我国禽蛋无损检测的现状及分析

禽蛋的品质检测是禽蛋生产、加工过程中的重要环节之一,该文从禽蛋的内部品质、外部品质、储存时间、孵化蛋成活性检测以及禽蛋大小分级等方面对我国禽蛋无损检测的现状进行了阐述,内部品质检测和禽蛋大小分级主要以机器视觉技术结合图像处理技术为主;外部品质和储存时间的检测可以利用光学特性和声学特性等,建立相关数学模型实现无损检测;孵化蛋成活性检测目前的方法是通过光谱技术并结合图像信息,建立有效的数学模型,实现孵化前种蛋的定性检测。     

基于人工神经网络的马铃薯品质分级系统

综合运用计算机视觉技术、人工神经网络技术以实现马铃薯品质的自动分级．试验表明,该方法能满足马铃薯分级的要求,分级的准确率可以达到90％以上．     

基于近红外透射光谱与机器视觉的蜜柚汁胞粒化分级检测

汁胞粒化是一种柑橘类水果中汁液囊的生理失调现象,表现为汁液囊变硬、干燥等,对水果内部品质产生消极影响。蜜柚是一种厚皮的柑橘类水果,很难通过外部果皮及果形,鉴定果实内部的汁胞粒化程度。采用近红外透射光谱结合机器视觉技术的快速无损检测方法,对蜜柚汁胞粒化程度进行分级检测。采集600个不同生长期的蜜柚样本在900～1700 nm的光谱数据,按果实的汁胞粒化程度将其分为5级。结合化学计量学研究由汁胞粒化引起的内部品质的化学变化,而机器视觉技术可用于研究由汁胞粒化引起的外部特征的物理变化。因此,该方法相较于传统检测方法,分级模型的预测能力更好。尤其是,连续投影-K近邻算法预测模型的准确性、敏感性和特异性分别达到0.970 0、0.923 1和0.987 4以上。结果表明:该方法可用于汁胞粒化的鉴定与评估分级,且具有巨大潜力,以期为厚皮类水果在线分选及内部品质研究提供参考和理论依据。     

基于颜色和纹理特征融合的马铃薯分级方法

目前马铃薯分级主要依靠人工完成,而对马铃薯的自动分级研究主要是对形状和大小进行初步分级,为了更好地对马铃薯进行精细化分级,提出一种颜色和纹理特征融合的分级方法,将马铃薯按色泽、损伤和蔫坏程度进行分级。首先提取马铃薯图像的马铃薯的HSV(hue saturation value)颜色特征,采用小波变换提取纹理特征,对两特征进行特征融合,然后通过对比支持向量机(support vector machine,SVM)分类器采用不同核函数的分级精度,选择了分级精度较高的径向基(radial basis function,RBF)核函数,最后模拟生产线上的马铃薯分级环境进行试验。试验结果为:能够将马铃薯按色泽、损伤和蔫坏程度分为三个等级,分级准确率达到97. 67%,每帧图像的平均处理时间为1. 0 s。该方法可用于马铃薯的精确分级,有利于提升马铃薯的质量和商品化速度。     

支持向量机及在马铃薯分级中的应用

本文针对马铃薯分级手段落后,分级精度不高的问题,研究了采用基于结构风险最小化原理的支持向量机方法对模式类的识别能力,构造了对应的SVM识别过程和算法,该方法易于实现,且能够找到模式间的最优分类超平面,泛化能力明显提高。最后采用两种核函数,将SVM用于马铃薯分级识别以提取马铃薯外部特征与马铃薯级别之间的映射关系,从而实现模糊性的识别。实验结果表明,此方法对解决马铃薯识别问题具有良好的适应性和实用性。     

图象及机器视觉技术在作物科学中的应用进展

从作物的生长信息监测、产品外观品质检测与分级、产品收获与加工及病虫草害识别等四个方面回顾了计算机图象技术及机器视觉技术在作物领域的应用研究进展，包括图象处理与分析、机器视觉技术在应用发展过程中的方法探索与思路的演变，并对今后的发展做了展望。     

果实品质无损伤检测与自动分级技术的研究进展

从利用光学特性、声波振动、机器视觉技术、核磁共振(NMR)技术和利用电子鼻、电学特性、CT等方面,综述了技术检测果实品质的研究概况。阐述了果实分级的机械化与自动化技术,并详细说明了果实机械化分级技术、计算机视觉技术与自动分级的研究与应用情况,以及计算机视觉技术在判断果实大小、色泽、果实损伤与表面缺陷以及综合品质判断方面的研究进展情况。最后,指出了无损伤检测技术和自动分级技术应用中存在的主要问题,并对其开发应用前景进行了展望。     

光电式枣品质在线分级系统

本文介绍了一种光电式枣品质在线分级系统,利用计算机视觉技术,可实现大小、颜色、外部缺陷等枣外观品质指标的分级。包括辊杠去杂列队系统、枣定向系统、计算机视觉识别系统、分级系统。辊杠去杂列队系统利用辊杠的间隙初步去除一些杂质和不适合作为商品果销售的枣,并使枣列队向前运输;枣定向系统通过运输滚轮的自转和运输段的倾斜,使枣的腰径方向和运输方向相同,便于计算机视觉检测和下果;计算机视觉识别系统可检测枣的表面积和枣的颜色,并以此为依据对枣进行分级,结合旋转编码器给出的位置信息,通过控制模块传送给分级执行机构,实现枣品质的在线分级。     

基于机器视觉和盲源分离的机械故障检测

为解决从复杂的信号环境下提取所需的信号,克服传统方式上信号获取与处理方法的不足和多源故障振动信号位置不确定等问题,针对机械转子的多源故障情况进行研究,提出一种基于机器视觉和盲源分离的旋转机械故障检测方法.首先介绍了基于机器视觉和盲源分离问题的数学原理,然后基于盲源信号分离方法和超定视觉盲源分离方法分析获取的高速视频,从而实现多源振动信号的分离与定位.最后,实验结果表明本文中提出的检测方法能够对旋转机械多源故障进行准确定位.该方法将机器视觉测量方法与盲源分离信号处理方法进行结合,实现了对多源故障有效分离识别.     

