CN109342352A - 一种基于混合模拟退火与遗传算法的面粉质量检测方法 - Google Patents
一种基于混合模拟退火与遗传算法的面粉质量检测方法 Download PDFInfo
- Publication number
- CN109342352A CN109342352A CN201811548684.3A CN201811548684A CN109342352A CN 109342352 A CN109342352 A CN 109342352A CN 201811548684 A CN201811548684 A CN 201811548684A CN 109342352 A CN109342352 A CN 109342352A
- Authority
- CN
- China
- Prior art keywords
- flour
- genetic algorithm
- annealing
- quality detection
- spectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000013312 flour Nutrition 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 230000002068 genetic effect Effects 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000137 annealing Methods 0.000 title claims abstract description 13
- 238000004088 simulation Methods 0.000 title claims abstract description 10
- 230000003595 spectral effect Effects 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000002922 simulated annealing Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000001537 neural effect Effects 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 11
- 239000007787 solid Substances 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims description 2
- 238000010353 genetic engineering Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000009131 signaling function Effects 0.000 claims description 2
- 230000002087 whitening effect Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 230000008859 change Effects 0.000 claims 1
- 238000004043 dyeing Methods 0.000 claims 1
- 238000009659 non-destructive testing Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Abstract
本发明公开了一种基于混合模拟退火与遗传算法的面粉质量检测方法。主要包括：通过红外光谱仪扫描面粉，获得光谱信息，对面粉光谱进行标准正态变量变换消除固体颗粒和表面散射；利用遗传算法全局搜索最优的光谱信号特征，并用模拟退火算法寻找遗传算法中的最优个体，实现全局搜索与局部搜索相结合；对特征矢量进行预处理，通过径向基神经网络构造分类器，对处理后的特征矢量进行分类，完成面粉质量检测。该方法具有较好的鲁棒性和稳健性，通过光谱预处理去除光谱噪声，降低模型复杂度，提高运算效率，遗传算法与模拟退火算法相结合，增强模型的全局和局部寻优能力，利用径向基神经网络提高面粉质量检测的准确度，实现无损检测。
Description
技术领域
本发明涉及食品质检、神经网络、模型优化领域，具体涉及一种基于混合模拟退火与遗传算法的面粉质量检测方法。
背景技术
面粉是我国最主要的主食之一，面粉精度直接影响了面制品的色泽和口感等，其质量的好坏直接关系到消费者的身心健康。现有的面粉质量检测因光谱信号中过多的干扰因素导致模型的准确性和稳健度下降，且模型复杂，计算量较大，面粉特征寻优灵活性较差，检测误差大，实际应用效果不理想，不能满足实际检验工作的要求，影响企业经济效益和消费者的身心健康。
发明内容
