首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  免费   2篇
  国内免费   1篇
基础科学   3篇
  1篇
综合类   1篇
  2016年   2篇
  2014年   1篇
  2013年   2篇
排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
为实现香蕉形状的识别,文章提出了一种基于计算机视觉和椭圆傅里叶描述子的形状识别方法。先由专家挑选果指果形为弯、微弯、末端直和直的香蕉共107枚,再获取预处理后图像的边界链码并提取其椭圆傅里叶系数,通过比较原形状和重建形状来选取合适的系数个数,然后用主成分分析对非负系数进行降维,最后进行模糊C均值聚类。研究结果表明,可以将该机器识别方法应用于香蕉形状的识别,为实现香蕉及其深加工产品的增值提供了一种技术手段,并为进一步实现香蕉果把和果穗的形状识别奠定了基础。  相似文献   
2.
生物散斑技术在农产品品质分析中的应用   总被引:3,自引:3,他引:0  
该文综述了生物散斑技术的装置结构、数据处理方法及其在农产品品质检测中的应用进展。生物散斑技术是一种成本较低、快速、无损、实时和可定性/定量的光学无损检测技术,在农产品质量检测的应用中,由于生物散斑活性与农产品的细胞器颗粒大小和细胞质流等生理特征关系密切,因此该技术可用于果皮厚度、成熟度、硬度、酸度、可溶性固形物含量、淀粉含量、水分含量、呼吸速率等理化指标的测量。该文指出今后生物散斑技术的发展需要改进设备,稳定相干光光源,还需要深入研究生物散斑在农产品生理学上的意义,从而实现该技术的标准化和商品化。该文为今后生物散斑技术在农产品品质分析领域的发展提供了一定指导意义。  相似文献   
3.
基于计算机视觉的香蕉贮藏过程中颜色和纹理监测   总被引:2,自引:0,他引:2  
利用计算机视觉技术对香蕉在贮藏过程中颜色和纹理的变化进行研究。以第1阶段的青香蕉为研究对象,在贮藏过程中每天获取其图像,并将图像二值化,以其为模板分别与灰度、R、G和B分量图像点乘进行背景分割,提取彩色分量的均值作为颜色指标;预处理后灰度图像的共生矩阵由不规则的生成方式提取,并获取其纹理二阶矩、对比度和均匀度3个纹理指标。实验结果表明,结合R和G均值的变化曲线可对香蕉在第6阶段之前的表面状况进行描述,采用基于灰度共生矩阵的对比度和均匀度的变化曲线对香蕉在第6阶段之后的表面状况进行描述。  相似文献   
4.
牛肉激光动态散斑活性影响因素研究   总被引:1,自引:0,他引:1       下载免费PDF全文
以时间序列散斑图的惯性力矩作为散斑活性,研究新鲜牛肉图像散斑活性的相关影响因素,以优化激光散斑的测定效果。采用He-Ne激光器照射牛肉表面,通过工业相机获取图像,测得时间序列散斑图的散斑活性值,检测成像时图像的精度差异,研究不同条件下牛肉散斑活性的变化趋势。应用Box-Behnken试验设计,建立光照强度、激光波长和入射角度3个因素的二次多项式回归模型并进行分析。结果表明光照强度、激光波长和入射角度对牛肉散斑活性影响显著,得到牛肉图像散斑活性值最大时的优化测定条件为激光波长635 nm、光照强度30 m W、入射角度15°,在此条件下,散斑图像的散斑活性达到476.04,散斑活性预测模型的决定系数R2为0.992,均方根误差RMSE为8.14,偏差因子(Bf)和准确因子(Af)均在可接受范围内。明确不同因素对新鲜牛肉激光动态散斑图像的影响,可提高激光动态散斑活性的识别精度,为改进牛肉品质的测定方法提供了理论依据。  相似文献   
5.
以时间序列散斑图的惯性力矩表征图像的散斑活性,采用感官评定法、质构剖面分析法(TPA)和WarnerBratzler(W-B)剪切力法分析牛里脊肉的质构特性,研究了不同测定方法的相关性,并建立了散斑活性对里脊肉质构特性的预测模型;同时,针对里脊肉和腱子肉2种部位牛肉间质构特性差异较大,不能用同一模型进行预测的问题,应用斜率/截距法(S/B)和Kennard-Stone(K-S)样本添加法对模型进行改进,选择一种较准确易行的方法,使模型在2部位间得到快速的传递。结果表明,感官评定和TPA测得的硬度和咀嚼性间具有较高的正相关性,相关系数分别达到0.98和0.90,且W-B剪切力法与TPA的硬度决定系数也达到了0.95,证明了3种测定方法的可靠性。通过散斑活性值对质构特性进行预测时,硬度、咀嚼性及W-B剪切力的预测决定系数分别达到了0.83、0.77和0.69。分别用2种方法对模型进行改进,可知采用S/B法时,改进后的里脊肉模型对腱子肉的预测均方根误差RMSE为26.65,准确因子Af和偏差因子Bf分别为1.15和1.08。而采用K-S样本添加法,加入代表性样本数为12时,模型对腱子肉的预测达到较理想水平,RMSE为13.21,Af和Bf分别为1.07和1.02。K-S样本添加法能够在预测过程中更好地降低部位间差异,提高模型对腱子肉的预测精度,且改进效果优于S/B法。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号