基于机器视觉与光谱融合的柑橘品质无损检测分级系统设计与试验

针对柑橘果径、着色率和内部糖度3项关键品质指标,基于双锥滚子式果杯传输线设计了一套柑橘综合品质无损检测分级系统,该系统主要包括喂料部分、机器视觉检测模块、近红外光谱检测模块和分级执行部分.机器视觉检测模块采用单相机拍摄不断翻滚的柑橘视频来获取大量不同姿态的柑橘图像,并进行轮廓提取,以单个柑橘所有帧图像的最小外接圆直径的平均值计算果径,以每一帧图像得到的其二维黄色占比的平均值作为全表面着色率.在近红外光谱检测模块中设计了透射式光路,采集柑橘透射率光谱,并按在线检测时柑橘出现的两种高频姿态建立了混合姿态糖度检测模型,对比不同预处理方法下的建模结果,选取应用效果较优的多元散射校正(MSC)后建立的偏最小二乘法(PLS)模型.在线试验结果表明：果径检测的最大绝对误差为-1.42 mm,着色率检测的最大绝对误差为0.048,糖度检测结果的相关系数为0.817,均方根误差为0.658%.内外品质的联合检测分级按判别树决策方法确定了3种品质的联合分级方式,在分选速度为5个/s时,综合分级的平均准确率可达到91.16%,该检测分级系统整体结构简单,对于类球形水果具有较强的适用性,在产业化应用上有很大的...     

机器学习研究

由于Internet的使用，不分时间与地域地获得信息已成为现实，但是，如何有效利用这些信息，并使用这些信息提高生产率成为迫切需要解决的问题．机器学习是解决这类问题的有效方法之一．在此将对目前机器学习研究的主要趋势、理论与技术以及存在的问题，根据作者的研究经验进行综述，以便引起研究者的注意．     

统计机器学习研究

通过将正则化框架引入到统计学习中来,介绍了几种当前流行的统计学习机器,分析了他们的性能,并探讨了快速求解算法.     

基于一类支持向量机的快速人脸相似性学习

把一类支持向量机应用到人脸相似性学习中,提出了一种快速的人脸相似性学习方法.和标准支持向量机相比较,一类支持向量机的主要特点是只利用相似样本进行训练,减少了数据量,能快速地进行相似性学习.2个实际人脸数据库上的实验结果表明,本方法能够快速地学习到人脸相似性,其运行时间至多是支持向量机算法的三分之一.     

支持向量机的学习方法综述

支持向量机是一种基于统计学习理论的新型机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.详细总结了支持向量机的学习方法,其学习方法主要分为3大类:分解算法、多变量更新算法和序列算法,比较了它们的优缺点;最后指出了学习算法的研究方向.     

相关向量机及其在铜锍吹炼中的应用研究

相关向量机(Relevance Vector Machine,RVM)是一种新的在稀疏贝叶斯概率模型的基础上发展起来的基于统计学习理论的机器学习方法,它比支持向量机( Support Vector Machine,SVM)有更多优点,已成为数据挖掘的又一高效有力工具.本文研究了RVM在铜锍吹炼中的应用.用RVM对某冶炼...     

支持向量机学习方法的选择与应用

介绍支持向量机中的核函数及其参数的选择和相关应用技术，以及SVM的应用研究。在不同的学习方法下进行了仿真实验，并对4种不同方法的分类特性进行了对比分析，给出了在不同模式识别问题中不同方法的选择条件。     

一种快速SVM学习算法

介绍了支持向量机用于解决模式分类问题的基本原理和学习算法，在对SMO算法进行深入分析的基础上，提出了一种改进的分解算法GD，较好地解决了训练过程中子问题的求解复杂度和迭代次数及效率之间的矛盾。实验表明，该算法能够大大缩短非线性核支持向量机的训练时间。     

机器学习在生物信息学中的应用

机器学习具有从数据和经验中获取知识的学习能力，能用于从大量生物数据中提取知识的过程。生物信息学是一个融合多门学科的领域，包括分子生物学、计算机科学、物理化学和数学。机器学习算法已成为生物信息学中数据分析算法的主要内容。介绍了典型的机器学习方法以及它们在生物信息学中的应用。     

Advanced Credit-Assignment CMAC Algorithm for Robust Self-Learning and Self-Maintenance Machine

Smart machine necessitates self-learning capabilities to assess its own performance and predict its behavior. To achieve self-maintenance intelligence, robust and fast learning algorithms need to be embedded in machine for real-time decision. This paper presents a credit-assignment cerebellar model articulation controller (CA-CMAC) algorithm to reduce learning interference in machine learning. The developed algorithms on credit matrix and the credit correlation matrix are presented. The error of the training sample distributed to the activated memory cell is proportional to the cell‘s credibility, which is determined by its activated times. The convergence processes of CA-CMAC in cyclic learning are further analyzed with two convergence theorems. In addition, simulation results on the inverse kinematics of 2degree-of-freedom planar robot arm are used to prove the convergence theorems and show that CA-CMAC converges faster than conventional machine learning.     

两种机器学习方法及其在机器翻译中应用

在智能技术的研究中,从例子中学习和类比学习是两种好方法。第一部分研究了两种机器学习方法;第二部分讨论了类比机器翻译方法。