排序方式: 共有53条查询结果,搜索用时 15 毫秒
41.
针对海量高维菊花图像相似性计算带来的挑战,研究了基于多探测局部位置敏感哈希技术的菊花表型相似性计算方法。针对菊花图像,采用SIFT技术提取菊花图像特征,并采用BoVW模型进行建模。由于图像特征的高维性质,海量的菊花表型相似性计算效率不高,为了提高计算效率,提出采用近似相似性技术中的多探测局部位置敏感哈希技术,用此方法构建菊花图像数据的哈希数据结构,在菊花相似性查询方面提高了计算效率,并确保了计算结果的质量。在菊花数据集上进行了计算效率和查询质量两方面的测试,并与典型的方法进行了试验对比和分析。结果表明,相比线性式扫描,平均查询成功概率达到0. 90以上,平均加速比为3. 3~19. 8。本文方法能够在查询质量和计算效率两方面通过参数设置提供灵活的优化选择,并对参数的选择提供了参考范围,可为海量菊花花型相似性计算提供参考。 相似文献
42.
43.
针对现有水果组织光学特征参数反演方法耗时费力、普适性较差的问题,提出了一种基于模型迁移的光学特征参数反演方法。以苹果为例,构造仿真双层生物组织模型;基于蒙特卡洛(Monte Carlo)原理进行光子传输模拟,生成150万光亮度分布图,将光亮度分布图作为数据集输入构造好的8层卷积神经网络(CNN)上进行训练,得到预训练模型;再将训练好的模型迁移到实际测得的含有4000幅苹果高光谱点光源图像的数据集上进行微调,从而完成对光学参数的反演。将本文方法与其他几种算法的反演结果进行分析比较,结果表明,在实测数据集较小的情况下,该方法对苹果光学特征参数的反演结果为果皮吸收系数87.26%、果肉吸收系数90.53%、果皮散射系数86.66%、果肉散射系数87.57%,反演准确率高于其他算法,预训练模型基于大量仿真模型的光亮度分布图经由训练而得到,具有良好的普适性。本研究为解决水果光学特征参数反演中建模数据量不足问题提供了方法参考。 相似文献
44.
优化BP神经网络提高高光谱检测调理鸡肉菌落总数精度 总被引:3,自引:3,他引:0
针对调理鸡肉菌落总数在贮藏期间易受到外界因素影响,提出了一种优化反向传播(back propagation,BP)神经网络的调理鸡肉菌落总数预测方法。以贮藏在4℃条件下的调理鸡肉为研究对象,采集其表面400~1 000 nm高光谱信息共计419个波段作为全波段,并利用竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)算法筛选出34个特征波段,分别以全波段和特征波段对应的光谱值作为BP神经网络输入,采用鸟群算法(bird swarm algorithm,BSA)和免疫算法(immune algorithm,IA)优化BP神经网络的初始权重和阈值,建立调理鸡肉菌落总数的BP、BSA-BP、IA-BP、BSA-IA-BP预测模型。试验结果表明:经过CARS筛选特征波长的BSA-IA-BP模型预测效果最佳,预测集相关系数RP、均方根误差、剩余预测偏差分别为0.93、0.31lg(CFU/g)、2.68,且模型稳定性最好。该研究为基于BP神经网络实现调理鸡肉菌落总数快速无损检测提供了算法支撑和理论基础。 相似文献
45.
为了提高肉品跟踪与追溯系统信息的实时性、准确性和可靠性,该文介绍了无线射频识别技术(RFID)、物联网及电子产品代码(EPC)系统相关技术,提出了基于无线射频识别技术的肉品企业资源平台架构,详细研究和分析了肉品销售阶段的信息流程,设计了基于无线射频识别技术的肉品销售跟踪及追溯体系,包括跟踪系统和追溯系统。跟踪系统通过在销售节点上的产品电子代码系统,对附有无线射频识别芯片标签的肉品信息进行跟踪。追溯系统通过对象名解析服务(ONS)服务器,查出肉品销售相关节点实体标记语言(PML)服务器的地址,进而获得肉品的 相似文献
46.
