基于BP网络和图像处理的煤矸石的动态识别

为提高煤矸石的自动识别和分选效率,选用基于BP网络和纹理识别煤矸石的方法。为了模拟煤和矸石在线识别,选取粘连在一起的煤和矸石作为样本,经过图像预处理及图像灰度和纹理特征分析后,选取灰度均值、灰度共生矩阵最大值、二阶矩、惯性矩、相关性、熵为有效特征。采用BP网络来完成图像的自动识别过程,选取上述六个参数作为神经网络的输入层,对网络进行训练,实验表明该方法具有较高的识别率。

基于高光谱图像处理的大豆品种识别(英文)

大豆组分(油,蛋白质,脂肪等)在不同的大豆品种间差异很大。对于提高大豆品质来说,大豆品种识别是一个关键因素。该文利用高光谱图像技术对不同的大豆品种进行识别。利用高光谱成像系统获取大豆样本1 000～2 500 nm范围的光谱反射数据;应用主成分分析法(PCA,principal component analysis)对获取到的光谱数据进行数据降维并去除冗余数据;在分类算法中将得分高的主成分值作为输入特征,通过PCA方法从每个特征图像中提取4个特征变量(能量、熵、惯性矩和相关性);对于具体特征提取,从16个特征变量中提取8个重要特征参数;根据选择的特征,应用神经网络方法构建分类器;训练精度精度达到97.50%,平均测试精度达到93.88%以上。结果表明,应用高光谱图像技术结合神将网络建模方法可以对大豆品种进行分类。

基于SVM和纹理的煤和煤矸石自动识别

为提高煤矸石的自动识别和分选效率,提出了基于支持向量机(SVM)和纹理识别煤矸石的方法。选取两种煤和一种煤矸石的图像作为样本,经过图像预处理及图像灰度和纹理特征分析后,发现灰度均值、灰度共生矩阵最大值、二阶矩、对比度、相关、熵为有效特征。在此基础上,采用了支持向量机来完成图像的自动识别过程,选取上述6个参数作为支持向量机的训练特征,实验结果表明,该支持向量机识别煤和煤矸石的成功率较高。