基于图像处理的烘烤过程中烟叶含水量检测

【目的】量化烘烤过程中烟叶形态变化的数值特征指标,实现烘烤过程烟叶水分含量的无损检测。【方法】以密集烤房中不同烘烤阶段的烟叶为研究对象,先利用图像处理技术提取鲜烟叶及烘烤过程中烟叶图像的颜色特征（红分量（R）、绿分量（G）、蓝分量(B)）及纹理特征(纹理能量、纹理熵、纹理惯性、相关度),以其为输入指标,分别建立烘烤过程中烟叶含水量的BP神经网络模型和基于遗传算法的最小二乘支持向量机预测模型。用建立的2个模型对烘烤过程中烟叶含水量进行预测,并比较其预测精度。【结果】烟叶图像颜色特征R、G、B分量表现出变黄期剧烈上升,定色前期缓慢上升并达到最大值,定色后期至烘烤结束逐渐下降的变化趋势;纹理能量和相关度呈现出变黄前期减小,变黄后期增大,定色及干筋期逐渐减小的趋势;纹理熵、纹理惯性表现出变黄前期增大,变黄后期减小,定色及干筋期逐渐增大的趋势。以烟叶颜色和纹理特征值作为输入变量,建立了烘烤过程中烟叶含水量的BP神经网络预测模型和基于遗传算法的最小二乘支持向量机预测模型,其预测平均绝对误差分别为0.037 4和0.017 0,预测误差标准差分别为0.048 5和0.020 0,前者预测精度略低于后者,但2个模型均可以满足烘烤过程中烟叶水分含量实时检测的需要。【结论】图像处理技术可以精确量化烘烤过程中烟叶的形态特征变化;利用建立的BP神经网络模型和基于遗传算法的最小二乘支持向量机模型可以实现对烟叶含水量的精确估测。     

基于BP和Adaboost-BP神经网络的 羊肉新鲜度高光谱定性分析

【目的】 实现对羊肉新鲜度的快速准确鉴别。【方法】 研究通过对460~1 000 nm的羊肉高光谱图像纯肌肉部分提取光谱数据,以挥发性盐基氮(TVB-N)值对新鲜度等级进行划分,对预处理后的光谱数据分别采用连续投影算法(SPA)、主成分分析(PCA)两种压缩降维方法和反向传播(BP)神经网络、自适应提升BP(Adaboost-BP)神经网络两种建模方法开展羊肉新鲜度的分类比较。【结果】 其中采用SPA、PCA建立的BP模型校正集与预测集准确率均为100%、83.33%,建立的Adaboost-BP模型校正集与预测集准确率均为100%、94.44%,两种压缩降维方法下Adaboost-BP模型效果均优于BP模型。【结论】 利用高光谱图像技术结合Adaboost-BP方法对羊肉新鲜度等级进行分类判别是可行的。     

运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型

以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。     

基于高光谱成像技术识别苹果轻微损伤的有效波段研究

为了筛选出适用于开发苹果轻微损伤自动分级仪器的有效波段,以200个烟台富士苹果为对象进行研究。首先获取400～1 000 nm波长范围内完好和轻微损伤后0、0.5、1 h的苹果高光谱图像,然后提取完好与损伤样本感兴趣区域的平均光谱反射率数据,再利用载荷系数法（x LW）、连续投影法（SPA）和二阶导数（second derivative）法提取特征波长,分别提取3、9和20个特征波长,并根据特征波长建立基于遗传算法优化的BP神经网络（GA BP）和支持向量机（SVM）损伤识别模型。结果显示,三种基于特征波长提取方法建立的SVM模型对测试集的识别率（分别为77.50%、91.88%、96.88%）均高于BP GA模型（分别为75.63%、90.63%、93.75%）,因此,SVM被确定为最佳苹果轻微损伤识别模型。最后,利用每一特征波长分别作为变量建立SVM模型。结果发现,波段811 nm识别率达到90.63%,优于其他波段,被确定为苹果轻微损伤识别的最优波段。     

