基于C-SVM的碎米检测算法研究

提出了一种基于支持向量机(C-SVM)区分整精米和碎米的方法,首先对大米图像进行阈值分割、平滑处理等图像预处理,并根据大米的粒形特点,提取米粒的面积、周长等6个形态特征,利用Orange Canvas数据挖掘软件对C-SVM中核函数参数进行预判,最终选择线性核函数的C-SVM作为分类器进行分类。对8组大米样本图像进行碎米测试,可达到较好的分类效果。试验结果表明,线性核函数的支持向量机对精整米与碎米识别分类准确率为95.6%。     

基于时序特征的玉麦轮作制耕地提取方法研究

[目的]该研究对小麦、玉米轮作制下耕地的面积与分布有重要意义.[方法]基于目视判别收集样本点和GEE平台,分析地物的NDVI、EVI等指数时序特征,开发特征识别算法提取2018年玉麦轮作区面积分布,同时与CART算法监督分类结果进行精度分析.[结果]与基于多光谱的监督分类相比,基于时序特征的识别算法准确率、精准率、F1 Score和Kappa系数分别提高了0.121、0.110、0.136和0.246.[结论]基于时序特征的特征识别算法可有效识别玉麦轮作区,该算法可为轮作区农业生产提供基础数据支持.     

基于模糊神经网络的大米品种识别算法研究

基于机器视觉技术,针对实际大米图像中不可避免的存在籽粒连接的情况,采用模糊BP神经网络进行大米品种识别。应用形态学中腐蚀、膨胀算法提取单粒大米籽粒,去除碎米后,对单粒整精大米籽粒进行外观特征提取,采用模糊BP神经网络进行大米品种识别,仿真结果表明,其可达到较高的检测精度。     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

基于多任务联合稀疏表示的水稻叶片病害自动识别算法

在水稻(Oryza sativa L.)病害自动识别技术中,针对不同种类病害在抽取到相似特征的情况下,病害难于区分,甚至做出错误判断,从而降低识别率的问题,提出了多任务联合稀疏表示的水稻叶片病害自动识别算法.该算法将单一病害特征的识别过程看作"任务",要求这些"任务"特征在同一个训练数据集合的对应特征字典下能够稀疏表示,同时不同"任务"的稀疏表示系数向量具有相似的结构,从而实现了利用不同"任务"间的相互关系提高判断的准确率.同时这种算法使得病害的识别通过一次处理完成,避免了传统方法多次判断所引入的误差.实验表明,该算法能够充分挖掘不同特征类型间的关系,从而提高了识别的效率.     

基于背景差分法的稻米动态图像检测识别

根据稻米形态特点设计了稻米动态图像采集系统,选用背景差分法对米粒动态图像进行目标分割,实现了运动状态下稻米图像特征提取。对提取的颜色、形态特征进行多结构神经网络训练,实现了透明整米、垩白整米、碎米和黄米四类稻米的识别,识别准确率分别为95．2％ ,89．6％ ,97．3％和90．5％。识别效果较好,为稻米在线图像检测分选奠定基础。     

一种粘连谷物图像分割及杂质识别算法开发

本文提出了一种自动分割粘连谷物并识别杂质的算法。该算法首先使用基于形态学多尺度分解的分水岭算法对粘连颗粒进行分割,接着提取各个颗粒的形态特征和颜色特征,然后计算上述样本颗粒的特征值与完好谷物的特征值之间的马氏距离,并比较它们的马氏距离与设定的阈值,来识别混杂在谷物中的杂质。通过对5种谷粒(普通大米、粗米、糙米、普通大麦、糯麦)的实验,结果表明该算法取得了较好的分割与识别效果,为谷物质量分级的评定提供了一种快速有效地检测谷物产品杂质率的方法。     

掌纹特征提取算法的研究

随着社会的飞速发展,传统的身份识别技术已经不能满足人们的需求.掌纹识别作为1种新兴的生物识别技术,因其识别区域大、易采集、精度高和可靠性高等优点得到了较快的发展.掌纹识别算法包括掌纹图像预处理、掌纹特征提取以及掌纹特征匹配等,其中掌纹特征的提取是掌纹识别算法的核心技术.本文在研读相关文献的基础上,重点介绍了基于结构特征、基于统计特征、基于子空间特征和基于纹理及变换域特征等4类掌纹特征提取算法,并对各种算法进行了比较.在此基础上,展望了掌纹识别算法的发展方向.     

