基于聚类分析和判别分析的蛋壳颜色分级方法研究

为制定客观、准确的蛋壳颜色分级体系,研究在用Lab体系量化蛋壳颜色的基础上提出了一种蛋壳颜色分级标准的建立方法,先确定合适的聚类簇个数k,通过K-均值聚类分析处理训练样本,再通过贝叶斯判别分析检验聚类效果并获得各等级判别式,最后据此对测试样本进行分类,计算色差以检验分类效果。结果显示:训练样本的分类准确率达95.0%,测试样本各类别间颜色差异大,类别内颜色一致性较高,表明其分类效果良好。依据该方法可以针对特定群体构建专用分级标准,实现蛋壳颜色的合理分级与精准判定,进而为蛋壳颜色整齐度的提高提供指导。

宝石颜色分级液体标准样品研制的创新模式

宝石颜色分级液体标准样品是一种科研创新产品,本文针对该产品研发的背景、解决的问题、创新思路、社会效益及经济效益进行了阐述和分析,其产品的投产为标准样品的研制提供了新的思维模式。

用人工神经网络进行果实颜色分级技术研究

以计算机视觉自动检测果实表面着色度并进行分级为目的，在分析果实表面颜色色相分布特性的基础上，提出将果实色相分布曲线作为模式处理，用人工神经网络进行果实表面颜色分级。结果表明，人工神经网络分级与人工分级的一致度在９４％以上。

结合LLE流形学习和支持向量机的猪肉颜色分级

猪肉颜色分级是肉品品质无损检测的重要内容。该文通过对猪肉彩色数字图像颜色规律的分析,结合猪肉红(R)、绿(G)、蓝(B)颜色分量及其亮度和饱和度值,构建了一个新的颜色维度。将采集的1070份猪肉图像样本进行专家分级和标记后,给出了猪肉颜色的特征表示,并利用支持向量机(SVM)进行了颜色分级。试验结果表明,随着训练集样本数的增加,分级准确率有所提高。当将所有样本作为训练集时,分级准确率高达96.5%。针对SVM分级后泛化能力不强的问题,采用流形学习LLE维数变换,使其泛化能力由37%提高近1倍。结果表明LLE可有效改善SVM的分级准确率。该方法可为猪肉品质无损检测的研究与应用提供参考。

Lab颜色空间中基于动态聚类的颜色分级

对现有的动态聚类算法进行改进,提出一种Lab颜色空间中基于兴趣点动态聚类分析的颜色分级方法。在考虑视觉监测实时性和计算准确性的基础上,通过色适应变换和对比敏感度函数滤波,补偿人眼视觉系统的空间混合效果,采用基于兴趣点的动态聚类分析提取颜色特征,根据视觉容差、彩度和色度的依赖关系,确定色差度量方法,采用最小分类器进行颜色分级。实验结果表明,该方法的平均色差仅为2.36,分类计算的时间范围为500 ms^700 ms。

基于直方图聚类的颜色分级方法

文章提出了一种利用颜色特征对瓷砖进行在线颜色分级的新方法。针对瓷砖图像数据量大的特点,采用了颜色空间分裂和与初始条件无关的聚类算法相结合的量化方法来提取瓷砖图像颜色特征,这既可满足算法实时性要求又充分考虑到了颜色分级对特征的精确性要求。实验结果证明了该方法的有效性。

钻石颜色分级体系的探讨

按照国家标准的要求,研制了一种更好的用于钻石颜色分级的仪器和方法,其检测结果受检测环境条件、人员、样品大小的影响很小。采用该方法对不同标准比色石进行测试,结果表明这些比色石的颜色均匀性并不理想。因此提出了钻石量化渐变色级体系的构想,使钻石分级定量化,使钻石分级真正统一到一个标准。该构想可以统一全球的钻石分级标准,使钻石分级技术更加科学、公正、合理。

径向基神经网络在水果颜色分级机中的应用

颜色是水果分级重要指标,为适应颜色分级的需要,将径向基(Radial Basis Function,RBF)神经网络应用于水果颜色分级机中,从理论上分析了该方法相对于基于BP网络方法的优势,最后通过对苹果分级进行训练和测试,测试结果验证了该方法的有效性和优越性。

