卷积神经网络在黄瓜叶部病害识别中的应用

针对传统黄瓜病害识别方法中提取到的分类特征容易受病害叶片形态多样性、光照和背景影响的问题,提出了一种基于卷积神经网络的黄瓜病害识别方法,并建立了一个具有6种黄瓜病害的155 000多幅训练叶片图像数据库。根据病害叶片图像的复杂性,利用卷积神经网络从该数据库中自动学习黄瓜病害叶片图像的属性特征,再利用Softmax分类器进行分类。试验结果表明,与基于特征提取的传统病害识别方法相比,该方法的识别性能较高。     

基于集成神经网络的植物叶片识别方法

针对植物叶片识别中识别精度低的问题,从叶片特征描述、分类器设计两个角度出发提出了一种基于集成神经网络的植物叶片识别方法。叶片特征由区域几何特征与纹理特征共同构成,其中区域几何特征由不变矩特征和叶片几何描述参数共同构成,叶片纹理特征利用灰度共生矩阵进行提取。在分类器设计方面,采用一种集成神经网络学习算法,用于解决多类别植物叶片分类问题,其基分类器由二类别分类器和互补分类器构成。为避免叶片特征受到旋转等因素的影响,需要对叶片图像进行预处理。在预处理后,利用集成神经网络分类器对叶片样本进行训练与识别。在Flavia叶片数据库中选取20类叶片,每类30张共计600张叶片进行试验,基于集成神经网络的植物叶片识别方法的平均识别精度为91%。与其他叶片识别方法相比,试验结果表明,此方法可以提高叶片识别的精度。     

基于多卷积神经网络融合的当归病虫害识别方法

针对目前当归产业病虫害识别方法缺失、人工提取特征存在主观因素及卷积神经网络训练需要大量数据等不足,提出1种基于多卷积神经网络融合的当归病虫害识别方法。构建当归常见病虫害数据集;选择在当归病虫害数据集中表现性能最好的ResNet50、InceptionNetV3、VGG19、DenseNet201 4个网络作为模型融合的基学习器;使用XGBoost(极度梯度提升)算法作为元学习器,得到基于多卷积神经网络融合的当归病虫害识别模型。结果表明,该融合模型比单个卷积神经网络模型具有更高的识别准确率,并优于其他融合方法融合的模型,对当归病虫害识别的查准率、查全率、F₁值分别达到98.33%、97.14%、97.68%。本研究提出的基于XGBoost融合方法融合的模型实现了当归常见病虫害的精确分类,对常见病害的识别准确率达到98.33%,为当归产业提供了一种有效的病虫害识别方法。     

基于子图特征组合的人脸识别技术研究

提出了一种基于子图特征组合的人脸特征提取方法,并结合BP神经网络给出一种人脸识别模型.模型首先将人脸图片分割为子图,然后对每个子图进行离散余弦变换并选择最大的余弦系数表示该子图,最后将这些系数组合为向量作为整幅图像的特征.我们选择BP神经网络作为人脸识别模型中的分类器,并通过实验优化相关参数.基于ORL数据库的模拟实验表明,所提出的特征提取算法是有效的,并且模型具有较高的识别率.     

基于概率神经网络和分形的植物叶片机器识别研究

【目的】提出一种将植物叶片的形状特征与其纹理特征相结合的综合特征识别方法,有效解决了传统的植物机器识别分类特征单一且识别率较低的问题,为植物的快速机器识别提供技术参考。【方法】提取植物叶片样本的综合特征信息,以概率神经网络(PNN)为分类器对所得的特征信息进行训练,训练好的网络用来识别植物叶片的类别,从而确定相应植物的种类。【结果】有效提取了含有8个分量的植物叶片综合特征向量,通过对PNN分类器的训练,实现了30种植物叶片的快速机器识别,平均识别率达98.3%。比较测试表明,若去掉叶片纹理特征,单以其形状特征作为识别依据,平均识别率仅为93.7%。【结论】植物叶片综合特征识别方法有效弥补了传统单特征识别方法的不足,使识别效率得到了较大的提高。     

