农产品自动检测中的常见颜色模型

颜色是表明物体性状的一个重要特征，在计算机视觉技术中有相当广泛的应用。由于颜色本身是一种主观感觉，所以为了将其量化，同时更适合人眼视觉系统，因此产生了各种颜色模型，相关的文献也相当多。为此，总结了目前用于计算机处理的常用颜色模型，将重要模型的计算公式一并列出，以便于在农产品自动检测时能够依据系统来选择一个合适的颜色模型。     

我国牛肉大理石花纹等级图谱的改进研究

本文通过对牛肉眼肌截面照片的图像处理，提取其中大理石花纹的特征参数，建立了大理石花纹得分与大理石花纹总面积、大颗粒脂肪密度、中等颗粒脂肪密度和脂肪分布均匀度的线性预测模型，合理性较好（R2=0.8415）；并在此模型和有代表性的样本参数统计的基础上对不同大理石花纹等级的特征参数进行了量化，对我国《牛肉质量等级》中的大理石花纹等级图谱进行了调整，将原有的4级调整为7级，大理石花纹总面积百分比从1至7级依次为14%、11%、8%、6%、4%、2%和0.5%。     

用基于遗传算法的BP神经网络识别牛肉肌肉与脂肪

利用遗传算法的全局搜索能力,改进标准BP算法随机选取初始权重的不足,并构建了3-12-1的三层遗传BP神经网络,进行了3次牛肉肌肉与脂肪像素的分类试验,研究用BP网络对牛肉肌肉与脂肪两类像素点进行识别的可行性。以像素点的RGB值作为BP网络输入向量,每次训练集样本数62,测试集样本数43。测试的最终结果为：训练集的样本识别率分别为100%、100%、98.3871%;对应测试集的样本识别率分别为97.6744%、97.6744%、100%。试验结果表明,尽管基于遗传算法的BP神经网络对训练样本集以及测试样本集的肌肉和脂肪的识别率均在97%以上,但由于牛肉图像像素值在颜色空间中比较分散,有利于聚类的规律性不明显,因而是否可用BP网络来完成肌肉与脂肪的识别,还需要在网络拓扑结构、训练样本集等方面进一步研究。     

牛肉图像线性增强的统一实现

图像增强是图像处理中非常重要的一种技术，线性增强技术在牛肉图像处理过程中必不可少。为此，从实际程序设计出发，采用而向对象的编程思路，通过对话框来接受用户输入的数据，最后用一个程序来完全实现各种线性增强技术，并用牛肉图像作为载体，实验证明本技术完全正确。     

千万次的呼唤——怀念同学王志平

魂兮归来!去君之恒干,何为四方些?舍君之乐处,而离彼不详些。志平,你就这样走了吗?急匆匆地,连句话也没有留下,一如你平时那样,急匆匆地来,又急匆匆地去。然而这次你却走的太远了,再也无法回来。天国无路,无法找寻,我     

悼雁北——兼怀段磊

又见3月6日,又见惊蛰来临;也是雪后春寒,也是气温骤降,此情此景与14年前何其相似,那天凌晨,我的好友景泽无声无息地走了!整整14个年头了,我不知多少次动笔写过祭文,但又每每作罢,我害怕苍白的语言无法承载感情的重量,虽痛定思痛,长歌     

基于计算机视觉的牛肉分级技术综述

在中国牛肉分级标准颁布后，牛肉的自动分级就成为一个值得关注的新课题。国外的牛肉自动分级技术已较为成熟，而中国对此研究还处于起步阶段。综述了国内外牛肉自动分级技术的研究进展。中国的研究人员利用计算机视觉技术进行自动分级，需要从生产工艺，信息获取方式，牛肉本身性状的研究等多方面结合。提取牛肉大理石纹作为分级的关键技术之一，不但适合中国的标准，同时也与国外标准相一致。     

牛肉颜色的HSL特征分析

掌握牛肉肌肉的颜色特征有助于进一步的图像分析.为此,利用C#平台编制程序,对牛肉图像中的肌肉像素进行了随机抽样,并用统计学中的矩估计法和极大似然法对肌肉的HSL各分量的上下限进行了界定,最后进行图像分割来证实这些数据的正确性.结果证实,用亮度值(L)或饱和度值(S)来区分图像中的肌肉和脂肪更合适.     

心灵深处是真情——简评张雁彬随笔散文集《温暖的金色麦穗》

同学雁彬从北京来电,说要送我一本他写的书。我听后十分诧异:身为国家领导人的秘书.每天诸事繁忙.自留的时间很少,哪还顾得上写东西,更何况结集出书?几天后.他的书几经辗转放到了我的桌上,我不禁眼前一亮:这是一本装帧简朴