基于图像识别技术的南疆红枣品种识别研究

通过Matlab图像处理和识别技术,根据不同品种的红枣的形状特征不同,分别对5种不同品种的红枣进行识别。首先对红枣俯视图像预处理提取红枣的表面轮廓,然后利用轮廓计算矩形度,圆形度,偏心率等7个几何特征和8个图像的不变距。利用PNN和BP神经网络作为分类器,对不同品种的红枣图像进行识别。结果表明,两种神经网络能够对不同品种红枣进行识别,PNN网络的平均识别率为90%,BP网络的平均识别率为80%,PNN神经网络比BP神经网络分类效果好。     

基于神经网络和图像颜色、形状特征的绿色苹果图像分割

图像分割是苹果采摘机器准确识别和定位苹果的关键步骤.本研究首先采用线剖面方法对采集的苹果图像针对颜色特征进行分析,提出了利用颜色特征R-B的色差法对青果期苹果图像进行初步分割.在利用分割后的图像提取图像区域的形状特征(面积、周长、圆形度、离心率等).然后将得到的8个形状特征作为BP神经网络的输入量,随机选取一定数量的样本图像作为BP神经网络的训练样本图像和验证样本图像.样本图像经过BP神经网络训练后,建立了绿色苹果图像的分割模型.通过BP神经网络分割后的苹果图像,果实识别率高达89.3％,分割效果良好.     

基于USB650南疆红枣颜色分级方法的研究

以南疆红枣颜色快速分级为研究对象,采用美国海洋光学USB650红潮光谱仪来测量红枣的颜色特征值,采用红枣颜色按L[微软拥护1]值分级时,一级红枣的L值为30.2~35.4,二级红枣的L值为35.5~39.9,三级红枣的L值为40.0~44.6,按L值分级与人工分级的一致度为93.65%;以红枣的L、a、b值作为特征值,应用BP人工神经网络进行分级,BP人工神经网络分级与人工分级的一致度达到了94.76%。结果表明,以L、a、b三个颜色值分级效果要好于仅以L值分级,BP人工神经网络分级效果优于人工分级,较好地满足红枣颜色分级的需求,对南疆红枣产品的加工、销售具有一定的理论指导和实际应用意义。     

基于BPNN的烤烟褐变程度识别及其分类烟叶质量分析

【目的】建立BP(Back propagation)神经网络(BPNN)自动识别系统，以实现烤烟褐变标准化和量化。【方法】以云烟87上部烟叶为样本，通过扫描获取烟叶颜色等特征信息，建立BP神经网络烤烟褐变程度识别模型，输出判别结果，以人工判别烤烟褐变结果为参考，进行相似度比较。通过外观质量、常规化学成分、多酚含量、TSNAs含量和感官质量变化分析比对，验证BP神经网络自动识别系统和人工识别结果的精准度。【结果】建立的BP神经网络模型能够精准识别烟叶褐化等级，其识别准确率为98.75%,分级烟叶外观质量、常规化学成分、多酚含量、TSNAs含量和感官质量变化与人工识别基本一致，两种识别模式无显著性差异(P<0.05),为杂色烟分级提供了客观评价方法，能有效区分不同褐变程度烟叶的可用性。【结论】BP神经网络识别系统对烟叶褐变程度鉴别精准度与人工识别接近，可以利用BP神经网络自动识别系统替代人工识别。     

基于BP神经网络的水果分级研究

文章介绍了一种基于BP神经网络的水果分级方法。采用数字图像处理的方法对图像进行预处理,选择水果表面颜色的均值和方差来表示水果的颜色特征,采用一个与水果目标具有同样二阶矩的椭圆来近似表示水果的形状,简化了果形描述的复杂程度。通过RP算法训练,可以得到一个具有9个隐层神经元的BP神经网络结构参数。试验表明:采用该模型对水果等级进行分级,平均正确率为92.5%,分级一个水果的时间为10.3 ms。说明采用BP神经网络技术可实现对水果等级的自动判定,该方法具有正确率高、实时性好的特点。     

基于K-means聚类+灰色理论+BP神经网络的区域天然气长期需求预测

【目的】不同区域影响天然气需求量的因素存在差异,数据集包含的数据特征也不尽相同,同时天然气长期需求预测存在样本数据少的问题,因此较难构建各区域通用的需求预测模型。【方法】选取山东省11个地级市为研究对象,根据天然气年度消费量、GDP、人口等影响天然气需求量的主要因素,将多个地区、多时间跨度的数据作为总样本库,使用皮尔逊相关系数对样本特征进行初筛,利用K-means聚类算法对各样本数据进行聚类,选取能源消费结构相似的3个样本点,并将样本点对应的下一时间点的天然气需求量作为数据样本的新特征;同时,将灰色理论预测输出结果作为BP神经网络的输入样本,基于新的样本数据特征与BP神经网络构建组合预测模型。【结果】基于K-means聚类+灰色理论+BP神经网络的预测方法有效利用了相似能源结构的城市天然气历史需求量,并结合灰色理论预测模型在小样本数据上鲁棒性高的优点,预测得到山东省11个地级市天然气长期需求预测的平均绝对百分比误差为0.57%～6.41%。与传统的灰色理论预测模型、BP神经网络模型、K-means聚类+BP神经网络相比,新预测方法在模型误差、预测结果的稳定性方面均有明显改进。【结论】新...     

