基于神经网络和图像颜色、形状特征的绿色苹果图像分割

图像分割是苹果采摘机器准确识别和定位苹果的关键步骤.本研究首先采用线剖面方法对采集的苹果图像针对颜色特征进行分析,提出了利用颜色特征R-B的色差法对青果期苹果图像进行初步分割.在利用分割后的图像提取图像区域的形状特征(面积、周长、圆形度、离心率等).然后将得到的8个形状特征作为BP神经网络的输入量,随机选取一定数量的样本图像作为BP神经网络的训练样本图像和验证样本图像.样本图像经过BP神经网络训练后,建立了绿色苹果图像的分割模型.通过BP神经网络分割后的苹果图像,果实识别率高达89.3％,分割效果良好.     

耕作机械工作表面几何形状的研究

土垡变形的特性取决于翻耕的工艺过程，通过对复杂曲面几何形状的研究，得出了耕作性能较好的工作表面几何参数的计算公式．对耕作机械表面的选择设计具有一定的指导作用。     

耕作机械工作表面几何形状的研究

土垡变形的特性取决于翻耕的工艺过程,通过对复杂曲面几何形状的研究,得出了耕作性能较好的工作表面几何参数的计算公式,对耕作机械表面的选择设计具有一定的指导作用。     

构建矩阵模型提取以黄板为背景的昆虫图像

为自动识别黄板上的昆虫图像,本文根据RGB颜色模型原理,通过构建矩阵模型来分割黄板的黄色背景与目标昆虫图像,为自动识别黄板上的昆虫图像的关键一步,即分割昆虫图像与黄板背景,提供了非常好的方法,也为其他彩色图像分割提供了新的方法,该方法定义一类颜色矩阵为5行n列,根据不同的矩阵值来定义任意一类颜色区间。     

基于图像特征提取方法在林业应用上的研究

随着互联网和多媒体技术的快速发展,人们所处理的信息已不仅仅是数字、符号,而是越来越多的图像信息,如何对图像进行快速、有效的检索就变得极为迫切。针对图像底层特征提取方法如何选择的问题,分别分析了基于颜色、纹理、形状特征提取方法,并对各种提取方法的优缺点进行了归纳、总结,为林业信息化建设的相关层面提供了一种新的技术。     

基于图像的黑鱼几何特征本体获取和构建方法研究

在前人研究的基础上提出一种基于图像的黑鱼几何特征本体获取和构建的研究方法,为构建鱼类本体提供一种新的方法,以应用到鱼的识别研究领域.     

鸟类图像分类特征的选择与提取

在认真研究分析鸟类图像基础上,选择提取了鸟类图像的颜色、形状及纹理特征,有效地融合了鸟类图像的整体和局部特征,并将其用于鸟类图像的自动识别分类。经试验表明,提取的特征有效,分类效果较好,并具有一定的鲁棒性,能够较好地代表鸟类物种的分类特性。     

基于图像的黑鱼几何特征本体获取和构建方法研究

在前人研究的基础上提出一种基于图像的黑鱼几何特征本体获取和构建的研究方法,为构建鱼类本体提供一种新的方法,以应用到鱼的识别研究领域.     

基于图像的黑鱼几何特征本体获取和构建方法研究

在前人研究的基础上提出一种基于图像的黑鱼几何特征本体获取和构建的研究方法,为构建鱼类本体提供一种新的方法,以应用到鱼的识别研究领域。     

基于图像的昆虫远程自动识别

基于客户机/服务器架构建立客户端和服务器端.用户通过客户端输入昆虫图像并上传到服务器;通过服务器端建立昆虫图像数据库,提取昆虫的不变矩纹理特征,计算待识别昆虫与数据库中昆虫的相似程度,获得识别结果并反馈给用户.结果表明,昆虫识别准确率为70%.     

基于图像的昆虫自动识别与计数研究进展

 随着计算机技术的快速发展,现代农业逐步走向数字化、精准化和智能化,昆虫自动识别和计数成为国内外研究的热点。论文综述了国内外基于图像的昆虫自动识别与计数技术研究的主要方法和应用,概述了各种方法的原理,比较了它们的优缺点,最后讨论了存在的问题及研究展望。     

基于模拟退火算法的粮虫图像特征提取

特征提取是储粮害虫图像识别中的重要环节,是识别系统的难点所在。针对粮虫的二值化图像提取出17个形态学特征;运用模拟退火算法从粮虫的17维形态学特征中提取出面积、周长等10个特征的最优特征子空间;采用支持向量机分类器对粮虫进行分类,识别率达到95.0000%以上,证实了基于模拟退火算法的粮虫特征提取的可行性。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法.首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类.实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作.     

基于分层卷积深度学习系统的植物叶片识别研究

深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。      

黄顶菊种子的图像分割及特征提取

针对黄顶菊种子人工识别时存在的主观性强、效率低、可重复性差等缺点,提出利用计算机视觉和图像处理技术提取黄顶菊种子特征参数的方法,研究了黄顶菊种子图像的分割方法、目标提取及种子图像中形态和颜色特征的提取方法,分析了各形态特征参数的相关性,筛选出了能精确反映黄顶菊种子几何特征的参数,验证了各特征参数提取方法的有效性,为后期的种子自动识别提供了依据。     

基于多特征融合的花卉种类识别研究

花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每个种类15幅)进行训练和测试,其中240幅作为训练样本,120幅作为测试样本,并与基于不同特征组合的识别方法进行比较。结果表明:本文提出的基于多特征融合的识别方法具有较高的识别准确率,识别率可以达到92.50%。对通用花卉样本库Oxford 17 flower进行训练与测试,选取其中340幅作为训练样本,170幅作为测试样本,取得了较好的识别效果,验证了本文方法的有效性。      

植物花粉图像识别系统研究--Ⅰ. 图象处理及特征提取

本文论述了植物花粉图象识别系统设计中的图象处理及特征提取等问题。该系统设计采用VisualC 6.0 编程工具,在Windows95平台上实现了花粉图象的采集、变换、增强、边缘检测和分割等,并可提取花粉图象的轮廓、结构和纹理等识别特征,为花粉图象识别系统的核心部门——分类器的设计奠定了基础。     

外轮廓与花纹特征相结合的平面鞋印图像识别的研究

采用鞋印形状特征提取技术,提出基于外轮廓、内部花纹形状特征的鞋印图像识别方法。采用各分区纵横比、特征点来表示鞋印外轮廓特征,内部的花纹特征用傅立叶描述子和链码来表示。实验结果表明,该方法具有快速准确、科学实用等优点。     

应用人工智能技术进行作物形态诊断初探

作物形态诊断是农业生产管理中一个十分重要的环节,本文将图像分析技术和专家系统技术结合起来应用于作物的形态诊断,实现了作物特征的自动提取和形态的智能诊断,为进一步研究作物形态诊断的计算机技术打下基础。