排序方式: 共有26条查询结果,搜索用时 15 毫秒
1.
利用近红外高光谱图像技术快速鉴别西瓜种子品种 总被引:4,自引:8,他引:4
为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法(empirical mode decomposition,EMD)和小波分析(wavelet transform,WT)对提取出的光谱数据进行去除噪声处理,采用连续投影算法(successive projections algorithm,SPA)和遗传-偏最小二乘法(genetic algorithm-partial least squares, GA-PLS)进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA),基于特征波长建立了反向传播神经网络(back-propagation neural network,BP NN)判别模型和极限学习机(extreme learning machine,ELM)判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。 相似文献
2.
采用高光谱成像技术实现三文鱼的脂肪含量检测,并基于Matlab编程语言实现三文鱼肉脂肪含量分布的可视化。将5条整鱼按照相同切分规则切分成100个三文鱼样本,并分别采集100个样本的高光谱成像数据,在此基础上,提取每个样本感兴趣区域的光谱数据。利用偏最小二乘(PLS)模型,对100个样本的光谱数据进行三文鱼脂肪建模分析,其中75个样本组成建模集,25个样本组成预测集,分析结果显示,预测集决定系数为0.913,均方根误差(RMSEP)为0.921%。为简化模型,对全谱利用连续投影算法(SPA)提取特征波长,然后基于特征波长建立PLS模型,模型预测集的决定系数为0.913,均方根误差为0.920%,说明模型得到简化的同时,精度并没有降低。最后采用Matlab语言编程对三文鱼的脂肪含量进行可视化研究,结果显示,基于Matlab语言编程可以很形象地表达三文鱼的脂肪含量分布。 相似文献
3.
4.
5.
6.
7.
为规范农产品供应链可追溯信息,引入本体论的思想及其信息描述形式,构建农产品供应链可追溯信息本体,并以此探讨具体的可追溯模型,以期达到农产品供应链可追溯系统中信息资源的共享和重用,促进信息管理精确性及效率化,为农产品供应链质量控制和质量追溯提供一个有效的途径。 相似文献
8.
南丰蜜桔可溶性固形物近红外特征波段选 总被引:1,自引:1,他引:0
探讨了在350~1800nm波段范围内不同光谱预处理方法对提高模型预测能力和稳定性的作用,但其效果不如间隔偏最小二乘法显著。通过间隔偏最小二乘特征波段选择方法,确定了南丰蜜桔可溶性固形物特征波段为:642~787nm、861~1006nm、1080~1152nm和1226~1371nm。采用30个未参与建模的南丰蜜桔样品,预测特征波段建模模型,预测模型的相关系数为0.95,预测均方根误差为0.55°Birx。结果表明:近红外光谱技术结合间隔偏最小二乘特征波段选择方法,可以提高南丰蜜桔可溶性固形物无损检测数学模型预测能力和稳健性。 相似文献
9.
10.
基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别 总被引:2,自引:2,他引:0
应用高光谱成像技术(380~1023 nm),基于信息融合实现鱼不同冻藏时间后冻融次数鉴别。首先,提取鱼样品感兴趣区域(region of interest,ROI)光谱并结合竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)得到57个变量作为光谱信息,同时对鱼样品做主成分分析(principal component analysis,PCA),提取第一主成分图像信息如中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关12个灰度共生矩阵(gray level co-occurrence matrix,GLCM)纹理特征参量,结合灰度共生矩阵纹理特征与光谱特征,作为模型偏小最二乘支持向量机(least squares support vector machines,LS-SVM)的输入建立区分模型,预测集识别率达到98%。结果表明,高光谱成像技术可以用于鱼不同冷冻时间以及冻融次数的鉴别。 相似文献