农机障碍物目标识别与预警SIFT算法改进研究

农机障碍物目标识别与预警可以有效减少农机伤亡事故。如果将传统的尺度不变特征变换(scale invariant feature transform,简称SIFT)算法应用在农机障碍物目标识别中,特征描述符的运算相对来说比较错综复杂,匹配特征点的时间也比较长。提出1种改进的农机障碍物目标识别SIFT算法,该算法采取特征向量矢量和的方法构建64维度的简化描述符,依据金字塔的构造来匹配特征点。测试结果说明,改进算法对农机监测到障碍物图片匹配计算时间较原来的SIFT算法大幅减少,实时性提高。系统监测到石头等障碍物时,提出预警,有效减少了事故的发生。     

面向流量识别系统的聚类算法的比较与分析

考虑到基于端口的识别方法准确性比较低,而基于有效负载的方法的开销太大,促使利用应用连接到网络时的特征流的特点来识别流量.引用几种常见的聚类算法,提出基于聚类算法的识别方法,该方法包括两个阶段:通过离线学习阶段学习到流量的特征;在线识别阶段把学习到的特征用于在线的流量识别.通过实验表明该方法对流量识别,尤其是P2P流量最高可达90%以上的识别率.     

碎米和米糠制备营养米糊的工艺与配方研究

为了研制新型营养米糊,利用碎米和米糠为原料对制备营养米糊的生产工艺条件和配方进行了研究。结果表明:制备营养米糊最佳工艺条件为碎米中添加8倍水,在90℃水浴中煮制5min。米糊经干燥后过100目筛。通过正交试验确定了营养米糊的最佳配方为:1.39%外层米糠、6.95%内层米糠、69.54%碎米、15.58%白砂糖、6.23%奶粉、0.31%蔗糖酯。产品具有良好的速溶性。     

不同水稻品种大米直链淀粉含量对加工米粉丝品质的影响

【目的】分析米粉丝加工中不同水稻品种大米原料的直链淀粉含量对米粉丝品质的影响,为确定适合米粉丝加工用大米原料标准提供依据。【方法】以直链淀粉含量介于16.45%—29.64%的14个不同籼型水稻品种为材料,分别采用一步成型法制作米粉丝,分析评价米粉丝的加工效果、感官品质、蒸煮品质和质构特性,通过相关分析建立大米原料直链淀粉含量与加工米粉丝品质之间的相关性。【结果】随着水稻品种大米原料直链淀粉含量的升高,米粉丝的加工效果显著提高,但当其含量超过26.14%后,米粉丝的加工效果反而出现下降的趋势;米粉丝的劲道感、爽滑感、不粘牙、光泽以及综合感官品质与大米原料的直链淀粉含量均呈显著正相关性（P＜0.05）;米粉丝的复水时间与大米原料的直链淀粉含量呈极显著正相关性（P＜0.01）,而其膨胀率、断条率以及损失率则与大米原料直链淀粉含量呈极显著负相关性（P＜0.01）;米粉丝的硬度、咀嚼性、剪切力、拉伸长度、断裂力和破断功等质构特性指标与大米原料的直链淀粉含量亦均呈现极显著正相关性（P＜0.01）。【结论】采用一步成型法制作米粉丝时,米粉丝的加工效果、感官品质、蒸煮品质及质构特性与水稻品种大米原料直链淀粉含量之间存在密切的相关性,选用直链淀粉含量介于22.11%—25.45%的籼稻米原料加工的米粉丝具有较好的品质。     

