基于支持向量机的烟叶自动分级.doc

《基于支持向量机的烟叶自动分级.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于支持向量机的烟叶自动分级一、概述烤烟是卷烟工业的原料，其烟叶质量的好坏直接关系到烟草制品的工艺配方和生产质量。烤烟烟叶分级方法是目前评判烟叶质量的主要手段，其分级判断的依据主要是烟叶的外观特征，如颜色、长度、厚度、油分、成熟度，残损等。目前国内外烟草行业对烟叶的分级和检验都是依据分级标准，以人工操作为主，凭借标准样本依靠人的感官进行的。这种传统的人工检验方法容易受人的因素影响，评级定价难以做到公平、公正。而且在我国，每年烟叶收购前，全国各地都会举办培训班，培训分级人员，并准备大量的样本发往各地，这样必然造成人力、物力和财力

2、的巨大消耗。机器视觉技术的发展和国家烟叶等级标准的定量化促进了烟叶分级自动化和智能化的应用与发展，各种图像处理算法和模式识别方法也被应用于烟叶的自动分级中，如2003年，张惠民等人根据提取的烟叶特征参数，建立并优化了烤烟烟叶分级系统的数学模型，构造了符合烤烟烟叶等级空间分布的高斯隶属函数，采用模糊推理机制原理来实现烟叶分级。2011年，张乐明、刘剑君等以红外光谱作为烟叶的特征，采用概率神经网络对11个等级的烟叶进行分组和分级。二、支持向量机基本原理支持向量机(supportvectormachine)简称svm，是由vapni

3、k于1995年一种新的机器学习技术。支持向量机方法是建立在统计学习理论的vc维理论和结构风险最小化原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误的识别任意样本的能力)之间寻求最佳折中，以期获得最好的推广能力。1(最优分类面。svm方法是从线性可分情况下的最优分类面提出的。首先考虑二维两类线性可分的情况，如图1所示，图中实心点和空心点分别表示两类训练样本，h为把两类没有错误地分开的分类线，h1、h2分别为各类样本中离分类线最近的点且平行于分类线的直线。所谓最优分类线就是要求分类线

4、不但能将两类无错误地分开，而且要使两类的分类间隔最大。三、实验结果及分析本文首先利用利用图像采集装置得到烟叶的原始图像作为样本并对烟叶图像进行了图像预处理。然后根据烟叶的颜色、外形、纹理特征建立了烟叶分级的支持向量机识别模型;最后利用部分样本进行检验。实验中样本得到了较高的识别率。实验结果说明了svm分类器算法能够较好地完成样品集的分类，它是在基于结构风险最小化理论之上构建最优分割超平面，使得分类器能够得到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界，在实际应用中有较好的优势。四、结论支持向量机是是在统计学习

5、理论基础上发展起来的一种新型的机器学习方法。作为一种尚未成熟的技术，支持向量机尽管在核函数的参数的构造和选择上缺乏相应的理论指导，但是由于它在解决小样本学习问题中的优势，使其成为机器学习领域的研究热点，并且被广泛地应用于各行各业。本文将支持向量机的方法运用于烟叶的自动分级系统。取得了较好的分类效果。