覆盖度提取方法研究

基于手持高清可见光图像和无人机可见光遥感影像中植被与非植被像元在不同颜色空间单通道上分布的差异性,以苗期和蕾期的棉花为对象,进行了棉花覆盖度的提取方法研究。基于不同天气状况和不同采集时刻等光照条件下采集的29幅具有不同覆盖度的棉花地面可见光图像,分别对比分析了Lab颜色空间a通道、RGB颜色空间2G-R-B指数和HIS颜色空间H通道对棉花的识别能力,以及使用动态阈值和固定阈值两种情况下的棉花覆盖度提取精度。其中动态阈值通过植被与非植被像元的高斯分布交点确定,固定阈值在3种颜色空间分别设置为动态阈值的均值。结果表明,植被像元与非植被像元在a通道、2G-R-B指数和H通道上呈现高斯分布,可以采用非线性最小二乘算法实现高斯分布拟合。通过高斯分布拟合求解交点得到的动态分类阈值分布范围较为集中,将其均值-3.78、0.06、0.13设定为固定分类阈值。相比于2G-R-B指数和H通道,a通道对绿色植被的识别能力最好,更适合提取棉花植被覆盖度;相比于动态阈值,固定阈值的提取精度更好,平均提取误差为0.009 4。将该方法应用到无人机尺度时,同样可以较好地提取不同天气状况和不同土壤干湿类型的棉花覆盖度,且总体平均提取误差为0.012。经过初步检验和分析认为,基于植被与非植被像元在Lab颜色空间a通道上分布的差异性,结合固定分类阈值,可以精确地提取不同光照条件下的苗期和蕾期棉花覆盖度。     

基于高光谱成像的绿皮马铃薯检测方法

针对任意放置姿态下的轻微绿皮马铃薯难以检测的问题,进行了半透射与反射高光谱成像方式的不同检测方法比较研究,最终确定较优高光谱成像方式的检测方法。分别以半透射与反射高光谱成像方式对图像维提取RGB、HSV和Lab空间颜色信息,并采用等距映射、最大方差展开、拉普拉斯特征映射进行图像信息降维;分别以半透射与反射高光谱成像方式对光谱维提取感兴趣区域的平均光谱数据,并采用局部保持投影、局部切空间排列、局部线性协调进行光谱信息降维;然后分别建立不同高光谱成像方式下的图像与光谱信息的深度信念网络模型;对识别率良好的模型采用多源信息融合技术进一步优化,并建立基于图像和光谱融合或不同成像方式融合的模型。结果表明,基于半透射和反射高光谱的光谱信息融合模型最优,校正集和测试集识别率均达到100%,可实现轻微绿皮马铃薯的无损检测。     

基于KECA+FDA的白酒电子鼻多特征鉴别方法

在引入基于核熵成分分析(KECA)的Fisher判别分析(FDA)方法的基础上,探究了用特征组合表征电子鼻信号时6种白酒的鉴别效果。首先,通过5种单一特征的FDA鉴别分析,筛选出积分值(INV)、相对稳态平均值(AVRS)、小波能量(WEV)3种较优特征,然后通过它们的不同组合鉴别6种白酒,鉴别结果表明,多特征组合优于单特征,且三特征组合时的鉴别正确率最高。最后,在用INV、AVRS、WEV 3种特征值组合表征电子鼻信号的前提下,深入研究了KECA+FDA方法鉴别6种白酒的效果。当选取径向基函数(RBF)作为核函数后,采用基于矩阵最佳相似性的方法优化确定RBF核参数为16.860 8时,三特征组合下测试集的鉴别正确率由FDA的79.92%提高到KECA+FDA的100%。与BP神经网络和支持向量机的鉴别结果对比,KECA+FDA方法更具优势。这说明运用KECA+FDA方法可有效提高电子鼻对6种白酒的鉴别能力。     

基于KECA+FDA的6种白酒电子鼻多特征鉴别方法

在引入基于核熵成分分析(KECA)的Fisher判别分析(FDA)方法的基础上,探究了用特征组合表征电子鼻信号时6种白酒的鉴别效果。首先,通过5种单一特征的FDA鉴别分析筛选出积分值(INV)、相对稳态平均值(AVRS)、小波能量值(WEV)3种较优特征,然后通过它们的不同组合鉴别6种白酒,鉴别结果表明多特征组合优于单特征,且三特征组合时的鉴别正确率最高。最后,在用INV、AVRS、WEV 3种特征值组合表征电子鼻信号的前提下,深入研究了KECA+FDA方法鉴别6种白酒的效果。当选取径向基函数(RBF)作为核函数后,采用基于矩阵最佳相似性的方法优化确定RBF核参数为16.8608时,三特征组合下测试集的鉴别正确率由FDA的79.92%提高到KECA+FDA的100%。同时,与BP神经网络和支持向量机的鉴别结果对比,KECA+FDA方法更具优势。这说明运用KECA+FDA方法可有效提高电子鼻对6种白酒的鉴别能力。     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

RGB与HSI颜色空间下番茄图像分割的对比研究

针对番茄收获机器人视觉系统在自然光照条件下对田间成熟番茄图像进行分割的问题,研究了基于(R-G)色差特征的阈值分割方法和基于HSI颜色空间H色调的统计阈值分割方法,并对其进行了对比分析。在RGB颜色空间,首先提取了RGB彩色图像的R、G分量并做代数减运算得到色差灰度图像RG,然后对该色差灰度图像RG使用Otsu阈值法进行自适应分割;在HIS颜色空间下,统计番茄与叶子的H色调分布差异,然后对H色调灰度图像进行阈值分割。通过大量试验表明:基于(R-G)色差特征的阈值分割方法能够实现自适应阈值处理,能对不同自然光照强度下的生长状态为相互分离的多目标番茄图像进行有效分割;同时,对番茄的成熟度及品种差异也具有很好的鲁棒性,其性能大大优于基于HSI颜色空间H色调的统计阈值分割。     