基于图像处理的红枣分级检测方法设计

为提高红枣分级速度和分级检测的精度,实现无损分级的效率最大化,按照分级要求对红枣的大小、形状、颜色、表面褶皱程度及外轮廓等进行检测。采用图像预处理算法对红枣图像进行平滑去噪、图像增强,多种检测算法比较后采用自适应Canny算法对红枣图像进行外轮廓边缘检测,拟采用傅里叶算法对红枣的尺寸进行计算,由极半径函数确定红枣的形心位置坐标,配合Euclidean算法检测红枣距离尺寸,对干枣、鲜枣以及大小形状不规则的红枣混装进行分级处理。对若干大小、形状等特征不同的红枣进行分级检测试验,结果表明在提高红枣检测速度的同时准确率均在90%以上,具有较好的鲁棒性和准确率,在红枣分级要求精度较高的情况下,减少了整体运行时间,满足红枣分级的实际要求。     

基于贝叶斯正则化BP神经网络的日光温室温度预测模型

针对日光温室温度预测模型中输入因子间存在复杂的耦合关系以及输入因子过多而导致神经网络结构规模过大等问题,选用影响日光温室温度的环境因子组成数据样本,对数据样本进行主成分分析。提取出影响日光温室内温度的前3个成分作为BP神经网络模型的输入变量,采用贝叶斯正则化算法对BP神经网络进行改进。结果表明,该方法改进的BP神经网络模型得到简化,拟合曲线光滑,具有较好的泛化能力和网络推广能力。     

灰色理论与BP神经网络耦合的粮食产量预报

以河南省为例,选取影响粮食产量的8个农业生产条件为指标,以2000~2007年8个序列的数据分别建立新陈代谢GM(1,1)模型,得到一系列预测值。将8个指标1990年至2007年的原始数据作为BP神经网络的输入样本,粮食产量实际值作为输出样本,然后对网络进行训练,构建了BP神经网络。再将各新陈代谢GM(1,1)模型得到的8个农业生产条件的预测值作为BP神经网络的输入,得到的输出即为最终预测值。仿真实验表明,用灰色理论与神经网络耦合模型研究河南粮食产量的拟合精度和预测准确度都比较理想。     

基于神经网络的管道沿线土壤腐蚀态势评价

利用神经网络极强的非线性逼近特点,采用神经网络评价管道土壤腐蚀态势。介绍了基于BP神经网络的管道土壤腐蚀态势评价模型建立的方法和过程,在实例计算中考虑土壤pH值、土壤电阻率、土壤氧化还原电位和电解失重四个主要因素,选取9个学习样本对BP神经网络进行训练,分别用训练好的BP神经网络和模糊综合评价对现场管道6个实测点进行腐蚀态势评价,结果表明,两种方法得到的评价结果完全一致,该方法可以用于对管道沿线土壤腐蚀态势的评价。     

基于计算机视觉的红枣叶片病害严重度估测方法

对红枣叶片病害严重度的精准评估是采取有效防治的关键,而传统的评估方法费时费力。该研究以病斑严重度不同导致的颜色特征差异为依据,提出了一种基于计算机视觉的红枣叶片病害严重度估测方法。对叶片病斑图像预处理后,提取基于R、G、B颜色空间的8个特征向量作为模型的输入变量,以正常、轻微、一般和严重作为模型的输出,利用GA-BP神经网络建立了红枣叶片病害严重度的估测模型。实验结果表明,模型可实现对红枣叶片病害严重度的快速识别,识别精度达到了87%以上。     

基于卷积神经网络干制哈密大枣纹理分级

【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。     

基于纹理南疆红枣外观品质应用研究

红枣分级技术主要依靠人工分级,造成了生产效率低下,分级精度低。随着无损检测技术发展,利用计算机技术实现红枣的自动分级,已成为较优的红枣分级方法。以南疆红枣外部品质特征为研究对象,应用MATLAB的数字图像处理技术,寻求红枣外部品质特征参数的采集以及分级方法。采用灰度化对红枣图像作预处理以及图像的特征提取,结果表明,该方法可以实现红枣外部特征参数的采集,进而实现南疆红枣的纹理分级,具有实际应用价值,且对今后逐步实现基于机器视觉的红枣外观品质综合分级研究具有指导意义。     

基于等效椭圆和BP神经网络的马铃薯形状分类研究

根据国家马铃薯分级标准的要求,提出了一种基于区域的等效椭圆和BP神经网络相结合的马铃薯形状分类方法.首先运用等效椭圆来提取一组特征参数R和C,然后将这些特征参数输入到已训练好的BP神经网络完成对马铃薯的形状分类.结果表明:该方法选用的特征参数少,能较为有效的描述马铃薯的形状,分级结果准确率达94.7%,与人工分级的一致...     

基于贝叶斯正则化BP网络的粮虫分类识别研究

以粮虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现分类识别的方法。首先对4类常见粮虫进行图像采集、预处理及特征提取,然后将提取到的9个形态学特征参数作为神经网络的输入参数,对应的粮虫类别代号作为输出参数,建立BP神经网络,并在网络学习过程中采用贝叶斯正则化优化算法对其进行改进。最后通过仿真试验表明:该方法在粮虫识别算法中收敛速度快,预测精度高,稳定性好,泛化能力优,从而证实了该方法在实际应用中的可行性。     

基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究

传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。     

基于多特征融合与机器学习的鱼类摄食行为的检测

针对目前检测方法特征单一、样本数量少和鲁棒性低等问题,提出了一种基于多特征融合与机器学习的鱼类摄食行为的检测方法:利用图像处理技术提取鱼群摄食图像的颜色、形状和纹理特征,并对其进行归一化和特征融合处理,通过构建3层的BP神经网络对鱼群摄食行为进行检测。与SVM和KNN检测效果进行对比,BP神经网络的效果最好,精度可达97.1%。与传统的基于单一纹理特征方法相比,在保证时效性和增强鲁棒性的同时,准确率提高了4.1%。     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23