基于植物表型复合参数体系的烤烟等级初分检测方法

为实现快速无损智能判定烤烟等级，基于植物表型复合参数体系设计了一款便携式烤烟等级快速检测仪，通过试验确定了37个与烤烟等级值具有显著或极显著相关的表型参数组成了烤烟等级特征复合参数体系，选取K-Means聚类法、系统聚类法、 CHAID决策树算法、BPNN算法作为烟叶判定模型的建模对比算法，从500株云烟87烟株中选取了6个等级的595片烟叶作为样本源，每个等级的50片烟叶y样本作为建模数据，其余的烟叶作为验证数据，结果表明：基于贝叶斯分类器算法的等级判定准确率为75.59%，高于企业所要求的烟农初分准确度标准（准确度≥60%）。基于表型复合参数体系的烟叶判定模型可用于构建便携式轻量化的烤烟等级检测仪，为后续开展不同生态区烤烟等级快速检验研究奠定了基础。     

开放环境下烟叶等级RGB图像智能识别及判别模型的构建

为烟叶生产及分级人员提供高效、精确、方便和低成本的烤烟等级智能判别方法,采用开放环境下烟叶RGB图像识别方法,通过百分位区间估计,确定B2F和C3F等级烟叶外观质量的红色(Red)、绿色(Green)、蓝色(Blue)3个色彩通道及灰度图像叶色均值区间及叶型特征区间,并基于贝叶斯分类器,构建智能判别模型,通过系统固化后对烟叶样品进行等级识别判定。结果表明:红色(Red)、绿色(Green)、蓝色(Blue)通道及灰度图像的色阶均值25%分位点及75%分位点可作为B2F和C3F等级烟叶叶色判别区间的上限和下限;烟叶叶片长宽比及叶片有效面积占比不满足判别区间的条件,不选择叶型参数作为判别区间;构建的模型对B2F和C3F等级烟叶判别的准确率分别为92.86%和95.56%,总体准确率为94.21%,且不受干扰叶片的影响,判别精度较高。     

基于深度学习的皖南烟区烟叶分级模型的构建与应用研究

本文围绕皖南烟区烟叶分级的业务要求和现状,开展烟叶智能化分级研究,主要包括烟叶分级模型的构建和烟叶自动化分级设备的设计。研究基于深度学习的皖南烟区烟叶分级模型构建方法,结合提出的图像预处理算法,将预处理后的烟叶图像导入预训练好的卷积神经网络中,对采集的B2F、C3F、X2F、X3F四个等级皖南烟叶图像共3615张进行建模,模型在测试集上的分级准确率可达到94.3%。在烟叶等级识别智能算法的基础上,围绕等级识别和分选分拣等烟叶自动分级关键技术,设计研发烟叶自动化分级设备。研究结果表明,通过上述方法可初步实现烟叶分级的自动化,提升烟叶分级工作效率,降低人员投入,提高烟叶分级质量一致性。     

融合BPSO最优粒子和被选概率特征有用光谱的选择

为提高基于红外光谱(NIR)对烟叶分级的效率,提出融合BPSO最优粒子和被选概率特征对烟叶的NIR进行有用特征光谱的选择。基于该方法选择的有用NIR特征光谱,对2012年642片(13个等级)烟叶进行分级,试验结果表明,通过合适的被选概率值可以得到数目相对少的用于烟叶自动分级的特征光谱组合,若与最佳粒子融合可以得到更好的分级吻合率。利用选择后的特征光谱不仅可以提高分级速度,还可以适当提高分级正确率。     

应用主成分分析和聚类分析评价烤烟叶位间质量差异

本试验对烤烟不同叶位烟叶的外观质量进行了分级,对烟叶主要物理特性和化学成分的进行了测定分析,选择这些指标运用主成分分析和聚类分析法,对烟叶的质量进行评价,将烟叶分为3个部位,9个可用性等级。结果表明该方法评价烟叶质量效果较好。     

