X射线图像技术对红毛丹内部品质的检测

研究了利用X射线图像处理及模式识别方法检测红毛丹内部品质——可食率、可溶性固形物含量。首先用阈值分割法去除红毛丹背景，然后用模糊C均值聚类方法来分割果肉区域。红毛丹可食率以分割出的果肉区域像素个数与整个果实区域像素个数之比来表征，实验结果表明，误判率小于10％。红毛丹可溶性固形物含量的X射线图像检测采用纹理特征描述的方法，利用直方图矩特征和支持向量机回归方法预测红毛丹可溶性固形物含量的相关系数最高可达87．2％。     

硬枝碱蓬HPLC指纹图谱建立及模式识别研究

为了对硬枝碱蓬样品质量进行评价,采用高效液相色谱法对9个不同采集地的硬枝碱蓬样品进行测定,建立指纹图谱,并结合中药相似度软件和主成分分析法进行模式识别研究。结果表明,试验确定的最佳条件为:提取溶剂为100%甲醇,用量为15 m L,流速为1.0 m L/min,色谱进样时间为20 min,流动相为甲醇(A)-水(B),采用100%甲醇等度洗脱,检测波长为254 nm。精密度试验、重现性试验、稳定性试验测定结果的相似度均在0.9以上,本研究所建立的基于主成分分析的模式识别方法准确可靠;中药相似度软件能够对不同地点的硬枝碱蓬材料进行区分,不同产地硬枝碱蓬的差异可清晰地显示出来。     

基于电子鼻技术的茶鲜叶农残快速诊断

为建立一套基于电子鼻检测技术的茶叶原料农药残留快速诊断方法,试验以一芽二叶茶树鲜叶为材料,分别喷施菊酯类杀虫剂农药和广谱除草剂类农药,通过电子鼻技术进行传感器优化、各农药PCA模式识别并建立单一农药不同浓度预测模型.(1)试验采用LA分析方法进行分析,确定了最优传感器列阵.(2)采用PCA模式识别对两大类农药进行定性分析,6种农药表现较强区分度;其中杀虫剂类与除草剂类农药组间、除草剂类农药组内差异极显著.(3)通过主成分分析法进行浓度定量分析,采用PLS建立各农药浓度回归预测模型;通过各农药预测与实测浓度值线性拟合加以检验,6种农药的浓度预测值与实测值间相关系数高、估计标准误差较小.通过田间试验检验,电子鼻浓度预测准确率在85％以上,电子鼻技术在茶叶原料农残快速诊断运用中具备较强灵敏度.     

基于灰度截留分割与十色模型的马铃薯表面缺陷检测方法

为探索基于计算机视觉的马铃薯表面缺陷检测新方法,该研究提出能将马铃薯表面疑似缺陷一次性分离出来的快速灰度截留分割方法和用于缺陷识别的十色模型。选择面积比率和十色比率作为缺陷判别特征,对分割出来的深色部位采用阈值法进行缺陷识别。采用基于快速G与亮度截留分割的2种方法对发芽进行识别。通过对326个马铃薯样本的652幅正反面图像进行试验,基于十色模型的缺陷识别方法对分割出来的深色区域的正确识别率为93.6%,基于快速G与亮度截留分割2种方法结合对有芽体图像的正确识别率为97.5%,马铃薯表面缺陷正确检测率为95     

不同产地滇重楼HPLC指纹图谱及化学模式识别研究

 采用高效液相色谱法,建立了滇重楼的HPLC指纹图谱,使用SPSS 170软件对19批不同产地滇重楼根茎样品的HPLC指纹图谱进行了主成分分析,在主成分得分系数矩阵的基础上,对其进行了系统聚类分析;并使用相似度评价软件进行了相似度评价验证。结果表明,19批滇重楼根茎样品共提取出3个主成分,被分为3大类;与共有峰直接聚类相比,主成分—聚类分析更符合相似度评价结果。本研究所建立的模式识别方法,操作简便,统计结果具有可靠性,可对滇重楼化学计量分类及其质量评价提供参考。     

基于支持向量机的干旱预测研究

支持向量机（SVM）是基于统计学习理论的一种智能学习方法,可以用来解决样本空间的高度非线性的模式识别等问题。干旱是气候因子非线性复杂关系相互作用造成水分严重亏缺的一种气候异常反映,本文选择SVM方法,利用8月南方涛动指数、副高强度指数、极涡强度指数等15项因子,基于径向基核函数建立浙江省秋季的干旱预测模型,应用交叉验证方式确定最优模型参数,并进行了预测,对模型的检验结果表明,建立的干旱预测模型能直接对秋季干旱进行预测,并且有较高的准确率,可为气候预测从气候要素预测到气象灾害预测提供一种有效途径。     

基于自适应双阈值的彩色线阵CCD小麦黑胚分割

在粮食质量等级评定中,黑胚粒存在的多少影响小麦的整体等级划分。该文以产自新疆和河南不同品种的710粒有黑胚的小麦、627粒破损小麦和1 167粒正常小麦为研究对象,采用彩色线阵CCD动态获取小麦图像,对原始图像进行多余背景去除、色偏校正、亮度变换以及形态学处理后,再对小麦图像单通道图像进行自适应双阈值分割,能有效的实现对小麦黑胚特征的分割。试验选择三种小麦进行特征提取以及模式识别,得到最佳分辨率分别为95.1%,96.0%和98.3%。结果表明该方法对小麦黑胚的识别具有良好的效果。     

应用遥感数据进行森林模式识别方法试验初探

本文叙述应用Bayes判别进行遥感数据的森林模式识别原理和方法,并进行了小型试验,同时对三种不同处理数据方法的结果进行了比较。试验表明,应用电子计算机对遥感数据进行森林模式识别分类是可行的,方法灵活多样,而且精度可以保证。     

物料分选过程中的模式识别技术与智能化

农产品加工过程中涉及物料分选操作,自动物料分选系统的设计与模式识别与智能化技术相关。该文研究了农产品物料分选过程的基本规律,根据非间歇离散型物料分选过程的时间约束以及物料的固有分类特性呈现不可分离性的特点,提出了时间适应度和特征效率的概念。分选系统的时间适应度应该大于零,特征维数最小化的原则是特征效率从正向逼近于１。介绍了异步多维模式分类器的基本结构和实现方法,根据Ｂａｙｅｓ最小错误分类原则或Ｂａｙｅｓ最小风险分类原则,可通过学习程序实现分类阈值的在线寻优。基于人－机智能综合思想,通过建立内环和外环智能体系来控制分选系统工作,在复杂情况下,外环智能体系可将人类自然智能导入系统帮助工作。上述技术在智能化茶叶分选设备上得到成功应用。     

基于奇异值分解和支持向量机的滚动轴承故障模式识别

提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法。对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键。奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用奇异值分解对其提取状态主特征矢量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态，并且对未知故障有良好的识别能力。与常用的人工神经网络方法相比，该诊断方法具有更好的有效性、鲁棒性和精确性。