En la actualidad, la identificación rápida, no destructiva y objetiva de pepinos de mar salados no cualificados con un contenido excesivo de sal es extremadamente difícil. La identificación artificial es el método más común, que se basa en la observación de la deformación del pepino de mar durante la recuperación después de aplicar-eliminar el contacto de presión. Este estudio tiene como objetivo simular el método de identificación artificial y establecer un modelo de identificación para distinguir si el pepino de mar salado supera la norma mediante visión artificial y tecnología de aprendizaje automático. Se estableció el sistema de identificación de pepinos de mar salados, que se utilizó para suministrar las fuerzas de presión estándar y uniformes y recoger las imágenes de deformación de los pepinos de mar salados durante la recuperación tras la eliminación de la presión. Se extrajeron las características de textura de la imagen de variación de contorno basándose en histogramas (HIS) y matriz de coocurrencia de nivel de gris (GLCM), que se utilizaron para establecer el modelo de identificación combinando redes neuronales de regresión general (GRNN) y máquina de vectores de soporte (SVM), respectivamente. Las características de variación del contorno de los pepinos de mar salados se extrajeron mediante un algoritmo específico para mejorar la precisión y la estabilidad del modelo. A continuación, se procedió a la reducción de la dimensionalidad y a la fusión de las imágenes de las características. Según los resultados de los modelos, el modelo de identificación SVM integrado con GLCM (GLCM-SVM) resultó ser óptimo, con una precisión, sensibilidad y especificidad del 100%, 100% y 100%, respectivamente. En particular, la sensibilidad alcanzó el 100%, demostrando una excelente capacidad de identificación de pepinos de mar excesivamente salados del modelo optimizado. Este estudio ilustra el potencial de la identificación de pepinos de mar salados basada en la presión de contacto mediante la combinación de la textura de la imagen de contorno variable con el aprendizaje automático.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Predicción de la calidad del aire de la cabina del vehículo
Artículo:
Caracterización de las nanomicelas de autoensamblaje de caseína/queratina
Artículo:
Vista GISAXS/GIXRD de películas de ZnO con elementos estructurales jerárquicos
Artículo:
Análisis de asociación a gran escala para la adicción a las drogas: Resultados de SNP a Gen.
Artículo:
Detección robusta de vehículos en varios entornos para realizar vigilancia del flujo de tráfico en carreteras utilizando una cámara termográfica infrarroja.
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.