为解决上述问题，本发明的目的在于提供一种具有较好的鲁棒性和稳健性的面粉质量检测方法，通过光谱预处理去除光谱噪声，降低模型复杂度，提高运算效率，遗传算法与模拟退火算法相结合，增强模型的全局和局部寻优能力，利用径向基神经网络提高面粉质量检测的准确度，实现无损检测。
本发明解决其问题所采用的技术方案，包括以下步骤：
A.通过红外光谱仪扫描面粉，获得光谱信息，对面粉光谱进行标准正态变量变换消除固体颗粒和表面散射；
B.利用遗传算法全局搜索最优的光谱信号特征，并用模拟退火算法寻找遗传算法中的最优个体，实现全局搜索与局部搜索相结合；
C.对特征矢量进行预处理，通过径向基神经网络构造分类器，对处理后的特征矢量进行分类，完成面粉质量检测。
本发明的有益效果是：
在面粉质量检测越来越重要的情况下，本发明具有较好的鲁棒性和稳健性，通过光谱预处理去除光谱噪声，降低模型复杂度，提高运算效率，遗传算法与模拟退火算法相结合，增强模型的全局和局部寻优能力，利用径向基神经网络提高面粉质量检测的准确度，实现无损检测。
附图说明
图1为一种基于混合模拟退火与遗传算法的面粉质量检测方法的整体流程图；
图2为采用本方法的面粉光谱样例图；
图3为光谱信号特征提取流程图。
具体实施方式
参照图1，本发明所述的方法包括以下步骤：
A.通过红外光谱仪扫描面粉，获得光谱信息，对面粉光谱进行标准正态变量变换消除固体颗粒和表面散射；
(1)利用红外光谱仪通过漫反射的方式扫描面粉，获取其光谱信息Xi(i＝1,2,…,n)，n是面粉样品数量，如图2所示。采集的红外光谱有许多高频噪声、颗粒和光散射等噪声，干扰红外光谱与面粉内有效成分含量间的关系，因此，需要对原始光谱进行预处理。对面粉光谱Xi进行标准正态变量变换消除固体颗粒并校正因表面散射而引起的光谱差异：
其中，面粉样品光谱的平均值，j＝1,2,…,m是光谱波长点数。
(2)对光谱信号进行小波变换：
WT(X)＝f(X)*w(X)
其中，f(X)是光谱信号函数值，w(X)是小波基函数。得到一系列小波系数：
Wg(X)＝Wf(X)+Wε(X)
其中，Wg(X)为含有噪声的小波系数，Wf(X)为不含噪声的小波系数，Wε(X)为噪声的小波系数。设立阈值θ，对小波系数进行阈值处理，去除小于阈值的小波系数，从而得到处理后的小波系数，进行小波逆变换，重构信号：
其中，W为处理后的小波系数，k是变换系数。从而得到去噪后的面粉光谱信号。
B.利用遗传算法全局搜索最优的光谱信号特征，并用模拟退火算法寻找遗传算法中的最优个体，实现全局搜索与局部搜索相结合；
(1)以面粉光谱信号的均方根误差作为目标函数：
其中，Xi是变量，即最优光谱信号值。将变量进行实数编码，染色体代表光谱信号，基因表示波长，在解空间随机生成，整个遗传空间为问题空间，染色体空间为解空间。随机选取光谱信号值为初始值，确定种群大小N，形成初始种群，构造染色体Vi(i＝1,2,…,N)的适应度函数：
其中，δ是惩罚因子。
(2)对种群进行遗传操作，随机选取个体两两交叉，并以概率P进行个体变异，形成新种群后，选取适应度最大的个体，并对每个基因进行模拟退火操作。模拟退火时，先确定初始温度，将初始基因作为模拟退火的初始状态，将内能E模拟为目标函数值F，温度T演化成控制参数t，模拟退火算法由控制参数t决定：
t＝Tcn
其中，c是降温系数，n是降温次数温度越低迭代次数越多，从而使退火过程中低温粒子更易被接受。
(3)根据Metropolis准则，粒子在温度T时趋于平衡的概率为：
P＝e-ΔE/(kT)
其中E为温度T时的内能，ΔE为其改变量，k为玻尔兹曼常数。逐渐减小控制参数，重复迭代。设置记忆器，用于记忆迭代过程中的最优解和最优目标函数值，防止问题具有多个极值时，算法难以保证最优解为整个搜索过程中曾经得到的最优解。解经过大量迭代变换后，若平衡概率P充分逼近平衡阈值ε，则模拟退火算法达到平衡，从而得到给定控制参数t时优化问题的相对最优解，即为优选的基因。将退火算法得到的基因返回给整个种群，代替种群中适应度最小的染色体，重复迭代，直至达到提前设定的迭代次数。选取适应度最大的染色体作为目标优化后的解，从而得到最优光谱信号特征。
C.对特征矢量进行预处理，通过径向基神经网络构造分类器，对处理后的特征矢量进行分类，完成面粉质量检测。
(1)对特征矢量xi(i＝1,2,…,n)进行白化处理：
其中，n是特征数量，是特征矢量均值，T是转置矩阵。引入协方差矩阵关于本征值λi和本征矢量μi的方程：
Hμi＝λiμi
经过线性变换后的特征矢量为：
其中，diag是矩阵对角线，d是特征矢量的维数。特征矢量经过处理后输入到分类器中进行识别。
(2)构造分类器，系统的条件概率分布为：
其中，x、y分布是输入矢量和输出矢量，θ为参数，M是特征数量，P(j)是权重参数。光谱信号特征的高斯分布为：
其中，gj是径向基神经网络的基函数，是高斯方差。神经网络的误差函数为：
是对参数进行最大化似然估计，输入特征样本，估计分类器的参数θ和P(j)，建立分类器，径向基神经网络的期望输出为：
从而对光谱信号进行识别，根据分类检测出面粉的质量等级。
综上所述，便完成了本发明所述的一种基于混合模拟退火与遗传算法的面粉质量检测方法。该方法具有较好的鲁棒性和稳健性，通过光谱预处理去除光谱噪声，降低模型复杂度，提高运算效率，遗传算法与模拟退火算法相结合，增强模型的全局和局部寻优能力，利用径向基神经网络提高面粉质量检测的准确度，实现无损检测。