基于小波变换与神经网络的上倾管流型识别方法

为实现上倾管气液两相流流型的智能识别,提出了基于小波变换与概率神经网络的流型识别方法。采用中国石油大学(华东)室内小型环道试验装置进行气液两相流试验,采集上倾管流型以及相应的持液率信号。运用小波变换对持液率信号进行5级分解,并对分解后的信号提取标准差作为概率神经网络的输入参数,对试验中获得的分层流、气泡流、段塞流、严重段塞流流型进行识别。结果表明:该方法对4种流型的识别效果较好,其整体识别率为96.5%,其中分层流和严重段塞流的识别率高达98%。基于小波变换与概率神经网络的上倾管流型识别方法能够有效克服传统识别方法中主观因素的影响,不仅显著提高了流型识别的准确率,而且识别过程更加智能。(图5,表3,参22)     

基于Chirplet语图特征和深度学习的鸟类物种识别方法

目的深度学习在鸟类物种识别的应用是目前的研究热点,为了进一步提高识别效果,提出一种基于鸟鸣声的Chirplet语图特征和深度卷积神经网络的鸟类物种识别方法。方法引入线性调频小波变换(Chirplet transform,CT)计算鸟鸣声信号的语图,输入深度卷积神经网络VGG16模型中,通过对语图进行分类实现鸟类物种的识别。以北京市松山国家自然保护区实地采集的18种鸟类为研究对象,利用Chirplet变换、短时傅里叶变换(short-time fourier transform,STFT)和梅尔频率倒谱变换(Mel frequency cepstrum transform,MFCT)计算得到3个不同的语图样本集,对比分别采用不同的语图样本集作为输入时鸟类物种识别模型的性能。结果结果表明:Chirplet语图作为输入时,测试集的平均识别准确率(mean average precision,MAP)达到0.9871,相对于其他两种输入,得到了更高的MAP值,而且在训练时达到最大MAP值的迭代次数最小。结论采用不同的语图特征作为输入,直接影响深度学习模型的分类性能。本文计算的Chirplet语图的鸣声区域相比STFT语图和Mel语图更为集中,特征更明显。因此,Chirplet语图更适合于基于VGG16模型的鸟类物种识别,可以得到更高的MAP值和更快的识别效率。      

基于分层卷积神经网络的冬枣果实病害识别方法

冬枣皮薄肉脆,富含维生素C和矿物质,深受消费者喜爱.但冬枣病害种类繁多,采用传统人工检查的方式成本高、效率低,严重制约了冬枣的产业化发展.使用传统计算机视觉的冬枣病害识别方法其准确度在很大程度上取决于人为选择的特征是否合理,具有较大的不稳定性.为了解决该问题提出一种基于分层卷积神经网络(HCNN)的冬枣果实病害识别方法.HCNN包括三个结构相同的CNN(卷积神经网络)和一个支持向量机(SVM)分类器.在进行识别的过程中,首先将原始冬枣果实病害图像的RGB、HIS和Lab三种图像分别输入HCNN的三个CNN;然后在分类层将三个CNN得到的特征图整合为一个特征向量;最后通过SVM分类器对病害图像进行分类.该方法能够自动地从冬枣果实病害图像中提取到有效的特征,不需要人工设定特征提取方法.在果实病害图像数据集上进行一系列实验,平均识别准确率达90％以上.实验结果表明,该方法充分利用图像不同颜色的特征,能够实现精确、稳定和高效的冬枣果实病害类型识别,为冬枣果实病害防治系统的发展提供参考.     

