吉林大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (02): 574-0578.

• 论文 • 上一篇    下一篇

基于二维离散小波的鲜玉米果穗成熟度的等级评定

王慧慧,孙永海,刘晶晶,张婷婷,王笑丹,方旭君   

  1. 吉林大学 生物与农业工程学院,长春130022
  • 收稿日期:2010-06-07 发布日期:2011-03-01
  • 通讯作者: 孙永海(1956-),男,教授,博士生导师.研究方向:农产品智能检测与评价.E-mail:sunyh@jlu.edu.cn E-mail:sunyh@jlu.edu.cn
  • 作者简介:王慧慧(1982-),女,博士研究生.研究方向:农产品智能检测与评价.E-mail:whh419@126.com
  • 基金资助:

    “863”国家高技术研究发展计划项目(2008AA100802)

Evaluation of maturity grading of fresh corn ears based on twodimensional discrete wavelet

WANG Hui-hui,SUN Yong-hai,LIU Jing-jing,ZHANG Ting-ting,WANG Xiao-dan, FANG Xu-jun   

  1. College of Biological and Agricultural Engineering, Jilin University,Changchun 130022,China
  • Received:2010-06-07 Published:2011-03-01

摘要:

采用计算机视觉技术,经二维离散小波分解后提取与玉米果穗成熟度相关的图像特征实现成熟度等级评定。在HSI颜色模型下对鲜玉米果穗图像H分量进行二维离散小波分解,提取低频子带的颜色特征。在RGB颜色模型下提取鲜玉米果穗图像高频子带的纹理特征。通过主成分分析法实现特征参数的降维。以前4个主成分值作为网络输入,构建概率神经网络,实现鲜玉米果穗成熟度的等级评定,评定正确率为95%。

关键词: 食品机械, 二维离散小波分解, 鲜玉米果穗, 成熟度, 神经网络

Abstract:

Evaluation of maturity grading of fresh corn ears was realized through computer vision. Image characteristics of maturity grading were extracted after twodimensional discrete wavelet decomposition. In HIS color model wavelet decomposition of H component was carried out, and the color characteristics of H component were extracted from low frequency subband. The texture characteristics were extracted from high frequency subband in RGB color model. Dimension reduction of characteristic parameters was implemented using principal component analysis method. The first four principal component values were taken as the network inputs. The probabilistic neural network was developed for maturity grading of fresh corn ears, and the grading accuracy is about 95%.

Key words: food machinery, twodimension discrete wavelet decomposition, fresh corn ear, maturity grading, neural network

中图分类号: 

  • TS210.7
[1] 席利贺,张欣,孙传扬,王泽兴,姜涛. 增程式电动汽车自适应能量管理策略[J]. 吉林大学学报(工学版), 2018, 48(6): 1636-1644.
[2] 江涛,林学东,李德刚,杨淼,汤雪林. 基于人工神经网络的放热规律的量化预测[J]. 吉林大学学报(工学版), 2018, 48(6): 1747-1754.
[3] 徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[4] 李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[5] 底晓强, 王英政, 李锦青, 从立钢, 祁晖. 基于量子细胞神经网络超混沌的视频加密方法[J]. 吉林大学学报(工学版), 2018, 48(3): 919-928.
[6] 王方石, 王坚, 李兵, 王博. 基于深度属性学习的交通标志检测[J]. 吉林大学学报(工学版), 2018, 48(1): 319-329.
[7] 刘东亮, 王秋爽. 基于NGSIM数据的车辆瞬时速度获取方法[J]. 吉林大学学报(工学版), 2018, 48(1): 330-335.
[8] 谢志江, 吴小勇, 范乃吉, 郭宗环, 袁岳军, 王康. 神光-III精密装校平台运动学分析[J]. 吉林大学学报(工学版), 2017, 47(5): 1504-1511.
[9] 马淼, 李贻斌. 基于多级图像序列和卷积神经网络的人体行为识别[J]. 吉林大学学报(工学版), 2017, 47(4): 1244-1252.
[10] 王德军, 吕志超, 王启明, 张贤达, 王子健. 基于汽缸压力辨识的发动机失火故障诊断[J]. 吉林大学学报(工学版), 2017, 47(3): 917-923.
[11] 黄璇, 郭立红, 李姜, 于洋. 改进粒子群优化BP神经网络的目标威胁估计[J]. 吉林大学学报(工学版), 2017, 47(3): 996-1002.
[12] 李琳辉, 伦智梅, 连静, 袁鲁山, 周雅夫, 麻笑艺. 基于卷积神经网络的道路车辆检测方法[J]. 吉林大学学报(工学版), 2017, 47(2): 384-391.
[13] 王庆年, 段本明, 王鹏宇, 拱印生, 朱庆林. 插电式混合动力汽车动力传动系参数优化[J]. 吉林大学学报(工学版), 2017, 47(1): 1-7.
[14] 郭应时, 付锐, 赵凯, 马勇, 袁伟. 驾驶人换道意图实时识别模型评价及测试[J]. 吉林大学学报(工学版), 2016, 46(6): 1836-1844.
[15] 孙大许, 兰凤崇, 何幸福, 陈吉清. 双电机四驱电动汽车自适应复合防抱死控制[J]. 吉林大学学报(工学版), 2016, 46(5): 1405-1413.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!