基于聚类的烟叶标准库和特征选择

为实现烟叶自动化分级,采用聚类算法来剔除烟叶样本中异样样本,通过计算类间的方差,选取方差值大的特征作为有用特征。利用支持向量机模拟人工操作,进行13个等级分部位、分颜色的识别。结果表明:特征选择后的最佳准确率分别为95.52%、98.22%。在提升准确率的同时,减少了输入特征的个数和采集光谱数据所需的时间。     

基于K-means聚类和改进MLP的苹果分级研究

为准确实现多特征融合的苹果分级,提出了一种基于K-means聚类和改进MLP的苹果分级方法。该方法主要包括图像预处理、亮度均衡化、背景分割、特征加权以及改进的MLP分级网络训练。首先借助均值滤波算法和直方图均衡化操作改善苹果图像质量;接着借助K-means聚类算法进行背景分割;在果体与背景分割的基础上,依次提取苹果的果径、果形、颜色、缺陷、纹理5个特征;然后借助皮尔逊相关性分析和人工挑选偏好权重对特征数据集综合加权,模拟人工分级场景;最后将特征数据送入改进的MLP神经网络中完成苹果的分级定等。通过对400个定好等级的苹果进行分级测试,准确率达到94.25%,验证了分级方法的可行性与准确性。该方法与现行的苹果分级标准相结合,具备时效性强、检测指标完备等分级优势。     

基于K-means与KNN的多特征苹果在线分级

【目的】准确获取红富士苹果的分级指标，为实现多特征融合的苹果分级提供依据。【方法】以均值滤波、全局亮度均衡化与图像裁剪方法，预处理实验所需的苹果图像；使用K-means聚类算法、OTSU最大类间方差法，将苹果灰度图转换为二值图；利用二值图与苹果原图的异或运算，提取苹果轮廓；采用苹果的二值图计算苹果的果实区域大小；使用颜色空间转换RGB-HSV中H通道划分果实红色区域；通过构建掩膜、形态学操作判断果体是否含有缺陷及计算其面积；构建最小外接矩形计算苹果的果径及果形；利用KNN分类算法实现多特征融合的苹果在线自动分级。【结果】基于K-means聚类与KNN分类相结合的苹果在线分级方法，在优于传统图像阈值分割效果的基础上，特级果分级准确率为97.14%,一级果分级准确率为100%,二级果分级准确率为93.75%,等外果分级准确率为100%,综合分级准确率达到97%。【结论】100个苹果测试准确率达到97%,验证了该分级方法的可行性与准确性。     

基于稀疏表示和HOG特征的掌纹识别方法

针对掌纹识别过程中,采集图象易受到外界光照等物理因素的影响,传统重构方法中稀疏表示算法计算复杂度高等缺陷,提出基于稀疏表示(SR)和梯度方向直方图(HOG)特征的掌纹识别方法,将分类正交匹配追踪算法(COMP)稀疏表示方法与HOG特征相融合,以降低复杂度。该算法首先利用HOG算法提取掌纹训练与测试样本图像的特征矩阵,将训练样本图像的HOG特征矩阵作为稀疏表示的过完备字典;然后运用COMP算法求解掌纹图像在过完备字典上的稀疏表示,将所得的最佳稀疏表示系数对测试图像进行重构;最后通过计算测试样本图像HOG特征矩阵与得到的每类重构图像最小残差的数值确定图像的类别。实验结果表明,该方法有效地降低了计算的复杂度,具有良好的掌纹识别性能。     

基于改进Mask R–CNN的多片烟叶部位的同步识别

为解决烟叶智能分级识别中需对多片散放烟叶同步进行部位识别的问题,提出一种基于改进Mask R–CNN的多片烟叶的部位同步识别方法：在Mask R–CNN区域建议网络中引入K–means聚类算法,对已标注目标检测框进行聚类,实现对预设的5种尺度的锚点尺寸和3种比例的锚点长宽比的优化,使其更加符合烟叶图像数据的分布特性,达到提高生成建议框的精确性、缩短识别时间的目的。基于采集的烟叶图像数据集,验证改进Mask R–CNN方法的有效性。结果表明,当IoU为0.5时,改进MaskR–CNN单样本耗时313ms,比MaskR–CNN的326ms快,在测试集上的均值平均精度(mAP)提高了3.56%。与FasterR–CNN和SSD目标检测算法相比,在准确率和召回率上也表现出优势。     