Claims (4)
1.一种基于混合模拟退火与遗传算法的面粉质量检测方法，其特征在于：遗传算法与模拟退火算法相结合，增强模型的全局和局部寻优能力，所述方法包括以下步骤：
A.通过红外光谱仪扫描面粉，获得光谱信息，对面粉光谱进行标准正态变量变换消除固体颗粒和表面散射；
B.利用遗传算法全局搜索最优的光谱信号特征，并用模拟退火算法寻找遗传算法中的最优个体，实现全局搜索与局部搜索相结合；
C.对特征矢量进行预处理，通过径向基神经网络构造分类器，对处理后的特征矢量进行分类，完成面粉质量检测。
2.根据权利要求1所述的基于混合模拟退火与遗传算法的面粉质量检测方法，其特征在于：
所述步骤A包括：
(1)利用红外光谱仪通过漫反射的方式扫描面粉，获取其光谱信息Xi(i＝1,2,…,n)，n是面粉样品数量，对面粉光谱Xi进行标准正态变量变换消除固体颗粒并校正因表面散射而引起的光谱差异：
其中，面粉样品光谱的平均值，j＝1,2,…,m是光谱波长点数；
(2)对光谱信号进行小波变换：
WTX＝fX*w(X)
其中，fX是光谱信号函数值，w(X)是小波基函数，得到一系列小波系数：
Wg(X)＝Wf(X)+Wε(X)
其中，Wg(X)为含有噪声的小波系数，Wf(X)为不含噪声的小波系数，Wε(X)为噪声的小波系数，设立阈值θ，对小波系数进行阈值处理，去除小于阈值的小波系数，从而得到处理后的小波系数，进行小波逆变换，重构信号：
其中，W为处理后的小波系数，k是变换系数，从而得到去噪后的面粉光谱信号。
3.根据权利要求2所述的基于混合模拟退火与遗传算法的面粉质量检测方法，其特征在于：
(1)以面粉光谱信号的均方根误差作为目标函数：
其中，Xi是变量，即最优光谱信号值，将变量进行实数编码，染色体代表光谱信号，基因表示波长，在解空间随机生成，整个遗传空间为问题空间，染色体空间为解空间；随机选取光谱信号值为初始值，确定种群大小N，形成初始种群，构造染色体Vi(i＝1,2,…,N)的适应度函数：
其中，δ是惩罚因子；
(2)对种群进行遗传操作，随机选取个体两两交叉，并以概率P进行个体变异，形成新种群后，选取适应度最大的个体，并对每个基因进行模拟退火操作；模拟退火时，先确定初始温度，将初始基因作为模拟退火的初始状态，将内能E模拟为目标函数值F，温度T演化成控制参数t，模拟退火算法由控制参数t决定：
t＝Tcn
其中，c是降温系数，n是降温次数温度越低迭代次数越多，从而使退火过程中低温粒子更易被接受；
(3)根据Metropolis准则，粒子在温度T时趋于平衡的概率为：
P＝e-ΔE/(kT)
其中E为温度T时的内能，ΔE为其改变量，k为玻尔兹曼常数，逐渐减小控制参数，重复迭代；设置记忆器，用于记忆迭代过程中的最优解和最优目标函数值，防止问题具有多个极值时，算法难以保证最优解为整个搜索过程中曾经得到的最优解；解经过大量迭代变换后，若平衡概率P充分逼近平衡阈值ε，则模拟退火算法达到平衡，从而得到给定控制参数t时优化问题的相对最优解，即为优选的基因；将退火算法得到的基因返回给整个种群，代替种群中适应度最小的染色体，重复迭代，直至达到提前设定的迭代次数，选取适应度最大的染色体作为目标优化后的解，从而得到最优光谱信号特征。
4.根据权利要求3所述的基于混合模拟退火与遗传算法的面粉质量检测方法，其特征在于：
(1)对特征矢量xi(i＝1,2,…,n)进行白化处理：
其中，n是特征数量，是特征矢量均值，T是转置矩阵，引入协方差矩阵关于本征值λi和本征矢量μi的方程：
Hμi＝λiμi
经过线性变换后的特征矢量为：
其中，diag是矩阵对角线，d是特征矢量的维数，特征矢量经过处理后输入到分类器中进行识别；
(2)构造分类器，系统的条件概率分布为：
其中，x、y分布是输入矢量和输出矢量，θ为参数，M是特征数量，P(j)是权重参数，光谱信号特征的高斯分布为：
其中，gj是径向基神经网络的基函数，是高斯方差，神经网络的误差函数为：
是对参数进行最大化似然估计，输入特征样本，估计分类器的参数θ和P(j)，建立分类器，径向基神经网络的期望输出为：
从而对光谱信号进行识别，根据分类检测出面粉的质量等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811548684.3A CN109342352A (zh) | 2018-12-18 | 2018-12-18 | 一种基于混合模拟退火与遗传算法的面粉质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811548684.3A CN109342352A (zh) | 2018-12-18 | 2018-12-18 | 一种基于混合模拟退火与遗传算法的面粉质量检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109342352A true CN109342352A (zh) | 2019-02-15 |
Family