S-CIELAB及颜色分级应用

根据人眼视觉特性 ,给出了Spatial CIELAB系统分析方法 .该方法首先利用由人类视觉空间响应特性确定的卷积核进行空间滤波 ,然后进行CIELAB处理 .实验结果表明 。

基于像素点变换法的苹果颜色分级系统研究

苹果的着色面积比是苹果颜色分级的一个重要依据。采用HSI颜色模型中的色度值作为苹果颜色分割的依据,通过设置合适的色度值提取出苹果的着色区域,再利用像素点变换法计算苹果的整个表面积和着色面积,得到苹果的着色比,最终判断苹果的等级。试验表明,该方法具有精度高、速度快的特点。

基于嵌入式红枣颜色分级系统研究

基于嵌入式STM32F407处理器结合机器视觉技术对红枣颜色进行检测和分级.为减少红枣分级设备成本,降低系统复杂性,该系统利用嵌入式STM32F407处理系统代替计算机进行图像数据处理,基于μC/OS-II软件平台,首先通过CMOS图像传感器获取鲜枣图像,经一系列图像预处理,利用颜色阈值算法实现鲜枣颜色分级.经实际使用验证,该系统具有分级速度快、检测识别精度高、制作成本低等优点,在红枣颜色分级方面有较高的实用价值.

基于支持向量机的苹果颜色分级

为了克服苹果颜色分级中存在的误差大等缺点,提出了一种新颖的智能分级方法。设计了基于支持向量机的苹果颜色分级系统,即利用计算机视觉技术获取苹果表面颜色的色度作为颜色特征;依据支持向量机理论,选取径向基函数作为核函数,采用"一对多"的方法构造多类分类机;将苹果的色度特征作为分类机的输入样本,对苹果进行分级。对大量样本进行分级仿真试验,结果表明,该方法分级正确率很高。将支持向量机应用于苹果颜色分级切实可行且效果显著。

基于HSL颜色空间模型的绿色翡翠颜色分级技术

以色度学HSL颜色空间模型为理论基础,在标准光源5 500 K下,通过工业摄像头对绿色翡翠样品颜色进行采集并输入到计算机中。运用RGB-HSL颜色转换公式,对每个样品图像颜色进行HSL值分析,然后将所得到的HSL数值按不同绿色色调角投点到二维HSL图像上,最终得到不同绿色翡翠的颜色阈值区间。根据这些参数值确定了绿色翡翠样品颜色的H值分类,S值及L值的定量分级,为建立HSL颜色空间模型的计算机绿色翡翠颜色分级奠定基础。

基于神经网络的籽棉颜色分级检测

为解决籽棉颜色分级问题,构造了一个基于L*a*b*颜色空间的色度检测仪,主要由颜色传感器、光源及外围电路构成。针对用于籽棉颜色等级检测2个关键指标(反射率、黄度)输出不稳定问题,采用了4层BP神经网络和5块标准色板进行反复训练,使得校准后的反射率的变异系数小于0.21%,黄度的变异系数小于1.13%。在籽棉颜色等级检测实验中,制作了覆盖12个颜色等级的480个测试样。经过反复实验发现,使用该色度检测仪对1个测试样品,需要均匀分布10个测量点结果的平均值,才能得到稳定的色度测量值。最后,采用神经网络方法,对480个籽棉试样数据进行分析,其中:80%用于训练;20%用于识别。实验结果表明,对12个颜色等级的480个样品进行测试,得到的检测准确率都超过了90%。

绿色翡翠基于HSL色度参数的计算机颜色分级

色相、饱和度及亮度是翡翠颜色分级的基本参数,通过彩色数码相机采集翡翠图像,提取出色彩的HSL色度学参数,并以此为基础,利用Visual C++语言编写计算机分析程序,对绿色翡翠样品图像进行像素点的扫描与分析,进一步进行色彩类型分类,获得颜色色级、均匀度等结果。为了验证这一程序的可靠性,对样品色彩进行主观分级、GemDialogue色卡描述及HSL色度学参数分析,结果显示与计算机颜色分级的数据吻合,说明绿色翡翠基于HSL色度参数的计算机颜色分级系统运行稳定快捷,具有一定的可行性,能很好的完成对绿色翡翠图像各种绿色像素点的分类与计算,并能针对不均匀翡翠根据各种绿色像素点所占的比例进行分析,并最终给出分级定名,实现了计算机程序对绿色翡翠色彩的自动分类。

