-
题名基于力学和图像特征的盐渍海参品质分级方法研究
被引量:1
- 1
-
-
作者
闫朋涛
朱鑫宇
张学雨
孙家亮
杨继新
王慧慧
-
机构
大连工业大学机械工程与自动化学院
-
出处
《计算机科学与应用》
2019年第11期2154-2160,共7页
-
基金
国家自然科学基金(31701696)、大连市青年科技之星项目支持计划(2017RQ128).
-
文摘
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。
-
关键词
盐渍海参
品质分级
力学特征
图像特征
模型
-
分类号
TS2
[轻工技术与工程—食品科学与工程]
-
-
题名基于机器视觉技术的小米品质检测方法研究
- 2
-
-
作者
闫朋涛
王昆伦
张学雨
闫涛格
孙家亮
张旭
-
机构
大连工业大学机械工程与自动化学院
单黄淮学院生物与食品工程学院
-
出处
《计算机科学与应用》
2019年第10期1839-1846,共8页
-
基金
大连市科技之星项目(2017RQ128)、辽宁省自然科学基金项目(20180551017)资助.
-
文摘
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。
-
关键词
机器视觉
小米分级
颜色特征
支持向量机(SVM)
特征选择
检测识别
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于机器视觉的淡水鱼去鳞损伤无损检测识别方法
被引量:4
- 3
-
-
作者
闫朋涛
王昆伦
孙家亮
张学雨
王碧尧
王慧慧
-
机构
大连工业大学机械工程与自动化学院
国家海洋食品工程技术研究中心
-
出处
《食品工业》
CAS
北大核心
2020年第3期184-187,共4页
-
基金
国家重点研发计划项目(2018YFD0700905)
国家自然科学基金项目(31701696)
大连高层次人才创新支持计划项目(2017RQ128)。
-
文摘
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。
-
关键词
机器视觉
去鳞损伤
广义神经网络
径向基函数神经网络
检测识别
-
Keywords
machine vision
scaling damage
generalized neural network(GRNN)
radial basis function neural network(RBF)
detection and identification
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TS254.7
[轻工技术与工程—水产品加工及贮藏工程]
-