基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

基于C-SVM的碎米检测算法研究

提出了一种基于支持向量机(C-SVM)区分整精米和碎米的方法,首先对大米图像进行阈值分割、平滑处理等图像预处理,并根据大米的粒形特点,提取米粒的面积、周长等6个形态特征,利用Orange Canvas数据挖掘软件对C-SVM中核函数参数进行预判,最终选择线性核函数的C-SVM作为分类器进行分类。对8组大米样本图像进行碎米测试,可达到较好的分类效果。试验结果表明,线性核函数的支持向量机对精整米与碎米识别分类准确率为95.6%。     

基于计算机视觉的葡萄叶部病害识别研究

利用数字图像处理和支持向量机技术实现对植物叶部常见病害的自动识别,以葡萄叶部常见的白粉病、黑腐病、霜霉病为研究对象,对采集的图像进行预处理后,提取病斑区域形状、颜色和纹理的共15个特征,利用支持向量机分类器对葡萄叶部常见病害进行分类识别。结果表明,与其他核函数相比,径向基核函数对葡萄叶部病害测试样本的识别率最高,正确率达95.00%,说明利用计算机视觉技术实现对葡萄叶部常见病害的自动识别是可行的;通过多次试验可以得出,利用多特征组合进行识别可以有效地提高葡萄叶部常见病害的识别准确率。     

基于小波分析及改进KNN的红虫识别研究

提出了一种小波分析与改进KNN相结合的红虫图像识别方法。该方法采用多辨识小波分解提取图像的小波能量特征,同时结合生物图像颜色特征构造特征向量,然后选择加权改进KNN分类器进行识别,分类器根据特征与分类相关度确定权重,修改距离函数,有效提高了分类精度。通过对红虫、剑水蚤、猛水蚤样本进行分类试验证明,平均识别准确率达到95.41%,验证了该方法的有效性。     

基于超像素特征向量的果树冠层分割方法

针对无人机精确植保过程中,果树冠层区域颜色特征和杂草相似度较高、难以分割等问题,采用基于超像素特征向量的果树冠层分割方法,以消除不同杂草特征对树冠分离的干扰,减小农药喷雾区域,节省农药使用量.通过分析无人机采集合成的样本图像在HSV彩色空间上色调与饱和度的分布情况,选取合适的阈值范围,提取样本图像中包含果树冠层与杂草的绿色区域,将提取的绿色区域RGB图像转换生成Lab和HSV彩色空间模型下的图像,然后运用简单的线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法将RGB图像预设分割成250个超像素单元,结合超像素的分割信息与RGB图像、Lab图像、HSV图像以及灰度图,提取超像素单元的特征向量,随机选取25％的超像素样本的特征向量作为SVM分类器的训练集,利用SVM分类器对所有样本进行预测分类,实现果树冠层与杂草分割.将基于超像素特征向量的方法和基于光谱阈值、K-means聚类的2种方法进行对比分析,结果显示,基于超像素特征向量的方法在识别果树冠层位置方面生产者精度为90.83％,在提取果树冠层轮廓上F测度值为87.62％,总体分割性能优于后两种方法.说明,基于超像素特征向量的方法能够较为准确地分割果树冠层与杂草,为实现无人机在果园中精确植保提供重要支撑.     

基于词袋模型的林业业务图像分类

针对林业业务图像的特点,提出了一种基于稠密尺度不变特征转换(Dense SIFT)特征的词袋(BoW)模型,并联合直方图正交核的支持向量机(SVM)对图像自动分类。首先采用Dense SIFT提取林业业务图像特征,然后使用BoW模型描述各业务图像,最后利用SVM进行分类识别。实验结果表明:采用Dense SIFT特征比SIFT特征训练时间和识别时间更短,并有更高的识别率,更适应实时性较高的场合;SVM采用多项式核函数(Poly),径向基核函数(RBF),多层感知器核函数(Sigmoid)以及直方图交叉核对3类林业业务图像分类时,直方图正交核取得的平均识别率最高;综合Dense SIFT在局部特征上的优势,加上BoW模型和直方图交叉核SVM分类器,平均识别率达到了86.7%,有较好的识别效果。     

基于智能算法的甘蔗定位切割方法

针对传统的基于图像的甘蔗茎节识别算法主要有中值决策、列灰度及拟合的边缘检测方法、图像滤波方法以及图像分割方法等,传统方法的检测准确率偏低,难以满足识别要求。提出了一种基于改进型粒子群优化算法的混合核函数的支持向量机分类识别模型,对甘蔗的茎节进行分类识别。传统的PSO算法由于粒子群的趋同性,导致前期收敛很快,后期十分缓慢,并且容易陷入局部最优解,也就是常说的早熟。将混沌优化算法与PSO算法进行结合,改造判断解决早熟的收敛方法以改进CPSO算法。传统SVM分类识别模型采用单个核函数,而局部核函数具有较好的学习能力,但不具备较好的泛化能力,相反,全局核函数具有较好的泛化能力,但不具备较好的泛化能力。将局部核函数和全局核函数按照一定规则和条件进行混合,构造一种新型混合核函数,试验验证结果表明,本研究的甘蔗定位识别方法有效。     