钻石颜色分级定量化技术的研究（英文）

美国宝石学院19世纪30年代起,首先建立了一套成熟的钻石颜色分级系统。传统上,钻石颜色分级靠目视以及与成套标准比色石比较确定。目视分级结果被一些因素如检验环境、钻石尺寸,分级人员等所影响。因此经常出现对一个样品,即使是同一个人在相同环境分级检测也容易出现分级偏差。为了避免上述问题,利用检测设备来评估钻石颜色,成为钻石领域的一个研究热点。可是目前没有达到评估钻石颜色分级的要求。该研究给出了一个有意义的方法来定量表征钻石的颜色。该方法使用显微微区定位检测方法来定量评估钻石颜色,同时该方法可以避免钻石尺寸大小对钻石颜色分级的影响。可见光分光光度计原理被使用在该方法。该方法由样品系统、微区定位显示系统、信号收集与计算系统组成。D65光源被使用,并且色温保持在(6 500±200) K;高分辨率CCD探测器作为信号采集设备。该方法准确检测了几套不同大小和颜色的带国家(中国)标准证书的钻石样品,结果表明,该方法能够快速、准确的测量钻石的颜色坐标,并自动转换为钻石分级系统对应的颜色分级级别,同时靠使用微区定位检测技术,对圆钻型钻石测试能够排除钻石尺寸引起的颜色分级偏差。该方法对钻石分级是一个有益的潜在技术。

基于Hamming网络的苹果颜色分级研究

在基于计算机视觉的水果分选中,颜色是最主要的指标之一。为此,将Hamming神经网络应用于苹果的颜色分级。依据富士苹果的颜色将其分为3个等级,分析了各等级的平均色调累积直方图,据此构建了Hamming神经网络;从直方图上提取色调在0o,10o,20o,30o,40o,50o所对应的频度作为Hamming网络的输入向量;采集了3个等级各10个苹果图像作为训练样本,另外同样30个苹果图像作为测试样本。试验结果表明,Hamming网络颜色分级的准确率不低于96%,识别1个苹果的时间在0.1～0.2ms之间。

结合量子技术和FCM的猪肉颜色分级研究

猪肉颜色是猪肉分级评定时的一个重要指标。针对传统中值滤波存在的问题用量子理论的思想对其进行改进,改进算法不仅有较强的去噪效果而且能自适应判断模板内的像素点要不要进行处理从而能较好地保留图像细节信息。利用改进算法结合模糊C聚类(FCM)对猪肉图像进行处理分割,最后提取相应的颜色特征参数,基于这些特征参数运用多元线性逐步回归分析法建立了颜色等级预测模型。在样本测试实验中,所用方法对猪肉颜色等级的正确判定率达到94. 25%,在大幅降低算法复杂度的同时,准确率和鲁棒性都超过了其它同类算法。

基于USB650南疆红枣颜色分级方法的研究

以南疆红枣颜色快速分级为研究对象，采用美国海洋光学USB650红潮光谱仪来测量红枣的颜色特征值，采用红枣颜色按L[微软拥护1]值分级时，一级红枣的L值为30．2—35．4，二级红枣的L值为35．5～39．9，三级红枣的L值为40．0～44．6，按L值分级与人工分级的一致度为93．65％；以红枣的L、a、b值作为特征值，应用BP人工神经网络进行分级，BP人工神经网络分级与人工分级的一致度达到了94．76％。结果表明，以L、a、b三个颜色值分级效果要好于仅以L值分级，BP人工神经网络分级效果优于人工分级，较好地满足红枣颜色分级的需求，对南疆红枣产品的加工、销售具有一定的理论指导和实际应用意义。

基于机器视觉的番茄颜色分级检测研究

利用机器视觉技术对水果进行分级具有对水果无损害、分级精度高、速度快等优点,但现有的番茄颜色分级方法有其局限性。文章提出了一种对番茄图像高光消除后,在HSV颜色模型下用主色共生矩阵提取番茄表面颜色纹理特征进行分级的方法。实验表明该方法比利用颜色直方图进行分级的方法具有更高的分级精度。