ID=65304846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811548684.3A Pending CN109342352A (zh) | 2018-12-18 | 2018-12-18 | 一种基于混合模拟退火与遗传算法的面粉质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109342352A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696645A (zh) * | 2020-06-07 | 2020-09-22 | 长春理工大学 | 一种基于表面肌电信号的手部外骨骼康复训练装置及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0750743A1 (en) * | 1994-03-17 | 1997-01-02 | Agrovision Ab | Methods and devices for automatic assessment of corn |
| US6342259B1 (en) * | 1997-04-18 | 2002-01-29 | Grains Research And Development Corporation | Monitoring of dough properties |
| CN102243173A (zh) * | 2011-04-14 | 2011-11-16 | 北京市农林科学院 | 检测面粉中石灰类物质的方法 |
| CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
| CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
| CN105046003A (zh) * | 2015-07-23 | 2015-11-11 | 王家俊 | 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法 |
| CN105044023A (zh) * | 2015-08-06 | 2015-11-11 | 黑龙江大学 | 一种快速无损检测面粉中过氧化苯甲酰含量的方法及应用 |
-
2018
- 2018-12-18 CN CN201811548684.3A patent/CN109342352A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0750743A1 (en) * | 1994-03-17 | 1997-01-02 | Agrovision Ab | Methods and devices for automatic assessment of corn |
| US6342259B1 (en) * | 1997-04-18 | 2002-01-29 | Grains Research And Development Corporation | Monitoring of dough properties |
| CN102243173A (zh) * | 2011-04-14 | 2011-11-16 | 北京市农林科学院 | 检测面粉中石灰类物质的方法 |
| CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
| CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
| CN105046003A (zh) * | 2015-07-23 | 2015-11-11 | 王家俊 | 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法 |
| CN105044023A (zh) * | 2015-08-06 | 2015-11-11 | 黑龙江大学 | 一种快速无损检测面粉中过氧化苯甲酰含量的方法及应用 |
Non-Patent Citations (10)
| Title |
|---|
| LAIJUN SUN 等: "Prediction of Benzoyl Peroxide in Flour Using Near Infrared Spectroscopy Technique", 《INTERNATIONAL JOURNAL OF FOOD PROPERTIES》 * |
| 刘翠玲 等: "基于BP神经网络检测面粉中滑石粉含量的研究", 《北京工商大学学报(自然科学版)》 * |
| 吴祈宗等: "《运筹学与最优化方法》", 30 September 2003, 机械工业出版社 * |
| 武装著: "《几种改进的智能优化算法及其应用》", 31 August 2018, 科学技术文献出版社 * |
| 王宏生等编著: "《人工智能及其应用》", 31 January 2006, 国防工业出版社 * |
| 石吉勇等: "一种近红外光谱特征子区间选择新算法", 《光谱学与光谱分析》 * |