基于改进模糊聚类的烟草品质集成评价模型

针对烟草化学成分与烟草品质之间难以建立确定的数学模型的问题,提出了一种基于改进模糊聚类的烟草品质评价方法。该方法以烟叶样品的化学成分的差异性为依据,以模型分类结果与专家评吸结果的一致性为目标,利用模拟退火算法对现有的模糊聚类算法进行优化改进,建立基分类器;在此基础上,利用Ada Boost将基分类器对于不同样本集的多个分类结果进行集成,形成最终的烟草品质评价模型。以130组烟叶作为烟草样本,测定了各烟叶样品中总糖、还原糖、总氮、烟碱、氧化钾、氯离子、蛋白质7种化学成分含量,并采用改进的模糊聚类方法与神经网络算法、模糊聚类算法进行对比试验,该方法的误检率为6.7%,具有提升小样本数据的辨识能力,优于所比较的其他2种方法。     

基于稀疏表示的葡萄干品质分级

以新疆绿色无核葡萄干为研究对象,提取颜色、形状等特征值建立稀疏表示数据字典,采用弱匹配追踪算法求得稀疏解,计算每个测试样本在数据字典上的投影,将具有最小残差的等级作为测试样本的级别,并与BP人工神经网络、支持向量机(SVM)识别结果进行比较分析。结果表明,提出的分级方法平均识别率达到96.7%,具有较好的识别率和鲁棒性。这为葡萄干等级识别提供了一种新的有效方法。     

密度K均值聚类算法及在复杂网络分析中的应用

现代信息社会中,许多实际问题都归结为复杂网络中模块问题的研究,而聚类方法是研究复杂网络中模块性的重要方法。本研究将基于视觉原理的密度聚类算法与传统的K均值聚类算法相结合,提出了一种新的聚类算法,即密度K均值聚类算法。该算法在一定程度上克服了传统的K均值聚类算法易受异常点影响和无法确定聚类数的问题,具有对初始参数不敏感、可发现任意形状的聚类,以及能找到最优聚类等优点。基于此,以城市建通网络中交巡警指挥平台的设置问题为例,通过Matlab程序求解说明了所给出聚类算法的应用。     

聚类、粗糙集与决策树的组合算法在地力评价中的应用

 【目的】地力评价方法大多数有一定的主观性,较少考虑土壤各属性间的依赖关系。论文旨在采用数据挖掘方法,寻求地力等级划分的新方法。【方法】结合农安县耕地调查数据,应用K-means聚类方法、Johnson粗糙集属性约简算法与C4.5决策树算法相结合的优化算法评价地力等级。【结果】使用K-means聚类方法,得到最佳学习样本数;使用粗糙集属性约简和决策树相结合的方法,去掉了冗余属性7个,决策树模型共有节点317个,其中叶节点个数为159个,生成规则159条,模型准确率为82.08%。与未聚类和未约简的方法相比,决策树结点个数减少41.62%。【结论】使用该组合算法,在保证模型准确率的同时,降低了算法的时间和空间复杂性,提高了挖掘效率。     