基于Lab空间和K-Means聚类的叶片分割算法研究

对植物叶片进行分类,在植物种类鉴别研究中有着重要的意义,而在植物叶片分类中,对叶片的准确分割是进行分类的必要前提。为此,对比分析了传统阈值分割中的最大类间方差法和K-Means聚类两种分割算法,实现对叶片的分割,并将RGB空间转换到Lab空间,再利用两种算法分别进行分割。结果表明:传统的阈值分割和K-Means聚类分割无法将目标图像准确地分割出来;在Lab空间对a分量进行阈值分割可以去除阴影部分,但是分割结果为二值图像;而在Lab空间进行K-Means聚类分割,不仅能够有效地消除在拍摄图像过程中产生的阴影部分,而且分割后的图像为彩色图像,对纹理和颜色特征的提取更加方便,提高了分类识别的准确率。     

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。     

基于优化DBSCAN算法的玉米种子纯度识别

为快速有效地识别玉米种子纯度,针对玉米种子图像特征,对玉米种子的图像处理方法和聚类算法进行研究,提出一种基于最远优先遍历的DBSCAN玉米种子纯度识别算法。该方法首先提取玉米种子冠部核心区域的RGB、HIS和Lab种颜色模型特征参数,选取H、S、B作为识别向量;其次通过最远优先遍历算法剔除密度差异特征向量边缘异常散点;最后采用DBSCAN算法进行密度聚类。实验结果表明,该方法玉米纯度识别正确率达93.3%。     

基于色敏传感器结合光谱技术的大米储藏期鉴别

应用色敏传感器阵列(CSA)结合可见/近红外(Vis-NIR)光谱检测技术,对大米储藏时间进行鉴别。大米按不同储藏期(0、1、2、4、6个月)分为5组。色敏传感器由氟硼吡咯类色敏材料制成,与大米挥发性气体发生反应后,分别提取色敏材料的光谱数据。光谱数据经SNV算法预处理后,用Si-PLS算法提取3类光谱数据的最佳光谱区间并合成一个数据集。分别用遗传算法(GA)、无信息变量消除法(UVE)和蚁群算法(ACO)提取光谱变量。并结合主成分分析(PCA)和线性判别分析(LDA)进行模式识别。结果表明,用Si-PLS-UVE提取的光谱变量建立的LDA预测模型正确识别率最高。取主成分数为9时,训练集正确识别率为98%,校正集正确识别率为96%,为大米储藏时间的检测提供了一种可行的方法。     

类球形水果表皮颜色变化校正方法研究

针对类球形水果表面较大的曲率变化会引起表面亮度不均,从而导致水果颜色分级评价中存在误差大、准确率低等问题,提出了二维B样条水果表面亮度不均校正算法。利用该算法分别对原始RGB图像各单通道图像进行亮度校正,然后将校正后的RGB图像转换成HIS颜色空间图像,提取色调H和亮度I分量,通过对比校正前后H和I分量图像像素灰度标准差评价校正效果。对160幅橙图像处理结果表明,校正后的图像在色调和亮度上比原始图像更加均匀,色调H分量和亮度I分量的平均标准差分别仅为原始图像标准差的21.57%和33.94%,色调和亮度均匀性得到了明显的改善。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

龙井茶叶品质的电子鼻检测方法

针对茶叶品质感官审评的不足，采用电子鼻检测手段，对4个不同等级的龙井茶作等级判别。对传感器信号进行多因素方差分析得出：不同容器容积和不同采样时刻对传感器的响应信号有着显著的影响。通过主成分（PCA）、线性判别（LDA）和BP神经网络方法对各茶叶样品进行了分类判别。PCA对于等级差别较近的茶叶区分结果不太理想；而LDA相对于PCA有较好的区分效果；设计BP神经网络拓扑结构为30-12-4，通过对网络进行适当训练，总的测试回判率可达到90％。     

基于色差信息多色彩模型的黄羽鸡快速分割方法

快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。     

基于梯度分布不均匀性的干瘪红枣识别

为了从混合的饱满红枣和干瘪红枣中识别出干瘪红枣,首先分析了颜色空间模型的特性,选择灰度图、RGB颜色空间模型的R分量、L*a*b*颜色空间模型的a*分量,并使用不同的梯度算子作为对比;然后通过形态学运算、逻辑运算去除异常梯度,进行梯度归一化变换;最后采用归一化的梯度直方图作为红枣表面的纹理特征表示方法,并计算其梯度分布不均匀性作为判别准则。利用12通道红枣分选机采集240幅饱满与202幅干瘪红枣图像作为样本图像。实验结果表明,采用简单梯度算子对L*a*b*模型的a*分量提取纹理信息效果最好,误判率为0.83%,正确识别率高达99.01%。     

基于模糊聚类的玉米大斑病害图像的分割技术

通过颜色空间的转换,将RGB颜色空间转化为HSI颜色空间,在色度H空间对玉米大斑病图像进行分割。应用模糊聚类分析的方法,确定了图像分割的阈值。对186幅玉米大斑病图像进行分割试验,分割的准确率为97．8％。分析表明,准确的病害图像分割可以为病害的特征值提取和病害的模式识别做好准备。