基于区分矩阵的属性约简算法的作物病害识别方法

利用作物叶片症状进行作物病害识别是植保中的一个重要研究内容。提出了一种基于区分矩阵属性约简的黄瓜病害叶片图像分割与病害识别方法。首先,利用最大类间方差法对黄瓜病害叶片图像进行病斑分割;其次,提取病斑图像的36个分类特征;再次,利用基于区分矩阵的属性约简算法对36个特征进行特征选择;最后,利用最近邻分类器进行病害识别。在3种常见黄瓜病害叶片图像数据库上的试验结果表明,该方法是有效可行的,能够为基于病害叶片的作物病害识别系统研究提供参考。     

基于物联网和深度卷积神经网络的冬枣病害识别方法

针对传统的作物病害识别方法中人为提取的分类特征,对复杂作物病害图像的形状、光照和背景比较敏感等问题,提出一种基于物联网和深度卷积神经网络(DCNN)的冬枣病害识别方法。DCNN由1个输入层、4个卷积层、3个下采样层、1个全连接层和1个输出层组成。利用该方法能够提取冬枣病害图像的有效特征,并识别病害类型,避免了传统作物病害识别方法中繁琐的特征提取过程。在4种冬枣病害果实数据库上进行了冬枣病害识别实验,识别率达到92%以上。试验结果表明,该方法适合利用物联网采集的大规模视频病害图像进行冬枣病害识别。     

基于颜色特征和属性约简的黄瓜病害识别方法

为了减少黄瓜叶部病害给农业生产带来的损失,提高病害的识别率和精度,提出了一种基于颜色特征和属性约简算法的黄瓜病害叶片分割与识别方法。该方法首先利用最大类间方差(Otsu)阈值法对黄瓜病害叶片图像进行病斑分割;其次提取病斑图像的36个分类特征,再利用基于区分矩阵的属性约简算法进行特征选择;最后利用最近邻分类器进行病害识别。该方法在5种常见黄瓜病害叶片图像数据库上进行了病害识别试验,结果表明,识别率高达94.8%。说明,该方法对作物病害叶片图像识别是有效可行的。     

基于主分量分析的苹果叶部3种常见病害识别方法

苹果叶部的3种常见病害(斑点落叶病、花叶病和锈病)严重影响苹果的产量和质量。病害识别是病害防治的基础,传统的苹果病害识别方法不能有效选择病害的分类特征。基于主分量分析算法,提出一种叶片颜色、形状和纹理特征相结合的苹果病害识别方法。首先对苹果病害叶片图像进行预处理,降低图像干扰;然后利用改进的分水岭方法分割病斑,提取病斑图像的颜色、形状和纹理特征,组成特征矩阵;再利用主分量分析(PCA)对该矩阵进行维数约简,得到低维分类特征;最后利用BP神经网络识别苹果的3种病害类型。结果表明,该方法能够有效识别苹果的3种病害,平均识别率超过94%。     

基于主成分分析及LVQ神经网络的番茄种子品种识别

提出了一种基于主成分分析优化(PCA)及竞争性神经网络(LVQ)的番茄种子品种识别方法,对番茄品种识别技术与算法进行了研究,提取了番茄种子的几何特征、纹理特征和7个不变矩特征,通过主成分分析选取了4个主成分作为人工神经网络的输入,对黑迪、红迪、佳粉十八、金迪、丘比特5个品种进行了LVQ神经网络品种识别试验。试验结果表明,竞争层节点数目为20,训练次数为96时每粒种子识别的平均耗时最短,识别准确率最高,分别为0.2 s、90.5%,基于机器视觉的番茄种子品种识别与检测方法是可行的。     

基于改进残差网络的水稻害虫识别

水稻害虫是影响水稻产量的因素之一,准确识别水稻害虫对提高水稻产量具有重要意义,针对水稻害虫识别准确率不高的问题,提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中,代替残差网络的全连接层,首先通过4个残差块得到特征图,将特征图进行胶囊化编码,其次进行层间路由,以减少卷积神经网络(CNN)在输出时丢失的大量信息。对水稻的14类害虫进行识别,并分析不同参数(学习率、批量大小、激活函数和优化组合)的影响。结果表明,提出的改进残差网络模型的准确率达到77.12%。模型满足水稻害虫图像识别的需求,具有一定的识别准确率及较强的鲁棒性,可为实际农业场景下水稻害虫识别提供可行的方案。     

