基于力学和图像特征的盐渍海参品质分级方法研究

海参含海盐量过高,对其食味品质和营养价值影响较大,为实现快速、无损盐渍海参品质分级,以两种不同食盐浓度下制备的盐渍海参为研究对象,利用质构仪采集力学数据信息,通过工业相机采集下压过程的图像信息,提取下压力作功的力学特征和目标形态变化的图像特征,分别将力学值、作功值、图像特征作为输入,选择最近邻分类器(KNN),构建盐渍海参品质分级模型,分级准确率分别可达77.22%、88.8%和88.8%。为提高分级准确率,将上述提取的数值特征进行归一化,以此为输入,建立基于KNN的盐渍海参品质分级模型,分级准确率可达到94.44%。该方法在盐渍海参品质分级应用中具有一定潜力。

基于机器视觉技术的小米品质检测方法研究

为实现小米品质的快速鉴评,以“豫谷18”新米和陈米为研究对象,利用工业相机采集出样本的RGB图像,通过图像处理裁剪出同样大小感兴趣区域(ROI)图像块。由于新米与陈米在颜色方面差异较大,为更好提取颜色特征,将RGB图像转换到HSV颜色空间并提取HSV颜色空间下ROI区域的色调(H)和饱和度(S)对应的中心矩特征。根据特征值的分布图,筛选出更易区分的特征,组成特征向量作为分类器的输入,建立基于支持向量机(SVM)的识别模型。通过留一校验方法进行模型的训练测试,结果表明,当选择饱和度(S)中心矩特征作为特征向量输入模型时,识别率达到95%,且耗时较少,可以应用于小米的品质检测。

基于机器视觉的淡水鱼去鳞损伤无损检测识别方法

为了研究淡水鱼去鳞损伤无损检识别方法,以鲤鱼为研究对象,搭建视觉采集系统,实现图像采集与处理。通过采集鲤鱼去鳞后有去鳞损伤的图像,将样本图像划分为鱼腹、鱼背、鱼尾、损伤、背景五部分,提取感兴趣区域(ROI),比较其颜色差异,发现正常鱼体的表面区域与损伤区域颜色差异较大,以不同区域对应的红色通道值(R)、绿色通道值(G)、蓝色通道值(B)对应像素的平均值作为输入,建立基于广义神经网络(GRNN)和径向基函数神经网络(RBF)的鱼体损伤区域检测识别模型,经测试,识别准确率分别能达到98%和80%。通过计算预测损伤区域与实际损伤区域的相关面积大小,验证识别模型的准确度,经试验验证,基于GRNN和RBF网络识别模型对去鳞损伤预测的准确率分别达到了90%和83%。研究结果表明,机器视觉可应用于淡水鱼去鳞损伤的无损检测识别。