基于鱼体背部弯曲潜能算法的四种主养鱼类识别

以四种主养淡水鱼鲫(Carassius auratus)、草鱼(Ctenopharyngodon idellus)、团头鲂(Megalobrama amblycephala)、鲤(Cyprinus carpio)为例,提出一种基于图像处理技术的鱼种类自动识别方法。首先通过鱼体信息采集系统获取待识别鱼体图像,并对其进行灰度化与二值化,得到鱼体轮廓信息;然后采用邻域边界算法对鱼体的轮廓进行提取,根据轮廓曲线建立鱼体背部轮廓数学模型;最后根据轮廓模型,采用鱼体背部弯曲潜能算法对不同种类鱼体样本的背部弯曲潜能值进行计算和聚类统计,得到不同鱼类样本的背部弯曲潜能值分布区间,从而通过比对待识别鱼体背部弯曲潜能值的区间实现对不同鱼类的自动识别。对四种主养鱼类的实验测试结果表明,对团头鲂的识别精度可以达到100%,对鲫、鲤和草鱼的识别精度达到96%,基本上能准确实现四种鱼体的分类识别,具有较好的实际应用价值。     

大数据时代下电子商务同一性商品的识别

随着电子商务的迅速发展,各大电子商务平台中,不同商家的同一性商品却出现了不同的数据描述,严重影响了电子商务大数据的分析和应用。本文分析大数据时代下电子商务同一性商品识别面临的问题,运用基于距离度量的元组对上的商品实体识别与基于距离度量的元组集合上的商品实体识别的两种算法来实现大数据时代下电子商务同一性商品的识别。     

基于植株整体形状特征的杂草识别算法的研究

为解决传统基于植物叶片形状特征的杂草识别中识别率不高的问题,该文以生长中期的生菜与四种伴生杂草稗草、小飞蓬、鬼针草和车轴草为主要研究对象,提出了一种基于植株整体形状特征的杂草识别算法。实验结果表明,利用BP神经网络对单株植物进行识别,准确率达99.20%以上,对多角度拍摄的单株生菜图像的识别准确率为98.60%,对生菜与杂草的混合图像的识别准确率达99.10%,大大提高了杂草识别率,同时本算法对其他一些作物也有一定的适用性。     

马铃薯甲虫的识别与防控

为了能够准确识别马铃薯甲虫,对该疫情进行及时防控,本文将马铃薯甲虫与同期发生的马铃薯二十八星瓢虫形态特征进行对比,同时阐述了马铃薯甲虫的生物学特性、寄主范围、传播方式,并根据实践经验,提出了科学有效的防控方法。     

图书馆应用RFID的安全防护技术研究

随着信息技术和物联网技术的发展,很多图书馆采用了RFID技术来管理图书和读者以及其它设备。RFID给图书馆的使用带来了非常好的体验,管理者和读者都享受到了益处。但RFID标签和阅读器本身的一些缺陷,给图书馆图书等财产的安全和读者的隐私保护带来了很多隐患。文章结合前人的研究和图书馆RFID系统的实践,总结了图书馆应用RFID的安全防护技术,以期给同行带来借鉴。     

马铃薯芽眼图像的分割与定位方法

为了探索种薯自动化切种过程,填补关于马铃薯芽眼识别的研究空白,提出一种基于机器视觉技术的芽眼识别方法:从摄像头采集到马铃薯图像后进行计算机图像处理,从彩色空间中利用欧式距离直接分割芽眼区域,在灰度空间中对图像进行中值滤波后利用模糊技术对图像进行增强,之后利用动态阈值分割法分割芽眼区域,结合两个空间的分割结果后利用数学形态学处理方法标记出芽眼。结果显示:在彩色空间中,芽眼识别准确率为62%;在灰度空间中,识别率达到89%。将二者有机结合后,获得了96%的识别准确率。该方法识别成功率高,鲁棒性强,且芽眼区域标记完整,可为种薯切种自动化奠定基础。     

基于机器视觉的青贮饲料质量监测系统设计与应用

设计了一套基于机器视觉的青贮饲料质量监测系统。系统在研究辨别青贮饲料质量关键因素的基础上,利用颜色明暗差别和纹理结构特征训练分类样本,采用聚类算法对传送带上饲料进行分类检测,实现了对青贮饲料质量的自动精准监测。该系统在剔除变质饲料的同时建立数据库统计优劣比率和饲料加工信息,为构建饲料质量可追溯体系奠定基础。     

供应链风险识别与评估研究综述

对供应链风险识别和评估两方面的研究进行了综述。首先,分析了供应链风险的来源,并归类识别供应链风险因素;其次,从两方面论述了风险评估现有的研究成果,一是对构建评判等级的风险评估研究文献的综述;二是对研究风险发生的可能性和风险发生的后果文献的综述。最后,根据现有的研究成果,进一步探讨供应链风险管理的相关问题。     

多元素及稳定同位素技术在有机食品鉴定中的应用

近年来基于原子光谱的分析技术作为有机食品的确证手段受到了极大的关注。本文介绍了目前基于原子光谱技术的多元素及稳定同位素分析技术及其在有机产品鉴定中的应用,分析了这些技术的局限性,并建议以分析技术与统计学相结合的模式能够更好地推动有机食品鉴别技术的发展。     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。