基于BPNN和SVM的烟叶成熟度鉴别模型

为了在烟叶采收环节中快速准确地鉴别适熟烟叶。以下部烟叶为样本,利用烟叶图像的RGB颜色特征信息,以目标区域和背景区域平均灰度值的最大对比度为依据,选取G-B图像提取烟叶目标区域。目标区域通过形态学膨胀和腐蚀运算去除噪声后,从原始烟叶图像中得到目标烟叶图像。通过MATLAB软件提取R、G、H、S、V颜色特征均值,以及能量ASM、熵ENT、惯性矩INE、相关性CORRL纹理特征,将这9个变量作为输入参数,分别建立基于BP神经网络、支持向量机的烟叶成熟度鉴别模型,准确率分别为93.83%和97.53%。试验结果表明,通过机器视觉对烟叶成熟度鉴别是可行的,为进一步研制烟叶采收机奠定了基础。      

基于高光谱成像技术的小白杏成熟度判别模型

为快速、准确检测小白杏的成熟度,该研究选择七成熟、八成熟、九成熟、十成熟的小白杏样本各120个,采用近红外高光谱成像系统采集样本的高光谱数据,进行去除噪声和剔除界外样本处理。然后使用均值中心化（mean centering,MC）、Savitzky-Golay卷积求导法（Savitzky-Golay derivative,S-G）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变量变换（standard normal variate transformation,SNV）、归一化法5种方法分别对全波段和特征波段光谱进行预处理,采用光谱-理化值共生距离算法（sample set partitioning based on joint x-y distance,SPXY）、K-S法（Kennard-stone,K-S）、双向算法（Duplex）、交叉验证法、随机法将样本划分为校正集和验证集。最后用极限学习机（extreme learning machine,ELM）、支持向量机（support vector machine,SVM）、偏最小二乘法（partial least squares,PLS）、K最邻近法（K-nearest neighbor,KNN）、贝叶斯判别法建立不同的分类判别模型,比较各模型的识别率。结果表明,对小白杏成熟度定性判别模型,有以下最优组合：全波段+MSC+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN、全波段+S-G/MSC/归一化/SNV+随机法+贝叶斯、全波段+S-G+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN、全波段+归一化+SPXY/Duplex/K-S/交叉验证/随机法+PLS、特征波段+MSC+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN/贝叶斯、特征波段+归一化+SPXY/Duplex/K-S/交叉验证/随机法+PLS。     

基于高光谱成像技术的李果实成熟度判别

为了探究快速识别不同成熟度李果实的有效方法,本研究以李果实作为研究对象,基于高光谱成像技术对不同成熟度的李果实(未熟、半熟、成熟、过熟)样本的光谱信息(420～1000 nm)进行采集,对采集样本的光谱信息进行平滑处理(Smoothing)与标准正态变量校正(SNV)相结合的方法预处理光谱数据,分别以预处理后的全光谱(FS)数据和采用主成分分析(PCA)法提取主成分、采用连续投影算法(SPA)提取特征波长作为输入变量,建立偏最小二乘法(PLS)模型,比较不同判别模型的准确性。结果表明,FS-PLS建立的模型判别准确率最高,综合准确率达到了91.88%;但考虑实验计算量及复杂程度来说,SPA-PLS建立的模型判别准确率最优,综合准确率达到91.25%。该研究为李果实成熟度的判别检测提供了新的理论基础。     

基于高光谱成像技术的板栗产地溯源

目的 建立了一种基于高光谱成像(Hyperspectral Imaging, HSI)技术的板栗产地溯源模型。方法 采集怀柔、迁西和沂蒙短枝三种不同产地板栗的高光谱图像,提取感兴趣区域(Region of Interest, ROI),建立支持向量机(Support Vector Machine, SVM)板栗产地溯源模型,通过比较分析不同预处理方法对建模结果的影响,选出最佳的预处理组合方法,并使用遗传算法对模型进一步优化。结果 实验结果表明,经多元散射校正(Multiplicative Scatter Correction, MSC)和移动窗口平滑法(Moving Window Smoothing, MWS)组合预处理后的数据所建立的溯源模型预测性能最好,分类的预测精确率达到了95%以上,模型整体的准确率为96.61%。经遗传算法(Genetic Algorithm, GA)对SVM的参数C进行优化,优化后的模型对怀柔板栗和沂蒙短枝板栗的预测精确率达到了100%,模型整体的准确率提高到了98.31%。结论 本研究基于高光谱成像技术建立了一种板栗产地溯源模型,经预处理和参数优化后,所建立的模型具有较好的预测性能,为板栗的产地溯源提供了一种新方法。     

