排序方式: 共有68条查询结果,搜索用时 31 毫秒
61.
基于光谱技术和多分类器融合的异物蛋检测 总被引:1,自引:0,他引:1
为了提高鸡蛋中的血斑和肉斑的检测准确率,给消费者提供高品质的鸡蛋,该文利用微型光纤光谱仪采集鸡蛋的透射光谱,在单分类器的基础上,通过多分类器的融合对异物蛋进行检测。首先根据差异性度量选取朴素贝叶斯,Ada Boost和SVM分类器作为单分类器,然后通过特征级融合选取了5个基分类器。最后,5个基分类器以加权投票机制进行决策级融合。多分类器融合对正常蛋和异物蛋的检测准确率分别为92.86%和91.07%。试验结果表明,利用多分类器融合所建立的模型优于单一分类器的模型,提高了对异物蛋的检测准确率。 相似文献
62.
Classification is an important research area in Artificial Intelligence, which has a broad range of applications such as pattern recognition, diagnosis, data mining, and so on. A best classifier can be built by using belief networks. This paper mainly discusses how to build the Naive Bayes classifiers, the Augmented Naive Bayes classifiers, and the General Belief Network classifiers. Their respective advantages and shortcomings also be shown by a detailed comparison. 相似文献
63.
64.
65.
66.
基于高光谱图像技术的大豆品种无损鉴别 总被引:2,自引:0,他引:2
为解决传统大豆品种检测方法存在的效率低和精度差等问题,应用高光谱图像分析技术展开大豆品种甄别研究。采集10个品种(每品种100粒,共1 000粒)大豆样本400.92~999.53 nm的高光谱反射图像,分别进行中值平滑、多元散射校正和数据标准归一化预处理去噪,提取样本图像中心30×30 pixels感兴趣区域的平均光谱曲线和标准差曲线。分别以样本平均光谱值主成分得分、标准差光谱值主成分得分及两者结合作为模型输入,基于T-S模糊神经网络和随机森林思想组合分类器构建鉴别模型。经中值平滑的光谱平均值和标准差作输入,结合随机森林思想的组合分类模型鉴别效果最佳,训练集、测试集的平均鉴别率分别达99.6%和97.6%。结果表明,采用高光谱图像技术可实现大豆品种高精度无损鉴别。 相似文献
67.
扇贝分级机的设计 总被引:3,自引:0,他引:3
扇贝具有很高的价值,然而扇贝加工技术的落后,阻碍了扇贝产业化的发展。分级是扇贝前处理加工的必经程序,其特殊形状导致了分级的困难,以及专用分级设备的缺乏。针对扇贝的分级需要,分析了传统分级机的特点以及不足之处,并设计了一种新型的扇贝分级机。该分级机不仅可以将大小不一的扇贝按近似直径分为若干级别,以便后续加工和销售,而且可以根据生产需要的变化或者扇贝尺寸范围的变化调节分级范围,提高分级效率和分级精度,减少无用功。该分级机不仅适用于扇贝的分级,也完全适用于其他球型物料的分级,因此具有广阔的应用前景。为此,以海湾扇贝为例,介绍了该扇贝分级机的总体结构和工作原理,并着重分析了其关键部件。 相似文献
68.
为实现储运过程中生鲜猪肉新鲜度实时检测,该研究基于可见/近红外光谱技术开发了掌上式生鲜猪肉新鲜度无损智能检测装置。检测装置以可见\近红外光谱采集单元为核心,搭建了硬件系统,开发了生鲜猪肉新鲜度多指标同时检测和新鲜度分级软件系统。通过研发的检测装置采集了不同部位猪肉的650~1 100 nm波长范围的漫反射光谱,经过标准正态变量变换(standard normal variable transformation,SNV)预处理后,对比连续投影算法(successive projections algorithm, SPA)和竞争性自适应加权抽样算法(competitive adaptive reweighted sampling, CARS)算法优选了猪肉新鲜度特征光谱,分别建立了不同部位猪肉新鲜度指标通用预测模型,并根据挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量和pH值预测值,将猪肉分为新鲜、次新鲜和变质3个等级。试验结果表明,通过 SNV预处理和CARS算法筛选特征波长后建立的PLS预测模型(下文简称“SNV-CARS-PLS”)具有更好的性能, TVB-N含量、pH值、亮度L*、红度a*和黄度b*通用预测模型的预测集相关系数分别为0.942、0.945、0.940、0.933和0.833,预测均方根误差分别为1.131 mg/100 g、0.136、1.706、1.217和0.717。将通用检测模型导入检测装置进行了试验验证,对不同部位猪肉样本试验结果表明,TVB-N含量、pH值、亮度L*、红度a*和黄度b*的预测结果与理化值的均方根误差分别为1.109 mg/100 g、0.134、1.140、1.094和0.636;新鲜度的分级正确率为92.86%;单个样品检测时间约为1 s。该检测装置可满足不同部位猪肉新鲜度多指标现场快速检测和分级的需求,为及时掌握储运过程中生鲜猪肉新鲜度情况、辅助决策储运和销售方案、保障生鲜猪肉品质安全具有重要作用。 相似文献