为了实现沙棘汁品牌的快速无损鉴别,提出了采用可见近红外光谱分析技术(NIR)鉴别沙棘汁品牌的方法。采用FieldSpec3光谱仪对三种沙棘汁进行光谱分析,各获取40个样本数据。采用平均平滑法和多元散射校正(MSC)方法对样本数据进行预处理,再用主成分法(PCA)对光谱数据进行聚类分析并获得各主成分数据。将120个沙棘汁样本随机分成90个建模样本和30个预测样本,把基于累计可信度选择的建模样本的8个主成分(PCs)数据作为BP网络的输入变量,沙棘汁品牌作为输出变量,建立三层反向传播(BP)神经网络鉴别模型,并对30个预测样本进行预测。结果表明,在阈值设定为±0.1的情况下,该模型对预测集样本品牌鉴别准确率达到了100%。所以应用近红外光谱技术结合主成分分析和BP神经网络算法识别沙棘汁品牌是一种有效的方法。

17种瓜果的图片，每个种类约120个样本。 详细瓜果名称： ['丝瓜', '人参果', '佛手瓜', '冬瓜', '南瓜', '哈密瓜', '木瓜', '甜瓜-伊丽莎白', '甜瓜-白', '甜瓜-绿', '甜瓜-金', '白兰瓜', '羊角蜜', '苦瓜', '西瓜', '西葫芦', '黄瓜']

该程序使用 PCA 从人脸数据库中识别人脸。 将主成分投影到特征空间以找到特征脸，并从投影到所有脸类的最小欧几里得距离中识别未知脸。

使用Haar-Cascade分类器，OpenCV和Python的人脸识别 使用Python和OpenCV简单人脸识别算法 博客 要求 Python 3.6 pip install opencv-contrib-python 大纲 该项目包括3个部分，分别是： 创建数据集（face_datasets.py） 训练模型（training.py） 人脸识别（face_recognition.py） 怎么跑？ 确保具有可执行权限。 （chmod 777。） pip install -r requirements.txt 请确保您在同一目录中有名为“数据集”和“培训师”的文件夹。 （可选，我已经放置了代码，因此如果不存在它将创建它。） 在命令行中运行face_datasets.py以将您的面部图像作为数据集。 不要忘记为每个人的脸部设置唯一的ID（您需要每次都编辑代码，或者只是将id

java实现万用表数字识别

基于时间序列编辑距离的阿尔兹海默症辅助诊断，赵翼飞，李炜，计算机辅助诊断一直是机器学习中的热门领域，其中，阿尔兹海默症的辅助诊断对于该疾病的及早干预治疗有着重要意义。近年来，基于

利用边缘检测进行车牌定位，人工神经网络进行字符识别

该课题为基于Matlab的异常行为检测。应用场景比如说，我国农村的空巢老人子女常年在外打工。而目前的监控属于被动式的监控，我们仅仅只能查看并且回放监控，不能对监控里面的某种信息作出判断和预警。该课题利用Matlab对监控中的画面的人体行为做一些监测和判别，一旦检测到有某些异常行为，比如说快跑慢跑跌倒等等作出提示，从而避免一些事故的发生，属于主动监控该设计，具有人际交互界面，需要具备一定编程基础的人员学习。

celeba人脸识别训练集，以处理成h5py格式，显著提升数据读取与训练速度 受CSDN文件大小限制，文档包含了1万张照片，更多照片可以私信获取

3.7 多目标识别 若场景中存在多个目标，则可以通过多目标识别和定位进一步提高精度。另 外，在跟踪过程中，若因为遮挡、光照等因素，某个目标跟踪失败后，还可以通 过其它场景中的目标继续实现定位，因此多目标识别可以提高算法鲁棒性。 Harris-SIFT 特征匹配 目标1目标 0 目标N 仿射检验 仿射检验 仿射检验 目标 0 目标 4 ⋯ 目标 N 成 功 失 败 成 功 目标数据库 终止 图 3-12 多目标识别示意图 Figure 3-12 Framework of multiple-object recognition 如图 3-12所示，和单目标识别一样，多目标识别也分为特征匹配、仿射检验、 模式识别三步，不同的是，需要对匹配特征点集合按目标分类，再依次对各个类 别进行仿射检验，以判断当前场景中是否存在某个目标，算法概括如下： 离线：使用 Harris-SIFT建立目标数据库 在线： 1. 从当前场景图像提取 Harris-SIFT特征点 2. 快速搜索近似最近邻居，得到匹配特征点集合 3. 将匹配特征点按目标类别分类