不同成熟度茄衣烟叶高光谱特征分析及分类模型构建

为掌握不同成熟度茄衣烟叶的高光谱特征,本研究利用便携式高光谱相机采集3种成熟度[尚熟（SS）、成熟（CS）以及完熟（WS）]茄衣烟叶的高光谱图像并提取光谱数据,通过多元统计分析研究了不同成熟度茄衣烟叶高光谱特征,并构建了支持向量机（SVM）模型用于茄衣烟叶成熟度的分类判别。茄衣烟叶高光谱在400～680 nm、730～1000 nm各自区域内以及400～430 nm与730～1000 nm两个区域之间具有很强的正相关性,在460～730 nm与760～940 nm之间相关性较弱;3个特征值大于1的主成分（PC1～PC3）几乎包含了所有的光谱信息;主成分方差分析结果表明,不同成熟度茄衣烟叶的高光谱反射特征在可见光、红边以及近红外区域均存在统计学差异;SVM对3种成熟度茄衣烟叶的分类准确率达到98%以上,对CS茄衣烟叶的精确率、召回率和F1分数均为100%,对SS和WS茄衣烟叶均达到94%以上。茄衣烟叶高光谱存在多重共线性,具有很好的降维效果,不同成熟度茄衣烟叶的光谱反射特征差异明显,SVM在茄衣烟叶成熟度分类判别方面表现优异,可辅助用于茄衣烟叶适熟采收。     

基于高光谱技术的铁观音茶叶等级判别

应用高光谱技术结合支持向量机分类理论对不同等级的铁观音茶叶进行判别分析。采集铁观音各等级茶样的高光谱数据,提取红边幅值、蓝边位置、黄边面积、红谷反射率、归一化植被指数等共20 个光谱特征参数,以其作为输入量带入以径向基函数作为核函数的支持向量机分类模型,探讨惩罚参数C和核参数g的最佳取值,构建判别模型,并对其进行验证和评价。结果显示,当惩罚参数C和核参数g分别为106和0.007 5时,所建模型对未知等级的铁观音样品正确判别率可达92.86%,表明应用高光谱技术进行铁观音茶叶等级的快速无损准确鉴别是可行的。     

高光谱成像技术检测油茶果成熟度

为解决油茶果采摘期判断不准确可能导致的茶油产量降低问题,应用高光谱成像技术结合化学计量法对油茶果成熟度进行定性判别。完成了高光谱图像的曲率校正,分析不同成熟阶段油茶果的光谱特征和理化特征的变化情况。使用4 种不同的分类算法建立基于全波段光谱数据的油茶果成熟度判别模型,发现支持向量机（support vector machine,SVM）模型的分类正确率最高为97%。结合5 种特征变量选择方法对全波段光谱数据进行降维,发现经过竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）选择的特征波长建立的模型正确率最高为82%。提取高光谱图像中的颜色特征和纹理特征建立SVM模型后发现,融合颜色特征和光谱特征建立的SVM模型的正确率高于使用单一的光谱特征（经CARS降维）建立的模型正确率：训练集分类正确率为95%,测试集正确率为93%。结果表明,利用高光谱成像技术能够对不同成熟度的油茶果进行较准确的分类,为茶农对油茶果最佳采摘期的判断提供科学依据,在保障茶籽产量最大化、油质最优化等方面具有重要意义。     

基于高光谱图像信息的李果实成熟度判别

本文以李果实作为研究对象,基于高光谱图像技术对不同成熟度的李果实(未熟、半熟、成熟和过熟)样本的图像信息进行采集,对采集样本的图像进行中值滤波去噪处理。运用Matlab软件编程对各种成熟度样本的图像进行颜色特征值提取,分别获得RGB和HSV彩色图像模型不同分量的平均值(μ)和标准差(σ)作为颜色特征值,并建立RGB、HSV颜色特征值以及RGB-HSV特征值相融合的样本成熟度PLS判别模型,并对所建立的判别模型进行预测。结果表明,基于RGB-HSV相融合颜色特征值的判别模型准确率优于RGB与HSV,其对未熟、半熟、成熟、过熟的判别准确率达到了98.4%、90.0%、85.6%及90.9%。该方法建立的判别模型不仅简化,而且增强了模型的判别能力,为实现李果实成熟度的无损检测和判别提供理论依据。     

