搜索结果: 1-6 共查到“农业工程 霉变”相关记录6条 . 查询时间(0.075 秒)
应用电子鼻对燕麦(Avena sativa L)霉变程度进行区分,为了提高区分准确度,对电子鼻传感器阵列进行了优化的研究。每天随机选择10个燕麦样品进行电子鼻检测,试验连续进行5 d,将检测数据耦合入非线性双稳态随机共振系统,以外部Gaussian白噪声激励系统产生共振,选择输出信噪比特征值进行主成分分析,初期试验主成分1和主成分2贡献率之和为96.43%,且相同霉变程度样品离散度较大,不同霉变程...
基于信噪比分析技术的谷物霉变快速检测方法
谷物霉变 气敏传感器 随机共振 信噪比谱分析
2011/6/21
该文探索了一种基于半导体气敏传感器阵列和随机共振信噪比分析技术的谷物霉变快速检测方法,试验测量了大米、小米、燕麦和红豆的霉变试验数据,输入分析系统处理并输出信噪比谱图,以基准信噪比特征值-82.5所包络的噪声宽度作为4种谷物样品霉变程度的数字化表征手段,可以直观的观察到每类样品的霉变过程。大米和小米样品在第4天检测时,就出现了较明显的霉变,燕麦样品在第7天出现霉变,而红豆样品在检测过程中未发生变化...
基于GA-LSSVM和近红外傅里叶变换的霉变板栗识别
傅里叶变换 板栗 近红外光谱 最小二乘支持向量机(LSSVM)
2011/6/21
为克服板栗近红外光谱变量多、共线性强等缺点,该文对标准正态变量变换预处理后的板栗近红外光谱进行傅里叶变换,并用不同方法建模,提高识别精度。采用试探法提取近红外光谱傅里叶系数,建立了基于最小二乘支持向量机分类器的霉变板栗识别模型。当提取前35点傅里叶系数时,板栗的平均识别正确率为93.56%;构造GA-LSSVM算法,建立的霉变板栗识别模型所用傅里叶系数减少为13点,对测试集中合格板栗、表面霉变板栗...
霉变板栗的近红外光谱和神经网络方法判别(Discrimination of Moldy Chinese Chestnut Based on Artificial Neural Network and Near Infrared Spectra)
板栗 近红外光谱 BP神经网络 预处理
2009/11/3
利用近红外光谱检测了带壳板栗的品质。在波数为12000~4000cm-1范围内采用近红外漫反射法采集了合格板栗和霉变板栗的光谱,用6种光谱预处理方法分析数据,比较了板栗近红外光谱在不同预处理方法下所建模型的识别率。试验结果表明经矢量归一化预处理所建模型识别效果最好,对预测集中的合格板栗、表面霉变板栗、内部霉变板栗的预测正确率分别为94.74%、94.44%、92.31%。
基于神经网络与图像处理的花生仁霉变识别方法
花生仁 霉变 图像处理 神经网络
2007/12/17
为了采用机器视觉对霉变花生仁的自动识别与分选,研究了一种基于花生仁图像特征和人工神经网络的霉变识别方法。首先,利用Sobel算子直接对噪声含量少、边缘保存较完整的B分量灰度图进行边缘检测,经过形态学滤波、填充、合成等处理去除背景,得到分割后的彩色花生仁图像。然后提取颜色特征H、I、S及纹理特征RW、GW、BW,将其作为MATLAB所创建的神经网络的输入,并分别定义正常、轻度霉变、严重霉变3组代码为...