基于神经网络的食用玫瑰花图像识别算法

针对单依靠颜色或形状将采摘期玫瑰花从图像中分割出来难度较大的问题,研究一种基于神经网络的食用玫瑰花图像识别算法。将处于采摘期的玫瑰花正面图像作为识别对象,先提取HSI色彩空间下的S分量,用最大类间方差法(Otsu)进行分割;再提取目标图像灰度共生矩阵下的纹理特征,选取区分度高的纹理特征,结合BP神经网络,建立识别模型。试验结果表明:该方法正确识别率85%,识别率主要受试验样本开放标准选取的影响,而受光照影响不敏感,是一种较好的识别方法。     

基于纹理特征和神经网络的图像识别

图像特征是用来区分图像内部最基本属性或特征的,它包括了几何特征、形状特征、颜色特征、纹理特征等,在这些特征中纹理特征理解过于复杂,至今尚未有一个大家都认同的定义,从而也就使得纹理分析变得很困难。该文主要研究图像的分类识别,采用基于灰度共生矩阵的纹理特征的提取。以8位灰度图为研究对象,依次对图像进行4个方向(0°、45°、90°、135°)的扫描,并分别建立灰度共生矩阵,从而提取纹理特征参数,然后建立BP神经网络模型,用提取的纹理特征值,来训练BP神经网络模型,使网络模型能够识别图像的内容。此文提出了用纹理特征训练神经网络的方法来识别图像,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。     

木材识别方法研究综述

介绍了人工知识、对分检索和穿孔卡片检索等3种传统木材识别方法和数据库检索识别方法。指出基于计算机视觉的木材识别方法的优点,它将成为木材识别的一种趋势。根据识别过程将该方法按照给定木材的类型、识别的特征和分类器等3种方式进行分类．并给出了每种类型详细的分类和当前研究的进展。最后,对今后木材识别研究在语义特征提取、语义特征与纹理特征的结合、树种指纹挖掘、无切片识别和设备研制等5个方面提出了自己的看法。     

近红外光谱技术在玉米种子活力检测中的应用研究

利用近红外光谱和BP神经网络建立玉米种子活力的快速无损检测模型。首先通过人工老化将样本按老化程度分为3种级别,分别采集样本的近红外光谱。对原始光谱进行矢量归一化预处理以消除光谱噪声。然后利用主成分分析(PCA)方法提取光谱特征,作为BP神经网络的输入,依据预处理及特征提取构建出BP神经网络种子活力检测模型。试验结果表明,该识别方法的准确率为90.3%,平均识别时间为27.36 ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。     

基于并联卷积神经网络的水果品种识别

为了解决传统的水果图像识别算法在特征提取上的缺陷,以及传统卷积神经网络识别率低的问题,设计了一种基于并联卷积神经网络来提取水果特征的识别方法,利用ELU激活函数替代ReLU激活函数,利用最大类间距损失函数结合传统SoftmaxWithLoss损失函数来提高对相似品种的识别准确率。选取Fruit-360数据集中的8个品种,利用边界均衡生成对抗网络(BEGAN)结合传统的数据增强方法生成大量高质量的数据集,并用其进行训练。结果表明,该模型对8个品种的平均识别准确率达98.85%,具有良好的识别效果。     

基于大数据分析的网络资源缺失信息碎片智能识别方法

针对传统网络资源缺失信息碎片识别方法中识别准确度较低、完成时间较长、能量消耗较大等问题,提出一种基于大数据分析的网络资源缺失信息碎片识别方法。通过对网络资源信息分析,利用非线性时间序列对网络资源不完整信息进行相空间重建,引入关联维数对网络资源不完整信息特征提取;考虑到不完整信息特征中缺失信息碎片对信息类别的贡献度,利用信息熵来衡量缺失信息碎片之间的差异,利用以BP神经网络为基础的集成分类器对缺失信息碎片分类,完成缺失信息碎片识别。结果表明,所提方法识别准确度较高、完成时间较短、能量消耗较小。