基于高光谱成像技术的鲜烟叶叶位识别方法

为实现鲜烟叶叶位的快速无损识别,以不同着生部位烟叶为研究对象,应用高光谱成像技术,构建基于特征光谱的鲜烟叶叶位判别模型。首先,利用标准正态变换（SNV）、二阶导数（2ND）、SavitzkyGolay卷积平滑（SG）和多元散射校正（MSC）4种光谱预处理方法对烟叶原始高光谱数据进行处理,然后采用预处理后的全波段光谱数据和特征波段光谱数据,构建基于支持向量机（SVM）、偏最小二乘判别分析（PLS-DA）和反向传播神经网络（BPNN）的鲜烟叶叶位识别模型。结果表明：采用SG滤波预处理和BPNN所构建的模型识别效果最好,训练集和预测集的预测准确率分别为91.15%和90.63%。此外,利用竞争性自适应重加权算法（CARS）所筛选的特征波长所建立的BPNN模型最优,训练集和预测集的预测准确率达到了93.23%和92.19%。表明利用高光谱成像技术判别鲜烟叶所属部位是可行的,可以实现鲜烟叶所属部位快速、无损检测。     

基于多光谱成像技术的牛肉干水分含量快速无损检测研究

基于多光谱成像技术对牛肉干中水分含量的快速无损检测方法进行研究,通过对比最小二乘回归(PLS)、最小二乘支持向量机(LS-SVM)和误差反向传播神经网络(BPNN)所建预测模型的性能,发现BPNN模型对牛肉干水分含量预测效果最佳,其确定系数(Rp2)、预测集均方根误差(RMSEP)和剩余预测偏差(RPD)分别为0.941、3.602％和4.142.结果表明,光谱吸收度是检测牛肉干水分含量的重要特征,BPNN结合多光谱建立的预测模型精度较高,鲁棒性较好,在牛肉干水分的实时无损检测中具有良好的应用前景.     

支持向量机和BP神经网络在可见-近红外光谱检测药品中的比较与应用

通过药品的可见-近红外光谱数据,提出基于支持向量机(SVM)和BP神经网络来定量分析药品中组分含量的检测方法,建立相应的药品组分含量的预测模型。以2002年国际扩散反射会议(IDCR)发布的可见-近红外药片数据集为研究对象进行分析研究。结果表明:SVM法所建模型的预测精度明显高于BP神经网络模型,可以较好地应用于可见-近红外光谱检测药品,为药品检测提供了一种准确、有效的方法。     

京津冀农产品冷链物流需求影响因素及预测模型研究

采用定性分析和定量统计相结合的方法研究农产品冷链物流需求的影响因素,并在此基础上分别建立基于灰色模型、支持向量机、BP神经网络、RBF神经网络、遗传神经网络的农产品冷链物流需求预测模型。通过研究模型对变量之间相关关系的刻画能力及预测精度两方面因素,发现五类模型分析农产品冷链物流需求问题的能力排序为:遗传神经网络模型RBF神经网络模型BP神经网络模型支持向量机模型灰色模型,这一结果表明遗传神经网络用于农产品冷链物流需求分析具有优越性。     

基于BP神经网络的苹果高光谱图像糖度定量分析

使用高光谱成像技术在主成分空间的距离作为样本相似性的判断依据,选择出训练子集,实现了一种基于主成分空间样品光谱特征分类的局部建模方法,并将这种方法与BP神经网络结合,用于苹果糖度的高光谱图像技术的定量分析,增强了检测效果。该方法首先提取高光谱图像的光谱信息并划分为训练集、验证集和测试集,对训练集的光谱进行主成分分析;然后在主成分空间根据欧氏距离和马氏距离选择训练子集,并建立基于BP神经网络的局部回归模型对验证集进行预测;使用全光谱+BP神经网络、全光谱+PCA+BP神经网络、欧氏距离+PCA+BP神经网络和马氏距离+PCA+BP神经网络,选取出的训练子集建立的模型对验证集糖度进行预测。结果表明,与全光谱相比,局部变量建模相关系数r提高,RMSEP降低,提高了检测效果;局部变量建模中,马氏距离+PCA+BP神经网络建立的局部预测模型预测能力更强。将这种建模方法应用于测试集的糖度预测,均方根误差为0.106 61,相关系数r为0.890 81,可以较好的实现苹果中糖度含量高光谱定量分析。因此马氏距离+PCA+BP神经网络模型有望成为一种有潜力的苹果糖度检测方法,对提高模型的精度有重要的意义...     

