Extracția caracteristicilor și tehnicile de reducere a dimensionalității joacă un rol major în multe aplicații legate de procesarea imaginilor alimentare. S-au făcut multe eforturi pentru a spori performanța tehnicilor de simulare pentru a aborda problema clasificării gradului de rodie într-un mod nedistructiv.

pentru

Prezenta lucrare de cercetare descrie identificarea fructelor sănătoase, utilizând caracteristicile extrase din baza de date digitală de rodie folosind patru tehnici de simulare matematică bazate pe extracția caracteristicilor.

Tehnicile de simulare, inclusiv Analiza Discriminantă Liniară bidimensională tradițională (2DLDA), 2DLDA Fracțională (FLDA), 2DLDA Fuzzy (F2DLDA) și F2DLDA Fracțională propuse.

Pentru a clasifica caracteristicile extrase, se utilizează mașina de suport pentru nucleu (KSVM) împreună cu toate variantele 2DLDA.

Rezultatele arată că FF2DLDA este mult mai mare decât tehnicile existente, deoarece fuzzy fracțional între matricea de dispersie a clasei, atribuie o greutate fuzzy mică pentru clasele de margine și o greutate fuzzy mare pentru alte clase.

Acest lucru slăbește efectul problemei de selectare a clasei de margine care este prezentată în metodele tradiționale de extragere a caracteristicilor 2D existente.

Abstract

În această lucrare de cercetare, este propusă și aplicată analiza fracțională fuzzy bidimensională discriminantă liniară (FF2DLDA) o extensie a 2DLDA fuzzy (F2DLDA) pentru a clasifica imaginile fructelor de rodie bidimensionale. Lucrarea de cercetare investighează trei tehnici de simulare existente și una nouă de extragere a caracteristicilor matematice pentru a aborda problema clasificării și clasificării nedistructive a rodiei. Abordarea constă în utilizarea a patru tehnici de simulare matematică bazate pe extracția caracteristicilor, care include 2DLDA tradițional, 2DLDA fracțional (FLDA), 2DLDA Fuzzy și FF2DLDA. Tehnica propusă deține caracteristicile cele mai discriminative, prin redefinirea fuzzy dintre matricea de dispersie de clasă a F2DLDA ca matrice de dispersie fuzzy fracțională între clase. Pentru a clasifica caracteristicile extrase, se utilizează mașina de suport pentru nucleu (KSVM) împreună cu toate variantele 2DLDA. Rezultatele arată că FF2DLDA este mult mai mare decât tehnicile existente, deoarece fuzzy-ul fracțional între matricea de dispersie de clasă atribuie o greutate fuzzy mică pentru clasele de margine și o greutate fuzzy mare pentru clasele non-edge. Acest lucru slăbește efectul problemei de selectare a clasei de margine, care este prezentă în tehnicile tradiționale de extragere a caracteristicilor 2D.

Anterior articolul emis Următorul articolul emis