基于迁移学习的卷积神经网络植物叶片图像识别方法

为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型（AlexNet、InceptionV3）在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。     

基于图像处理和SVM的植物叶片分类研究

为了提高植物叶片识别与分类的正确率,提出了基于SVM的识别模型和方法;对叶片图像预处理后,提取并优选10个叶片形状特征参数,用SVM法进行训练建模并识别.实验结果表明,用线性核函数的SVM对木瓜、女贞、三角枫和五角枫4种植物叶片识别的平均准确率在95.8％以上,优于神经网络和Fisher判别法,为鉴定植物种类提供了一种快速有效的方法.     

基于Laplace边缘检测算法虚拟植物系统的研究与实现

将计算机信息技术引入农业生产研究是目前农业生产研究的新发展方向,并伴随产生了农业信息化这样的新领域。植物叶片几何形状的识别是农业信息化结合数字图像处理技术的一个方面。为此,通过理论分析和仿真计算对研究植物叶片形状的传统图像边缘检测技术进行了分析比较,并创造性地提出了利用Laplace边缘检测算子来改进植物叶片几何形状的识别与检测系统。Laplace边缘检测算子的二维几何形态的建模具有数据的表达与复制的功能,通过生成的图像处理数据更加准确地识别与检测不同种类植物叶片的形态,为农业生产研究者提供更加有效、更加准确的研究数据。     

基于细胞神经网络的植物叶片图像中叶脉的提取

叶片是植物最重要的器官之一,特别是在识别植物种类时起着关键作用.叶脉包含了植物的内在特征和重要遗传信息,叶脉复杂多变的特点使得传统的边缘检测方法不适用于叶脉络的提取.为此,提出了一种基于细胞神经网络(CNN)的植物叶脉图像提取方法.试验结果表明:与传统图像处理方法相比,该方法通过神经网络参数的合理设计,能够提取出较为理想的叶脉络和叶边缘信息,提高了提取的准确性.     

基于多特征降维的植物叶片识别方法

植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。     

基于遗传规划的植物分类识别方法

数字图像处理技术已经在我国各个领域得到了广泛的应用,但其在农业中的应用程度要远远落后于其他领域.植物叶片是植物最直观的特征,为此对植物叶片进行研究,按照叶片特征进行图像分割和识别,将图像处理、遗传规划等技术与农业技术紧密结合起来,从而推动我国农业现代化的发展.该识别方法可广泛应用于农业与林业的农作物和中草药生长调查等方面,具有良好的市场前景.     

基于概率神经网络的玉米苗期杂草识别方法的研究

提出了一种基于计算机视觉技术和概率神经网络技术的玉米幼苗和杂草识别方法.首先利用类间方差最大自动阈值法对杂草图像的修正的超绿特征进行二值化处理;然后提取目标对象的形状特征参数作为输入向量,由概率神经网络(PNN)分类器识别出玉米幼苗.试验结果表明,该方法的有效性,对不同田间环境的玉米幼苗与杂草的准确识别率分别为92.5%和95%,效果优于使用BP网络.     

基于机器视觉和PNN神经网络的鸭蛋表面缺陷检测研究

本章提出了一种基于概率神经网络（PNN）结合机器视觉的鸭蛋表面裂痕检测方法,配合背景光照法,结合灰度图像处理、图像高斯滤波处理、图像分割处理等算法去除图像杂质干扰,采用反锐化掩模局部对比度增强的分段增益改进算法来增强裂痕,收集裂痕、污点的相关信息作为数据集录入PNN神经网络,进行识别判断。本研究对1 600张鸭蛋图片样本进行采样分析,将鸭蛋分为好蛋、脏污蛋、裂纹蛋3种。试验表明,该系统对干净无损蛋、脏污无损蛋、裂纹蛋的检测准确率分别达到了95.1%、77.9%、95.3%,具有较好的泛化性和鲁棒性,符合复杂鸭蛋生产加工环境的应用需求。     

基于全卷积神经网络的植物叶片自动分割及表型解析

为提高植物叶片图像中形态参数提取的效率和准确率,以全卷积神经网络为基础,对模型构架和关键函数进行优化,通过有监督的学习方法实现植物叶片图像分割效果。模型在测试集上的平均召回率r为0.95,MIoU为0.94。在分割结果中提取植物叶片的形态学参数与人工提取结果高度相关,r~2>0.96。该研究实现了植物叶片图像高通量地分割,并且在分割结果中提取的植物叶片形态参数可以用于作物长势监测等相关研究。     

概率神经网络在玉米叶部病害识别中的应用

根据锈病、灰斑病、小斑病、褐斑病和弯孢菌叶斑病等5种主要玉米叶部病害的特点,提出了一种基于图像处理技术和概率神经网络技术的玉米叶部病害识别方法.首先,对田间采集的玉米叶部病害图像样本进行去噪处理、图像分割和特征提取;然后,利用遗传算法优化选择出4个独立、稳定性好、分类能力强的分类特征;最后,提取目标对象的特征向量作为输入向量,由概率神经网络(PNN)分类器识别病害类别,平均正确识别率为90.4%,高于BP神经网络.试验结果表明了该方法的有效性,可为田间作物病虫害的快速智能诊断提供借鉴.