目前,市場上的大米品質(zhì)檢測方法,多是肉眼去區(qū)分,耗費大量的時間和人力,而且檢測的結(jié)果含有人的主觀色彩,導致大米的檢測結(jié)果較低,隨著計算機技術(shù)的飛速發(fā)展,AI時代的到來,越來越多由人完成的工作將會被機器所取代。作為計算機技術(shù)一種的機器分析技術(shù),現(xiàn)在已經(jīng)被廣泛的應用到了各個領域,并顯示出了較好的效果,我們將機器分析技術(shù)應用到大米領域,可以彌補人工區(qū)分大米時主觀情感強的問題,機器分析技術(shù)在分析大米等級時能夠更加的公平客觀,傳統(tǒng)的大米分類主要集中在圖像上,并取得了一定的研究進展。大米評論可以反映出其他用戶對該大米的評價,但評論中的文本量非常少,出現(xiàn)評論信息的數(shù)據(jù)稀疏性問題。而基于多模態(tài)的大米分類系統(tǒng)研究相對而言比較少,這也使得大米圖像、文本和視頻等多模態(tài)數(shù)據(jù)分類方法成為研究探索的新方向。針對大米商品的數(shù)據(jù)的多模態(tài)性,本文提出基于典型相關(guān)分析圖像和文本特征融合的大米分類方法,采用了基于大米圖像和文本特征融合的方法對大米商品分類,提高大米分類的準確率。通過對大米圖像輪廓特征的提取,得到了大米周長、面積、長和寬四個參數(shù),并使用無監(jiān)督的K-means聚類算法將提取到的特征聚為三個簇,并求其與訓練集中的特...

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

圖2-1大米評論數(shù)據(jù)集

-10-需要人為的對文本進行類別標注，通常這一過程所消耗的人力、物力開銷較大，且對于類別不明確的文本的人為標注可能有誤差，會對訓練的過程產(chǎn)生影響。情感詞典方法相比于機器學習的文本分類來講，其主要優(yōu)勢在于在構(gòu)建情感詞典時不需要人為對文本數(shù)據(jù)進行標注，減少了任務的復雜度。情感詞典文本....

圖3-2有噪聲的大

-26-米粒的性態(tài)特征，設定一個可區(qū)分的大米和大米碎屑的閾值C，分別將每個標記的目標與該閾值進行比較，如果大于等于該閾值的就認為是完整的大米粒，否則被認定為噪聲，將其去除。通過上面的三個步驟，大米圖片中的完整的大米粒就被保留了下來，而背景中的白色斑點和碎屑就會被去掉。處理結(jié)果如圖....

圖3-3迭代法二值化后的圖像

-28-其中，10miiuip==是整體圖像的灰度平均值；10miiuip==是閾值為T的灰度平均值，因此全部采樣的灰度平均值為：00011u=wu+wu（3-15）兩類間的方差可用下式求出：其中，（）[][]22222001110101（）()（）()（）()1（）uwTuTT....

圖3-4大津法二值化后的圖像

-28-其中，10miiuip==是整體圖像的灰度平均值；10miiuip==是閾值為T的灰度平均值，因此全部采樣的灰度平均值為：00011u=wu+wu（3-15）兩類間的方差可用下式求出：其中，（）[][]22222001110101（）()（）()（）()1（）uwTuTT....

本文編號：4037352