基于深度学习的高光谱腊肉营养安全分级

本文设计的卷积神经网络-支持向量机(CNN-SVM)模型,从腊肉的高光谱成像出发,将深度学习提取特征与传统机器学习提取特征有机结合,设计出准确可靠的腊肉营养安全四分类器.利用三维卷积神经网络提取腊肉高光谱图像的深层特征,同时融合高光谱的光谱特征,联合输入支持向量机(SVM)实现对腊肉的分类和健康风险评价.结果:获得了与...     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

烟叶成熟度鉴别方法与实用五段式烘烤新工艺应用研究的回顾

针对烟叶生产中普遍采青,烘烤中存在烤青和上等烟比例偏低等技术难题,始终未能得到较好的解决.自1993年始,在福建三明从事技术服务时,结合多年的调查研究,烟农的实际采收经验和烟农反映烘烤工艺中操作性较差的技术问题,设计制定了一套可操作性强,科学合理直观的鉴别烟叶成熟度的新方法,并设计制定了一套实用五段式烧烤新工艺,该两项新工艺以福建三明烟草分公司正式文件发至各县(市)烟草公司执行,使三明烟区烟叶成熟采收鉴别方法和烘烤工艺实现了规范化,标准化,为烤烟质量的提高和烟叶质量在全国有效高的声誉做出了较大的贡献,该两项工艺逐步在福建省‘江西省应用,1999年起,以颐中烟草(集团)青州卷烟厂烟叶生产基地为示范区,并推广到华南,西南等部分烟区以及黄淮大部分烟区应用均取得明显的效果.     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法.通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特...     

基于高光谱技术检测苹果外观缺陷

目的 利用高光谱技术检测苹果外观缺陷, 分析主成分分析法和波段比率算法研究高光谱图像的可行性。方法 在400~1100 nm波长范围内获取苹果表面的高光谱图像信息, 用主成分分析法处理高光谱下采集的苹果图像, 选取第三主成分图像进行分析, 作为最后的判别依据。波段比率算法中选取了717 nm和530 nm两个有效波段,将两个波段的图像进行比值运算。717 nm波段的图像进行阈值运算、中值滤波及形态学分析得到二值化掩膜图像, 再与二值化后的比率图像进行布尔运算, 提取缺陷的有效信息。结果 基于主成分分析法, 检测苹果表面缺陷的分级准确率为81.25%, 波段比率算法对苹果表面缺陷的分级准确率为93.75%。结论 利用高光谱成像技术下波段比率算法相对于主成分分成法更适合于实时、在线、快速检测。     

基于无人机高光谱的烟田涝灾早期识别

[目的]为准确、及时估算烟田涝灾损失程度.[方法]以搭载高光谱成像仪的无人机采集强降水后的烟田高光谱遥感影像,对影像进行图像分割、几何校正、辐射校正、地表反射率反演等处理,根据烟株倒伏程度将烟田分为受灾烟田、正常烟田和土壤3个类别,并构建兴趣区(region of interests,ROI),采用光谱角匹配算法对涝灾...     

基于YOLOv5的鲜烟叶成熟度识别模型研究

【背景和目的】烟叶成熟度的准确判定和适时采收是提高烟叶质量的关键,为提高烟叶成熟度判定的准确性。【方法】以翠碧一号（CB-1）的鲜烟叶为研究对象,采用手机拍摄上、中、下3个部位5个成熟度（M1～M5）烟叶图像,利用labelimg软件从原始的图像中获取目标烟叶图像二维坐标信息,通过轻量级网络You Only Look Once(YOLO)v5进行数据训练,构建烟叶5个成熟度识别模型。【结果】CB-1的上、中、下3个部位模型中的m AP值均达到0.9以上,平均准确率分别为93.6%,92.8%,95.2%。进一步将模型部署到云服务器、并配套开发了基于Android端的烟草成熟度智能识别应用程序,实现在大田环境下响应式的鲜烟叶成熟度等级判断。【结论】基于YOLOv5模型的智能识熟APP可有效、准确地判定鲜烟叶成熟度。本研究结果可为鲜烟叶成熟度的智能识别提供理论基础和技术支撑。