用人工神经网络进行果实颜色分级技术研究

以计算机视觉自动检测果实表面羊色度并进行分级为目的,在分析果实表面颜色色相分布特性的基础上,提出将果实色相分布曲线作为模式处理,用人工神经网络进行果实表现颜色分级。结果表明,人工神经网络分级与人工分级的一致度在９４％以上。     

人工神经网络在农产品品质检测、分级中的应用

人工神经网络方法可对农产品进行客观、准确、快速、全面的检测分级,显示了巨大的潜力,并正以很快的速度与生产实际相结合。本文对人工神经网络方法在彩色图像分割和边缘检测、农产品品质检测(果实颜色识别、果形识别、分级)、农产品品质及其变化预测等领域的应用进行了介绍。     

基于Bayes的竹片颜色检测分级方法

为了采用机器视觉对竹片自动识别与颜色分选,研究了一种基于竹片图像颜色特征与纹路特征和Bayes分类器的颜色分类方法.首先,对灰度图像采用Canny算子进行边缘检测,再利用Hough变换对竹片进行边缘定位,并对倾斜竹片实施旋转校正,以确定待检测竹片在图像中的具体位置.根据竹片的位置提取竹片区域平均颜色特征及纹路特征,将其作为样本的属性特征,采用Bayes训练的颜色等级作为输出,建立特征参数与颜色等级之间的Bayes分类器,上位机获得分级信号后经串口通过下位机实现竹片的自动分级.试验结果表明,该方法对竹片颜色检测准确率达到91.7%,可为竹制品行业的竹片颜色自动在线检测提供理论依据.     

基于遗传神经网络的苹果综合分级系统

充分利用计算机视觉和人工神经网络技术 ,建立了一个苹果综合外观品质检测与分级系统 ,实现了对苹果的正确分级 ,正确识别率可达 90 .8%。还借助于遗传算法对 BP网络进行设计 ,提高了其学习速度。     

基于颜色特征进行农作物图像分类识别的应用研究综述

利用农作物自身的特征对农作物图像进行分类识别是计算机视觉技术在农业自动化应用中的重要前提条件。本文首先探讨了基于颜色特征的两种图像分类识别方法：统计直方图法和颜色参量的统计特征法，并分析比较了两类方法的特点，试图为以农作物颜色为特征的图像分类识别应用提供思路。最后综述了从分析农作物外在的颜色特征进行农作物图像分类识别的国内外最新研究方法和成果，以促进计算机视觉技术在我国农业领域的应用和发展。     

CIEDE2000色差公式在猪肉颜色分级中的应用

猪肉的变质程度与颜色的变化呈现密切的关系。由于计算机视觉不受人的生理和心理因素影响,评价标准客观和稳定,为此,建立了用于颜色量化的计算机视觉系统,对猪肉的颜色和色差进行采集、处理、显示和评价。由于CIELab色差公式存在不足之处,而CIEDE2000色差公式在理论上是目前和人的视觉最能够相匹配的公式,因此应用CIEDE2000色差公式对肉样进行分级。     

番茄果实颜色相关基因的研究进展

就影响番茄果实颜色的基因进行了综述,重点探讨了番茄果实颜色的形成、相关基因的功能以及分子标记的研究和转基因研究。     

颜色模型在农产品颜色检测与分级中的应用

机器视觉技术在农产品颜色检测与分级中有着广泛的应用前景.本文介绍了几种常用的颜色模型及其在农产品缺陷、色泽及成熟度检测中的应用,并指出了需进一步研究与探索的方向.     

不同颜色和果实对桔小实蝇的诱集效果研究

研究了桔小实蝇成虫对不同颜色和不同寄主果实挥发物质的趋性.红、黄、蓝、绿和紫5种颜色中,桔小实蝇成虫对紫色有较强的趋性,对蓝色趋性最弱.在供试的8种果实材料中,杨桃、番茄和番荔枝果肉对桔小实蝇成虫表现出较好的诱集效果.     

鸭蛋大小及蛋心颜色自动分级系统软件研制

用VC 6 .0编制的鸭蛋大小及蛋心颜色自动分级系统软件由初始化模块、启动停止模块、图像采集模块、图像处理模块、信号I O模块及系统日志模块组成。初始化模块完成图像采集卡和数字量I O卡的初始化 ;启动停止模块建立和消亡用于监控光室状况和进行图像处理与分析的线程 ;信号I O模块将获得的分级信号送到分级执行机构 ,同时也将鸭蛋到达光室信号反馈至计算机 ;图像采集模块将CCD摄取的鸭蛋图像由图像采集卡采集到主机内存中 ;图像处理模块对主机内存中的图像进行分析后得出分级信息 ;系统日志模块记录系统的启动运行情况和当前系统检测鸭蛋的数量。系统软件运行试验结果表明 ,软件工作稳定可靠 ,大小分级误差± 3g ,颜色分级准确度达 90 %以上     