| 禇小立编著: "《化学计量学方法与分子光谱分析技术》", 31 July 2011, 化学工业出版社 * |
| 窦颖 等: "基于模拟退火算法优化波长的面粉品质检测", 《食品科学》 * |
| 许国根等编: "《最优化方法及其MATLAB实现》", 31 July 2018, 北京航空航天大学出版社 * |
| 郭平等: "一种光谱识别的新方法", 《光谱学与光谱分析》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696645A (zh) * | 2020-06-07 | 2020-09-22 | 长春理工大学 | 一种基于表面肌电信号的手部外骨骼康复训练装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084159B (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
| CN109145992B (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
| Karimi et al. | Detection and quantification of food colorant adulteration in saffron sample using chemometric analysis of FT-IR spectra | |
| CN109767438B (zh) | 一种基于动态多目标优化的红外热图像缺陷特征识别方法 | |
| Chen et al. | Sparse hyperspectral unmixing based on constrained lp-l 2 optimization | |
| CN108614992B (zh) | 一种高光谱遥感图像的分类方法、设备及存储设备 | |
| CN109559309B (zh) | 基于均匀进化的多目标优化红外热图像缺陷特征提取方法 | |
| CN109767437B (zh) | 基于k均值动态多目标的红外热图像缺陷特征提取方法 | |
| Lin et al. | Hyperspectral image processing by jointly filtering wavelet component tensor | |
| CN104751179A (zh) | 一种基于博弈论的多目标高光谱遥感影像波段选择方法 | |
| CN109598711B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
| CN111507047B (zh) | 一种基于SP-CUnet的逆散射成像方法 | |
| Tripathi et al. | Optimized deep learning model for mango grading: Hybridizing lion plus firefly algorithm | |
| CN116402825B (zh) | 轴承故障红外诊断方法、系统、电子设备及存储介质 | |
| CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
| CN111783555A (zh) | 一种使用统一样本的深度学习卫星数据云检测算法 | |
| CN111160392A (zh) | 一种基于小波宽度学习系统的高光谱分类方法 | |
| CN109342352A (zh) | 一种基于混合模拟退火与遗传算法的面粉质量检测方法 | |
| Guan et al. | A recognition method of mushroom mycelium varieties based on near-infrared spectroscopy and deep learning model | |
| Chen et al. | Multimodal learning for classification of solar radio spectrum | |
| CN109872319B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
| CN110807387A (zh) | 一种基于高光谱图像特征的对象分类方法及系统 | |
| CN112782148B (zh) | 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法 | |
| CN111899226A (zh) | 一种基于多任务稀疏学习的高光谱影像目标先验优化方法 | |
| CN112966781A (zh) | 基于三元组损失和卷积神经网络的高光谱图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
| RJ01 | Rejection of invention patent application after publication |