【目的】进一步优化新疆红枣优生区,促进新疆红枣产业的提质增效。【方法】现有的优生区划分算法,由于其参数设值受人为主观影响较大,使优生区划分呈现较大的不确定性。以环塔里木盆地19个地区33个采样点的灰枣和骏枣的12个果实品质指标为数据集,提出了参数自适应的红枣优生区划分算法。【结果】首先对枣样本品质数据集进行300次有放回的随机抽样,对每一次抽取的样本进行参数自适应的主成分分析,并将分析结果进行融合得到红枣的主要品质指标。在此基础上,对各产区枣样本数据进行150次参数自适应的聚类分析,根据每次聚类结果所对应的红枣主要品质指标,利用无向加权图进行融合,得到不同品质指标所对应的优生区划分结果。确定灰枣和骏枣的主成分,在主要品质指标上将灰枣和骏枣优生区划分为4类。【结论】提出新疆环塔里木盆地各产区灰枣和骏枣的主要品质指标为总酸含量、总糖含量、单果质量和制干率,为新疆红枣区域化发展提供了依据。 相似文献
47.
基于高光谱图像和深度学习的菠菜新鲜度检测 总被引:8,自引:8,他引:0
针对传统机器视觉在实现菠菜新鲜度检测精度偏低的问题,该文提出了一种基于高光谱和深度学习技术的圆叶菠菜新鲜度识别新方法。以10℃常温贮存的圆叶菠菜为研究对象,以天为单位,综合考虑影响菠菜新鲜度的6个因素:贮藏天数、外观、含水率、叶绿素a、叶绿素b和胡萝卜素,将菠菜划分为新鲜、次新鲜和腐败3个等级。拍摄菠菜叶片的高光谱图像,计算ROI(region of interest)反射率均值后,基于分组精英策略遗传算法,结合2种分组策略,筛选出含6个波长的组合。定义训练集R和测试集合T,使用SVM分类器,基于波长对应的反射率,分别进行基于光谱特性界定菠菜的新鲜度分类试验。找出了识别率均值最高的3个波长,分别是389.55、742.325和1 025.662 nm。由于基于光谱特性进行菠菜新鲜度检测时识别率偏低。尝试基于菠菜的高光谱图像特征进一步进行菠菜新鲜度识别研究。从高光谱图像集中抽取这3个波长对应的菠菜图像,构成菠菜图像样本库(Norm Img389、Norm Img742、Norm Img1025和Norm Img_merge),基于深度学习技术建立菠菜新鲜度识别模型,对图像样本库中4类图像进行识别试验,平均识别准确率79.69%、68.75%、69.27%和80.99%。而Norm Img389测试集识别正确率接近80%,Norm Img_merge测试集识别正确率最高达到了80.99%,说明融合3个波长对应的图像进行等级识别效果最好。该研究实现了圆叶菠菜新鲜度的无损检测,具有实践和理论意义。 相似文献
48.
49.
50.
表示学习技术研究进展及其在植物表型中应用分析 总被引:2,自引:0,他引:2
表示学习是一种将研究对象的内在信息表示为稠密低维实值向量的方法,其基本思路是找到对原始数据更好的表达。表示学习凭借其自动提取特征的能力,在处理大量人为先验理解有限的数据时表现出高效性。有监督以及无监督的表示学习模型在文本、图像、三维点云等植物表型数据的分析研究中获得了运用。随着近年来数据量的迅速增长以及基因组学研究的快速发展,植物表型研究数据具有高通量、高精度等特征,表示学习模型在海量高维植物表型数据的分析任务中获得了关注。本文简述了表示学习的相关概念和表示学习技术研究进展,对有监督和无监督的表示学习模型进行对比分析,阐述了植物表型数据概念及其处理方法,重点从植物种类识别、病虫害检测分析、产量预测、基因研究和形态结构表型数据计算等方面,探讨了表示学习在植物表型中的研究应用意义及其存在的问题。最后,指出表示学习在植物表型应用中的发展方向:开发能够适用于分析不同种植物表型数据的表示学习模型,实现高整合度、高通用性的目标;提高表示学习模型的实时性及准确度,以增强其实用性;多模态表型数据的表示学习可为学科的交叉数据分析研究提供统一的数据视图。 相似文献