排序方式: 共有26条查询结果,搜索用时 31 毫秒
1.
2.
以生长期为10 d的杂草稻和水稻为研究对象,采集其高光谱图像信息,对其进行滤波预处理后,利用主成分分析方法优选出1448.89 nm和1469.89 nm波长下的特征图像.对每个特征图像,分别提取其形状特征、纹理特征和颜色特征,共18个特征变量.基于这些特征变量,利用神经网络方法建立杂草稻和水稻的判别模型,模型训练时杂草稻和水稻的回判率都为100%;预测时,杂草稻的回判率为92.86%,水稻的回判率为96.88%.研究表明,利用高光谱图像技术快速鉴别稻田苗期杂草稻是可行的. 相似文献
4.
【目的】解决茶叶揉捻机揉捻压力大小由制茶师凭经验施加,导致加工茶叶质量不稳定,严重影响茶叶品质等问题。【方法】课题组在6CR-55型单柱式揉捻机基础上,改进设计一种轮辐式压力传感自动加压装置。采用理论分析法和ADAMS动力学仿真分析,确定了揉捻压力的大小及方向;选择DYLF-102轮辐式压力传感器,将压力传感器固定在揉捻轴接近底端位置,实时监测揉捻压力大小;利用步进电机通过锥齿轮、丝杆滑块传递动力,实现自动化控制加压;开发揉捻机自动控制系统,并进行样机试验。【结果与结论】1)根据受力分析,得出揉捻盖受到茶叶挤压力时力传导方向是垂直向上的结论。2)仿真结果表明,除去开始力的突变过程,总体上CONTACT_1与SFORCE_1的大小基本接近,由此可推断出茶叶对揉捻盖的挤压力也会反作用到揉捻轴上,而且大小和方向非常接近。3)样机实验表明,采用自动加压的揉捻压力满足了“轻-重-轻”的茶叶揉捻工艺,且揉捻效率相较于手动加压茶叶揉捻机的揉捻效率平均提升了28.5%,茶叶锁紧成条,品质更加稳定,茶味更加香醇。 相似文献
5.
绿茶中的茶多酚与氨基酸含量之比(即酚氨比)是评价绿茶滋味品质的量化指标。本文提出利用近红外光谱技术快速分析绿茶汤的酚氨比,并对光谱的特征变量进行筛选以提高模型的精度和稳定性。试验采用联合区间偏最小二乘法(siPLS)结合连续投影算法(SPA)筛选特征变量,建立酚氨比的估测模型,并与PLS、iPLS和siPLS方法建立的模型性能相比较。结果表明,应用siPLS结合SPA优选7个特征变量,主成分因子数为4时,所建模型性能最好,模型预测集相关系数(R p)为0.906,预测均方根误差(RMSEP)为0.258。对预测集30个样本的预测值与参考值进行t检验时,预测值与参考值无显著差异,说明模型准确可靠,可实现绿茶滋味品质的近红外光谱快速估测。 相似文献
6.
7.
为摒弃茶叶品质感官评审方法存在的主观性和经验性等缺陷,研究采用计算机视觉技术快速评价茶叶感官品质。依据碧螺春茶行业标准及茶叶评审师的评审结果,将20个不同品质碧螺春绿茶样本分成4个等级。采用小波变换和灰度共生矩阵提取茶叶图像的纹理特征,采用RGB[R表示红色(red),G表示绿色(green),B表示蓝色(blue)]和HIS[H表示色调(hue),I表示亮度(intensity),S表示色饱和度(saturation)]颜色模型提取图像的颜色特征,利用遗传算法优化神经网络参数,建立茶叶感官品质的BP(back propagation,逆向传播)神经网络分级模型,并与其他模型结果进行比较。结果表明,当选用前5个主成分时,所建立的模型识别精度最高,该模型总体识别率为93.8%,Kappa系数为0.933,较PCA-BP、GA-BP、BP识别精度分别提高10.0、6.3、18.8百分点,Kappa系数分别提高0.133、0.066、0.233,模型稳定性得到提高。 相似文献
8.
9.
基于电子舌技术的绿茶滋味品质评价 总被引:7,自引:2,他引:5
该文研究利用电子舌技术快速评价绿茶的滋味品质。试验以“碧螺春”绿茶为研究对象,以绿茶滋味化学鉴定法作为绿茶滋味品质的评价方法,获得的滋味总得分值作为电子舌评价模型的参考测量值。在数据分析过程中,首先对不同生产日期的碧螺春茶汤滋味总得分值和各传感器响应值进行单因素方差分析;然后对比采用偏最小二乘法和最小二乘支持向量机建立电子舌传感器响应值与滋味总得分值之间的相关模型。结果显示不同生产日期对绿茶滋味品质及各传感器响应信号都具有极显著影响;当采用4个主成分时,建立的最小二乘支持向量机模型最优。用独立样本检验模型精度,模型预测值与参考值的相关系数为0.906,预测集均方根误差为4.077。研究结果可为茶叶品质智能化评价提供参考。 相似文献
10.
【目的】为提高脐橙采摘机器人在自然环境下对脐橙果实进行识别定位的精度,提出采用深度学习结合快速导向滤波方法识别自然环境下脐橙果实。【方法】以赣南脐橙为对象,改进导向滤波方法,去除自然环境下脐橙图像的光照等噪声信息,突出图像颜色和纹理特征。采用带有残差模块的Darknet-53作为特征提取网络,将多尺度融合的3尺度检测网络减少为2尺度检测网络,引入GIoU边界损失函数代替原损失函数,并使用DBSCAN+Kmeans聚类算法,对训练数据集聚类分析,优化预测分支的先验框尺寸,通过迁移学习训练方法建立脐橙果实识别模型,设计单果、向光、背光、果实重叠、枝叶遮挡5组测试集的对比实验,并与其他几种识别模型性能进行比较。【结果】快速导向滤波方法能很好地去除脐橙图像在自然环境下光照及边缘模糊等噪音信息。当优化2个预测分支先验框尺寸时,改进后模型在5种环境下综合性能都优于其他网络,尤其在真实种植环境下识别准确率达到了91.22%,召回率为97.30%,F1平均值为94.16%,识别速率约为26.48 fps。【结论】使用快速导向滤波结合深度学习方法建立的脐橙果实识别模型对自然环境下脐橙果实的识别具有较高的... 相似文献