排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
基于机器视觉的核桃仁特征提取与分级方法研究 总被引:1,自引:0,他引:1
基于机器视觉技术研究出一种适合新疆核桃仁分级特征提取与分级的方法。该方法利用已经完成图像预处理的实时采集的样品核桃图像,运用OpenCV完成从RGB到HSV的颜色空间转换,提取核桃仁颜色和完整度特征,建立原始特征矩阵特征,利用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,最后通过对支持向量机、决策树和朴素贝叶斯3种机器学习算法进行模型训练和测试,得出最佳分级方法。结果表明,在使用特征bin19、K_1和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大,为97.33%。故得出基于机器视觉研究出的核桃仁特征提取与分级方法可以完成对核桃颜色和完整度的分级任务的结论。 相似文献
5.
4U-1600型集堆式马铃薯挖掘机设计与试验 总被引:2,自引:0,他引:2
针对传统一级升运链马铃薯挖掘机土薯分离效果差、人工捡拾铺条劳动强度大的作业难题,设计了4U-1600型集堆式马铃薯挖掘机。对挖掘机阶梯挖掘铲、两级升运链式土薯分离输送装置及液压开启式集薯箱等关键部件进行设计与选型,并完成其关键参数的计算确定。以样机前进速度、一级土薯分离装置线速度和二级土薯分离升运装置线速度为自变量,以明薯率和伤薯率为响应值,依照Box-Behnken试验设计原理,采用三因素三水平响应面分析方法,分别建立了各因素与明薯率、伤薯率之间的数学模型,并对各因素及其交互作用进行分析。试验结果表明,对明薯率影响的主次顺序依次为二级土薯分离升运装置线速度、样机前进速度和一级土薯分离装置线速度,对伤薯率影响的主次顺序依次为一级土薯分离装置线速度、二级土薯分离升运装置线速度和样机前进速度;马铃薯挖掘机最佳工作参数为:样机前进速度1. 50 m/s、一级土薯分离装置线速度1. 37 m/s、二级土薯分离升运装置线速度0. 89 m/s。验证试验表明,4U-1600型集堆式马铃薯挖掘机作业后,明薯率为95. 11%、伤薯率为3. 36%,性能试验指标均达到国家行业标准要求,表明在优化工作参数条件下该作业机能够提升马铃薯机械化收获质量。 相似文献
6.
马铃薯分选机的设计 总被引:2,自引:0,他引:2
【目的】针对目前国内存在的人工分选马铃薯费时费工、效率低等问题,依据马铃薯的物理特性和分级要求,设计了一种简便实用的马铃薯分选机.【方法】采用可调辊式分级方法,设计二级分选装置,通过调节辊杆之间的间距来进行马铃薯的分级,该机主要由装料装置、一级分选装置、二级分选装置、传动系统、接料装置以及机架等部分组成,结构紧凑.运用Solidworks软件绘制了三维模型.【结果】采用辊杆式分级方法,可实际按照尺寸大小将薯块分成大、中、小三级,实现马铃薯的分级分选.【结论】本分选机简便实用,相比传统人工分选,省时省工,减少了劳动强度,提高了工作效率. 相似文献
7.
8.
基于机器视觉的核桃仁动态分级研究 总被引:1,自引:0,他引:1
【目的】基于机器视觉技术研究出一种适合新疆核桃仁动态分级处理的方法。【方法】利用实时采集且已经完成图像预处理的样品核桃图像得到核桃仁特征集合,运用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,通过对支持向量机、决策树和朴素贝叶斯三种机器学习算法进行模型训练和测试,得出最佳分级方法,设计核桃仁自动追踪方法和动态分级流程,构建的核桃仁自动分级系统。【结果】在使用特征bin19、K1和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大为97.33%,在动态条件下运用构建的核桃仁自动分级系统对150个核桃仁进行分级测试,正确率为81.33%。【结论】基于机器视觉研究出的核桃仁特征提取与分级方法、核桃仁动态分级处理动作方法,可以有效完成对核桃颜色和完整度的分级。 相似文献
9.
为了实现对籽棉含水率的快速、无损检测,该研究采用傅里叶变换近红外光谱技术建立籽棉含水率定量检测模型。首先探究了籽棉样本密度对于光谱曲线的影响,该研究发现样本密度大小对光谱曲线影响显著,密度越小光谱信号越强,当样品密度不低于0.0886 g/cm3时,光谱曲线变化趋于平稳。通过采集籽棉样本在3900~11000 cm-1波数范围的吸光度光谱数据,并应用了9种预处理方法对原始光谱数据进行处理。发现一阶导数结合消除趋势(first derivative- detrending,FD-DT)预处理方法在偏最小二乘回归(partial least squares regression,PLSR)模型建立时表现最佳。使用了竞争自适应重复加权法(competitive adaptive reweighted sampling,CARS)、信息增益法(information gain,IG)、连续投影法(successive projections algorithm,SPA)和相关系数(correlation coefficient,CC)等算法,来获取最佳的特征波长。构建PLSR和支持向量机(support vector machine,SVM)的籽棉水分含量预测模型,比较不同分析算法,确定了FD-DT-CARS-PLSR和FD-DT-CARS-SVM两种算法组合作为最佳预测模型,预测集决定系数(R2P)分别为0.933和0.931,预测集均方根误差(root mean square error,RMSE)分别为0.480和0.500,剩余预测偏差(residual prediction deviation,RPD)分别为3.88和3.85。研究结果表明,利用近红外光谱技术可以无损和准确地检测籽棉样本的含水率。 相似文献
1