基于QPSO聚类算法的图像分割方法

量子粒子群优化算法克服了传统粒子群优化算法中无法保证全局收敛、容易陷入局部最优的缺点,是近年来优化技术领域的一个研究热点。本文结合当前图像分割中常用的K-均值聚类算法中的相关技术,设计了基于QPSO的聚类算法并将其用于图像分割处理问题中。实验结果表明:在图像分割处理中,相对于K-均值聚类算法,QPSO聚类算法不仅不依赖于初始聚类中心的选择,而且还能得到相对于K-均值聚类算法精度更高的聚类中心,其在图像分割中的效果优于通常的K-均值聚类算法。     

紫色土光谱特征及其碱解氮的预测研究

文章分析探索了应用可见近红外光谱技术快速、高效、便捷测定土壤营养参数的可能性。采集蓬莱镇组紫色土样本，比对分析了不同肥力水平、土壤厚度和土壤粒径条件下采集土壤光谱对可见近红外光谱特征的影响，筛选出不同厚度、粒径土壤条件下的碱解氮含量预测模型。研究结果表明，土壤样本厚度为30mm时具有最大的光谱反射率，建立的氮含量预测模型效果最佳，校正集和验证集的相关系数分别为0.84和0.83，均方根误差分别为1.79和1.87。土样粒径在0.25-0.85mm时氮含量的预测效果最佳，校正集和验证集的相关系数均超过0.8，且均方根误差较小；但当土样粒径<0.25mm时，氮含量预测模型效果明显下降。采用20目（<0.85mm）过筛、30mm厚度土壤样本采集可见近红外光谱和偏最小二乘法（PLS）模型预测，可以实现对蓬莱镇组紫色土碱解氮含量的较好光谱预测。     

机器视觉技术的发展及其应用

机器视觉可以理解为基于视觉技术的机器系统或学科。机器视觉是一个不断发展的研究领域,其主要工作是对图像数据进行处理和分析。机器视觉在智能开发系统中起着关键的作用。研究智能开发系统的主要目标就是开发有能力感知,移动,并能进行经验学习的机器。而伴随着图像处理等相关技术的发展,机器视觉该技术也同时处于上升期。本文对机器视觉的主要技术做了简单的介绍,其中主要包括光源、摄像机及图像采集卡、执行机构等,并论述了其主要的应用领域以及存在的一些问题。     

近红外光谱技术在中药领域质量评价中的应用

近红外光谱技术近年来成为发展较快的一门技术,由于其能够快速、简单、无损的对样品进行检测,并且减免样品前处理过程,对环境无污染,能实时检测大量的组分或参数,重现性好,目前已成为人们关注的焦点。综述了近红外光谱技术在各方面尤其是中药领域的最新应用概况。     

下雪天气对图像质量影响的研究

雪天下落的雪花对图像质量产生影响,对关键目标产生遮挡以及模糊作用.通过对雪花成像的表达式进行分析,采取两步法实现雪花去除.先采用暗原色和Guided Filter方法去除雪雾,然后对复原结果采用中值滤波方法进一步去除残余雪线轨迹.实验结果表明,该方法可以有效提高雪天图像的视觉效果.     

浅谈数字图像相关方法及其在材料力学性能测试中的应用

数字图像相关方法由于自身拥有独特的优势而成为当今社会一种新型的非接触式光学测量方法,目前应用于多个专业领域。本文结合数字图像的相关方法及其在材料力学中的应用,来进行深入研究,使人们对其有更深刻的认识。     

利用近红外光谱技术快速分析全株玉米青贮营养成分

研究旨在利用近红外光谱技术(near infrared reflectance spectroscopy,NIRS)建立全株玉米青贮6种营养成分的近红外预测模型,为生产实践中合理利用全株玉米青贮饲料资源提供理论依据。选取玉米青贮样品64份作为定标集,16份作为验证集。利用NIRS结合改良偏最小二乘法(modified partial least squares,MPLS)构建并且验证其建立预测模型的优劣。结果表明:构建的玉米青贮干物质(DM)、粗蛋白(CP)、酸性洗涤纤维(ADF)和粗灰分(Ash)预测模型的交叉验证相关系数(1-VR)分别为0.83、0.80、0.93和0.78,都在0.80左右,可以用于实际预测。粗脂肪(EE)和中性洗涤纤维(NDF)含量预测模型1-VR为0.64和0.40,低于0.80,构建的模型相关性较差,模型还需要进一步优化。     

基于近红外光谱法的紫花苜蓿品质综合评价

探索近红外光谱法测定紫花苜蓿品质的可行性,采用近红外光谱法与常规方法对8个紫花苜蓿品种(系)的粗蛋白、粗脂肪、粗灰分、酸性洗涤纤维、中性洗涤纤维、钙、磷和干物质等8项指标进行测定。利用配对T检验、多重比较和回归分析等方法检验近红外光谱法测定结果的可行性,运用灰色关联度分析对苜蓿品质进行综合评价。结果表明,粗蛋白、粗灰分、中性洗涤纤维、酸性洗涤纤维、磷和干物质等6项指标用近红外光谱法测定可信度较高。紫花苜蓿品质评价指标可简化为粗蛋白、粗灰分、中性洗涤纤维、酸性洗涤纤维和干物质等5项。灰色关联度分析综合表现较好的苜蓿品种(系)有WL358、WL440HQ、WL656HQ和WL366HQ。     

基于高斯自适应拟合的苹果目标分割方法研究

苹果目标的准确识别是苹果机械化采摘需要解决的关键问题之一。为此,基于YUV颜色空间模型,提出了一种结合色差分量与高斯自适应拟合算法的苹果目标分割方法。该方法采用首先将苹果目标由RGB颜色空间转换至YUV颜色空间,并利用色差分量V建立果实与背景分割的高斯分布拟合模型,根据拟合结果自动获取分割阈值,以实现自然场景下苹果目标的准确分割。为了验证文中算法的有效性,利用多幅图像进行了试验并与Otsu自适应阈值分割算法进行了比较。试验结果表明,采用文中算法得到的苹果果实的平均检出率达87.08%,识别率领先Otsu算法9.91%。因此,对于着色度较为均匀的苹果目标,采用高斯自适应拟合方法可以有效提高其识别率。     

基于梨枣轻微损伤的可见/近红外光谱判别研究

利用可见/近红外光谱技术对梨枣轻微损伤的分类判别建模方法进行研究。分别采用PLS-LDA(线性)和LS-SVM(非线性)建立判别模型,分析比较不同预处理方式和建模波段对模型精度的影响。结果表明:经9点平滑预处理后的短波近红外(780~1100nm)PLS-LDA模型判别效果最佳,校正集和预测集的正确识别率分别达到97.8%和96.7%。