基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取

目的 结合传统与现代农业病虫害监测的优缺点,探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像,经过光谱预处理和特征工程后,采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合,基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法,建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve,AUC)分别为0.883 0和0.912 0,分类准确率均超过95%;提取出698和762 nm的特征波长组合,基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率,证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。     

基于机器视觉的烤烟烟叶部位的智能识别

采集烤烟不同叶位烟叶图像并进行预处理，提取烟叶叶长、叶宽、面积、周长和最小外接矩形面积5个叶片绝对形态特征参数，计算狭长度、矩形度、圆形度、叶宽最大处占比、叶宽轴与质心夹角5个相对形态特征；通过主成分分析筛选出特征向量，构建基于K近邻算法(KNN)、逻辑回归(LR)、基于线性核函数和径向基核函数的支持向量机(SVM)和BP神经网络的烟叶部位识别模型，并对比5种模型的识别效果。结果表明：基于图像轮廓特征所提取的形态特征参数可以较为有效地反映烤烟部位特征；5种识别模型中，基于BP神经网络模型的识别效果最好，识别准确度为93.75%，训练集和测试集的模型决定系数均高于90%。     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。对灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘支持向量机预测的最大误差7．12％,平均误差4．81％。最小二乘支持向量机模型有较高的预测精度和良好的推广能力,可做为灌区粮食产量预测的一种新方法。     

基于BP神经网络的柑橘农药残留预测

基于BP神经网络算法,采用主成分分析法得到农药相对分子质量、气温、降水量、pH、CEC、有机质、施药浓度、采收间隔期是影响农药残留量的主要因素,并将其作为输入变量,初步构建柑橘农药残留预测模型。结果表明：经160组样本数据模型训练和测试,预测相对误差为0.92%～18.93%,平均为7.42%,绝对误差为0.001～0.153 mg/kg;BP神经网络预测模型的决定系数为0.962 05。可见,面对复杂的自然环境及柑橘种质性状,基于BP神经网络的柑橘农药残留预测系统对柑橘上多种农药的残留显示出较高的预测精度,说明将机器学习算法用于柑橘的农药残留检测是可行的。     

基于支持向量机的科技图书市场预测

对灰色、神经网络和支持向量机的三个预测模型进行研究，以某某类科技图书1993-2000年的年发行量为例，对科技图书市场进行预测，经过比较，支持向量机的预测方法精度较高。本方法可推广应用于其他类图书市场的预测。     

基于BP神经网络算法的红枣分级技术应用

分别从几何形状特征、颜色特征及纹理特征三方面入手,并对所有特征进行优化选择,最终得到3个表征红枣特性的特征量;建立红枣样本数据库,以BP神经网络为模型,设计合理的BP神经网络训练和测试方法,对红枣进行分级研究,通过不同样本条件下的实验测试,可以得到高达94%的红枣等级划分正确率,能较好地满足红枣分级的需求,对红枣产品的生产、销售均具有一定的理论和实际意义。     

基于Gabor滤波与Tamura纹理特征的板材分类研究

板材表面的纹理特征是木质板材表面最为直观的特性,同时也是建筑装潢质量和木制品品质的重要评价指标。以中国东北部常见的红松、落叶松、白桦、水曲柳和柞木等5种树种的弦切、径切图像作为研究对象,提出一种基于多通道Gabor滤波和Tamura纹理特征的板材纹理特征提取方法,克服了传统方法在提取样本图像的全局特征时对局部纹理特征不敏感的问题。具体是将基于视觉心理学的Tamura纹理特征与Gabor滤波器进行结合,在不同频率、不同方向上共24组滤波器的虚部卷积图像上进行纹理特征参数提取,结合上述的纹理特征参数在BP神经网络、KNN和支持向量机分类器上进行分类试验,最佳特征参数体系的识别率达97.8%。     

农作物虫情的模糊神经网络预测模型

利用BP神经网络建立的农作物虫情预测模型,其算法存在收敛速度慢、网络泛化能力差等缺点,可影响预测精度。为进一步提高预测精度,将人工神经网络与模糊系统结合,建立基于模糊神经网络的农作物虫情预测模型;并将该模型与基于BP神经网络算法的预测模型进行比较。结果表明,模糊神经网络的预测模型预测精确度比较高,训练速度比较快;该模型给农作物虫情预测提供了一种新方法。     

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%。