大类间方差法根据图像的灰度特性寻找阙值，使分割出的图像区域之间的差别大，用于判断分割图像区域之间的差别是其各区域间的内部方差。大类间方差法极易受到噪音的影响，如阴影，但在单纯背景条件下，适用于初步的获取目标物的位置。大熵阙值法与大类间方差原理类似，将图像通过信息熵分为不同区域。信息熵在混乱无序的系统中较大，在确定有序的系统中较小，根据信息熵的特性，可将图像分割为不同的区域。
白酒检测
大类间方差法根据图像的灰度特性寻找阙值，使分割出的图像区域之间的差别大，用于判断分割图像区域之间的差别是其各区域间的内部方差。大类间方差法极易受到噪音的影响，如阴影，但在单纯背景条件下，适用于初步的获取目标物的位置。大熵阙值法与大类间方差原理类似，将图像通过信息熵分为不同区域。信息熵在混乱无序的系统中较大，在确定有序的系统中较小，根据信息熵的特性，可将图像分割为不同的区域。
一般来讲，吸取酶、显色剂、底物的移液器需要贴好对应标签，一一对应提取试剂，坚持“只出不进”。而从试剂瓶中倒出的试剂同样不能倒回去，以免污染原试剂。值得注意的是，检测人员需要对操作时间严格把控，以免出现对照值太小的情况，所以要保证仪器稳定性，在室温环境下选择提取液及药品，在将底物放入后要检测，不得拖沓；要解决好样品吸光值过高的问题，所以要提高酶与其他药品的稳定，达到室温，同时防止样品次生物质的干扰；样品检测存在较小负值误差且在-10%范围内，属于允许范围，一般原因为人为操作误差。酶分解底物的合成速度极快，如果操作不熟练便会带来误差，导致抑制率出现负值。
图像分割算法是用于农产品光电检测分级分类的基础任务，传统算法的优势在于结构简单，，但对复杂环境的适应性较弱。深度学习方法受到环境影响较少，但需大量样本支持，如何正确的获取样本，以及提高算法的整体效率是当前需要解决的主要问题。在实际使用中，深度学习由于性能问题尚无法完全取代传统算法，使用者可以根据具体的需求选择合适的算法。
（作者： 来源：）