聚类分析与模糊数学在烟叶品质综合评价中的应用

生产上烟叶的质量评价主要通过外观品质(烟叶分级)来进行。由于主观性的影响,这种方法常常导致同样的烟叶被不同的人分成不同的等级。随着近红外线分析方法在烟叶质量评价中的普遍应用,以化学成分为依据的烟叶质量评价方法将成为主流趋势。为此,本研究以河南省南阳烟区的烟叶样品为例,通过层次聚类的方法对烟叶主要化学成分进行分析,并求得各类的平均值,之后根据聚类结果用模糊数学对其化学品质进行综合评价,由于先用层次聚类分析对样本进行了归类,使得大样本的综合评价变得简单清晰,因此该方法特别适用于大量样本的综合评价。应用该方法对南阳烟区的烟叶样品进行综合评价,结果表明,若把50份样品分为2类,则腰叶和上二棚叶几乎各自聚为一类。若把50份样品分为4类,则模糊评价的结果显示,第Ⅲ类样品的得分最高,表明其烟叶质量最佳。该方法的评价结果与腰叶优于上二棚叶的传统看法一致,与南阳烟区优质烟叶分布的实际情况也基本一致,表明用本研究的方法来评价烟叶的质量是比较客观的,也是可行的。     

基于稀疏表示的近邻传播聚类算法

借助稀疏表示具有能较好刻画样本之间相似度的特点,提出一种基于稀疏表示的近邻传播聚类算法.仿真 实验表明,本聚类算法较基于其它距离度量的算法能获得更好的聚类效果.     

基于引力核密度聚类算法的作物病害叶片区域的快速检测

针对作物病害叶片图像的复杂性和模糊性,提出一种基于引力核密度聚类算法的作物叶片病害区域快速检测方法:首先,在RGB颜色空间提取病害叶片图像的R通道值,根据R值的特征直方图特性,运用多项式拟合特征直方图曲线,根据导数性质确定拟合特征直方图曲线的峰值点和峰值区域,确定病害叶片图像聚类数和初始聚类中心;根据初步确定的病变叶片图像的聚类中心,运用引力核密度聚类算法快速完成对病害叶片病斑的分割。试验结果表明,基于引力核密度聚类算法的平均分割精度达80%以上,平均检测时间为4.912 s,优于已有病害区域分割算法K–means和Meanshift的性能。     

聚类算法在竹种造纸适应性判定中的应用

以"竹藤种质资源数据库"中126个竹种为基础数据,应用K均值聚类算法(K-means算法)、小批量K均值聚类算法(Mini Batch K means算法)、凝聚层次聚类算法,依据竹种酸不溶木质素、苯醇提取物、综纤维素、基本密度、纤维长度、纤维双壁厚、纤维壁腔比7个特征对竹种筛选分级,遴选优良造纸竹种,分析聚类算法对竹藤种质资源的聚类有效性.结果表明:K均值聚类算法具有最高的卡林斯其-哈瑞本斯(Calinski_Harabaz(CH))指标值(63.568),聚类效果最好,126个竹种分为3级.其中:Ⅰ级造纸竹种,包含糯竹、空竹等51个竹种,适合制作高级纸张;Ⅱ级造纸竹种,包括毛竹、思劳竹等62个竹种,适合在排污能力强的造纸厂做纸浆造纸原料.K均值聚类算法是竹种造纸适应性分析的高效可靠的方法,具有较好的应用前景.     

基于图像处理的烟叶等级标准图像合成算法研究

为了建立烤烟烟叶标准等级数据库,实现烤烟烟叶的自动分级。本文以图像处理技术为基础,以已知等级的烤后烟叶为图像素材,通过提取烟叶样本颜色特征,得到了烟叶颜色特征数据。在此基础上研究了烟叶等级标准图像合成算法,并建立了烟叶标准等级数据库。结果表明,RGB颜色模型下对R、G、B分量进行处理后合成的烟叶等级标准图像,与烟叶实际人工分级的吻合率达到90%,符合实际分级合格标准且与烟叶分级专家判定一致,为烟叶分级自动化研究提供了前期技术依据和量化方法。     

烤烟C3F等级合格率低的原因及提高对策

通过对烟叶收购中C3F存在的问题进行分析,提出烟叶收购中提高C3F等级合格率的对策,即首先要确定烟叶所属部位、颜色特征,掌握该等级各品质因素;其次是对几个易混淆的等级进行区分;最后是加强培训,提高烟农的烟叶分级水平和收购人员的业务工作能力,制作分级平台,实行摆把对样收购,准确验级。