基于计算机视觉技术对杂交水稻裂颖种子的识别研究

应用计算机视觉技术理论,通过图像处理获取正常、微裂、裂颖3种杂交水稻种子的特征,并根据这些特征设计神经网络进行杂交水稻裂颖种子识别。结果表明,该方法能准确识别正常、微裂、裂颖的种子,识别率达到96%、85%、95%。     

改进LeNet-5模型在大米分选算法上的应用

针对大米特征提取与分类的算法难以确定的问题,改进LeNet-5卷积神经网络模型并研究其在大米分选问题上的表现。首先对大米原始图像进行预处理、提取单粒大米的图像建立大米图像样本库,然后对原始的LeNet-5模型提出改进方案并进行实验,最后将改进模型与若干传统分类方法、3个轻量化卷积神经网络模型进行对比。改进LeNet-5模型大米形选准确率为97.2%,色选准确率90.6%,处理速度约5 300粒·s^-1,分类效果与分类速度显著优于其他对比方法。实验结果证明,改进的LeNet-5模型可以高效分选碎米与垩白米,且能有效减少实际分选前准备工作的工作量。     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断,为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’,设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期,扫描获取水稻顶部第三完全展开叶图像,并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征,采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理,并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好,模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%,测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力,能够很好地识别出水稻氮素营养的缺失,表明运用该方法能够很好地进行水稻氮素营养诊断识别。     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。     

水稻核心种质育种体系的构建

回顾中国超高产水稻育种概况,将中国的超级稻育种分为超高产水稻育种和超级稻育种两个阶段。构建水稻核心种质育种体系,从理论体系和育种材料体系两个方面进行论证。水稻核心种质育种体系是水稻育种理论与实践结合的产物,水稻核心种质是指具有某些优良性状的育种材料中,控制某些优良性状的特殊基因群体或基因系统,在品种改良过程中,它能够沿着育种目标置换和扩充基因群体,直至全面符合育种目标。建设水稻核心种质育种平台(产量性状育种研究部分),从水稻核心种质的遗传演变和理想遗传模型研究、影响产量基因的分子育种、栽培稻和野生稻高产基因的发掘、根系生物学育种研究4个方面展开遗传育种探索。     

稻谷加工业副产物碎米中蛋白的超声提取工艺研究

以稻谷加工业副产物碎米为原料,采用超声波技术提取其可溶性蛋白质,研究了不同超声处理时间、超声功率、固液比对碎米蛋白质提取率的影响。结果表明:超声提取碎米蛋白的最优条件是超声处理时间32 min、超声功率495W、固液比1∶15;在该条件下,碎米蛋白的提取率可达90.47%。     

基于ENVISAT ASAR数据的水稻遥感监测

以江苏省兴化市水稻试验区为例,利用单时相多极化ENVISAT ASAR(Advanced Synthetic Aperture Ra-dar)数据进行水稻识别和生长参数反演。通过分析水稻和其他地物在该时相上的VV极化和HH极化后向散射特征,选择合适的阈值和条件,利用阈值分类算法从影像中提取水稻分布。另外,利用实测水稻生长参数和获取的植被指数(NDVI)数据与水稻后向散射系数进行相关性分析。分析结果表明,水稻VV极化后向散射强度与水稻形态结构、叶面积指数和生物量具有较好的相关性,而水稻HH极化后向散射强度对水稻冠层含水量的变化更敏感。基于上述分析,建立反演水稻株高、叶面积指数和NDVI等参数的关系模型。经过验证,水稻识别精度为84.36%,反演的水稻生长参数的空间变化和实际情形相符合。     

Study on the Relationship between the Moisture Content of Brown Rice and Milling Characteristics

An experiment about rice milling was made to study on the relationship between the different moisture content of brown rice and the energy consumption, the broken rice rate, the crack rate and the head rice yield. It could be concluded that the head rice yield increased at first falls and then along with the raise of moisture content and it could reach the maximum 70.78% when moisture content was 15.5%; the energy consumption of rice milling decreased along with the increase of moisture contents; the broken rice rate fell at first and then increased along with the raise of moisture contents and it could reach the minimum 4.28% when the moisture content was 15.5%.