利用人工神经网络判别陶瓷原料种类

利用三层 BP人工神经网络 ,对陶瓷原料进行模式识别 .以原料特征参数作为判别指标 ,由训练样本集得到最佳网络参数 ,然后对待测样本的种类进行预测 .研究结果表明 ,人工神经网络用于陶瓷原料的模式识别 ,其结果和实际一致 .该方法有助于配方中陶瓷原料的选择 ,值得推广     

人工神经网络在杉木产区划分中的应用研究

本文运用人工神经网络理论，对福建省的杉木产区划分进行研究．用具有S－型特征函数的B－P网络对每一产区的标准样本进行训练，由训练结束后的权植及其待测报样本的因子测值，计算出网络输出值，作出杉木产区分类预报．研究结果表明：人工神经网络用于杉木产区的划分具有科学性、可行性和实用性。     

鸡蛋新鲜度神经网络检测系统的研究

鸡蛋内部颜色信息（H、I、S）的变化表征蛋的新鲜度等内部品质的变化。用计算机视觉装置获取鸡蛋颜色参数（H、I、S）,通过试验获得鸡蛋的新鲜度大小（哈夫值）,用它们作为样本数据建立BP神经网络模型,获取鸡蛋新鲜度与其图像颜色参数之间的最优关系,达到自动检测鸡蛋新鲜度。经检验,系统正确识别率为90．8％。     

Automatic Identification of Tomato Maturation Using Multilayer Feed Forward Neural Network with Genetic Algorithms （GA）

We set up computer vision system for tomato images. By using this system, the RGB value of tomato image was converted into HIS value whose H was used to acquire the color character of the surface of tomato. To use multilayer feed forward neural network with GA can finish automatic identification of tomato maturation. The results of experiment showed that the accuracy was up to 94%.     

基于计算机视觉和神经网络的芒果外观等级分类研究

针对目前对芒果外观品质分级还是采取人工分级的不足,提出了一种基于计算机视觉和BP神经网络的芒果外观等级分类方法。首先,通过计算机视觉技术获取芒果图像,并利用基本的图像处理方法对芒果图像进行预处理。其次,根据芒果外观特征对芒果外观等级分类的影响,选择芒果的小波特征、缺陷面积所占百分比、颜色H分量值、芒果横径和果形指数等特征作为芒果外观等级分类的特征参数。最后,将提取的8个特征参数作为BP神经网络的输入,以芒果的3个等级分类为输出,建立芒果外观等级分类的神经网络模型,实现了芒果的外观等级分类。试验结果表明了该方法的有效性,识别率达93.3%。     

基于BP神经网络模型的果实蝇自动分类系统

果实蝇属昆虫危害水果和蔬菜,造成产量下降,影响对外贸易,对其识别是检疫工作中的重要部分,现有的人工辨识方法受时间、知识等因素影响不能准确、有效辨识。提出了一种基于BP神经网络模型的果实蝇分类方法,采用几何形态测量学中的标记点法对果蝇翅进行特征提取,通过方差分析确定了用于果蝇鉴定的11个主特征,建立3层BP神经网络模型,结合Levenberg-Marquardt BP训练函数对数据集进行训练,得到完整的可用于果实蝇分类的BP神经网络。实验表明,该方法能够对实蝇进行有效的辨识,对桔小实蝇、瓜实蝇、具条实蝇和南亚果实蝇等高风险果实蝇辨识的准确率分别是90.0%、93.3%、90.0%和96.7%,总体准确率为92.5%,具有良好的应用前景。     

一种适用于模式分类的模糊粗隶属函数神经网络

在设计模式分类器时,由于很难甚至不可能获得实现精确分类的所有必要的本质特征属性,使得在进行分类时出现模糊不确定性和粗糙不确定性并存的情况.基于模糊粗糙集理论,本文构建了一种模糊粗隶属函数神经网络FRMFN.该网络融合了模糊信息和粗糙信息的处理能力,在对加拿大Norman Wells地区的红外波段合成图像进行分类的测试中,显示FRMFN网络具有比相应RBF网络更好的分类精度,同时保留了RBF网络学习速度快的优点.     

脐橙色泽与着色率的机器视觉检测技术研究

色泽与着色率是脐橙品质和机器分级的重要指标,但用传统算法很难建立脐橙颜色参数与其之间的关系模型。研究对脐橙图像进行预处理后,分析脐橙表面颜色特征参数,提取脐橙有效像素的H(色调)、S(饱和度)、R(红色分量)、G(绿色分量)、B(蓝色分量)的平均值与标准差作为参数,对着色率与色泽进行定量描述,并通过神经网络算法建立颜色特征参数与色泽和着色率之间的关系模型。结果表明,该分级模型对着色率与色泽的分级与人工标准分级的一致度分别为90%和92%。