一种融合聚类和分类算法的树木图像多目标优化分割方法

目的结合树木图像颜色和纹理特征,融合聚类和分类算法对树木图像进行多目标优化分割,从而提高自然背景下树木图像分割的准确性。方法首先,利用MSCC框架理论,解决聚类和分类目标函数同时依赖于聚类中心的问题。然后,分别选定聚类性能评价指标函数和分类性能评价指标函数。最后,采用多目标进化优化方法——NSGA-II算法进行优化,得到Pareto前端最优解集,并通过计算聚类有效性指数I的最大值,寻找最优解决方案。选择具有代表性的法国梧桐、侧柏、松树和杏树等自然背景下拍摄的4幅图像作为样本。分别采用K-means、Fuzzy C-means、对聚类目标函数进行单目标优化,采用MOPSO方法进行多目标优化,以及NSGA-II方法进行多目标优化等5种方法对样本图像进行分割比较。结果在聚类中心数量相同、种群大小相同、遗传代数相同的条件下,指数I的值表明本文提出的分割方法优势显著。对于4类不同样本图像分割的指数I值进行对比可知,以HF指数为单目标函数进行遗传优化的结果优于单一使用K-means和FCM算法;MOPSO多目标优化方法分割结果优于单目标优化结果;基于NSGA-II优化的多目标函数分割结果又优于MOPSO多目标优化结果。结论融合聚类和分类算法构建聚类性能评价指标函数和分类评价性能指标函数,并采用非支配排序遗传算法对多目标函数进行优化,能更好地保留树木图像的颜色和纹理特征,分割准确率显著提高。      

基于FA-SVM技术的烟草早期病害识别

为准确检测和识别烟草病害,为制定合理的病害防治措施提供科学依据,提出基于萤火虫算法优化支持向量机(FA-SVM)技术的烟草早期病害识别方法。以烟草常见的蛙眼病与赤星病为研究对象,利用可见光拍摄带有2种病害的烟草植物叶片,获取图像样本。利用形态学方法和图像分割技术得到病斑图像。提取病斑的颜色、纹理及形态学等共计32个特征,构建原始特征空间。利用蚁群算法(Ant colony optimization,ACO)对特征空间进行优化,依据适应度值选取最优特征组合,当适应度值达到最高为95.68时,有13个特征被选择。运用萤火虫算法(Firefly algorithm,FA)优化支持向量机(Support vector machine,SVM)的惩罚因子(c)与径向基核函数参数(g),提高分类器性能。当c=94.12、g=2.43时,对不同发育时期的2种病害的识别率达到96%。结果表明,利用FA-SVM技术识别烟草蛙眼病与赤星病2种常见病害是可行的。     

一种玉米雄穗图像识别算法研究

针对复杂的玉米田间图像,提出了一种玉米雄穗识别算法。该算法在HOG/SVM算法的基础上进行改进,为了弥补HOG特征只表现图像的轮廓特征这一缺点,分别提取待测图像块的颜色特征、轮廓特征和纹理特征,并送入提出的组合级联SVM分类器中进行判别。该SVM分类器是由2级SVM模型组合构成的,并使用大量经过人工标注的雄穗图像和背景图像为样本训练而成。综合考虑分割结果和性能评价,雄穗成功识别率为83%,该方法能很好地识别玉米雄穗,适用于复杂田间玉米雄穗图像的分割。     

基于支持向量机的电气设备运行状态图像识别方法研究

针对电气设备运行状态图像的特点,提出将支持向量机（SVM）分类器应用于多种电气设备运行状态识别中。首先利用C-均值聚类法,分割出运行状态指示牌的汉字或数字部分;再利用K—L变换提取出运行状态的特征向量;最后利用支持向量机分类方法进行状态识别。试验结果表明：支持向量机分类方法对于小样本情况,具有良好的分类能力,适合多种电气设备运行状态的分类,并能获得比神经网络方法更好的识别性能。不同的分类核函数的相互比较分析表明,Sigmoid核函数最适合电气设备运行状态的分类识别。     

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。      

基于叶片图像算法的植物种类识别方法研究

为了提高植物种类的识别率,采用叶片图像算法。首先建立植物种类特征模型,包括植物叶片颜色特征、形状特征、纹理特征;然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系;接着对径向基函数个数、中心及宽度优化,基于梯度下降方法对权重参数计算,自适应调节学习率;最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个,其中本文算法对植物种类识别的三个组合特征平均识别率为93.5%,高于单个特征、两个组合特征的平均识别率,形状特征对识别率所起的作用最大。     

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.     

基于图像识别的无人机精准喷雾控制系统的研究

【目的】针对传统的植保无人机喷雾作业时化肥农药浪费大,利用率低,造成环境污染的问题,研制一种基于图像识别的无人机精准喷雾控制系统。【方法】利用中值滤波算法对田间航拍图像进行去噪,采用分层K_means硬聚类算法实现对农田航拍图像的分割,提取非作物区域的颜色、纹理特征空间的22个特征参数,设计支持向量机分类器进行分类识别。根据优选的17个特征参数,利用以径向基函数作为核函数的支持向量机对非作物区域图像进行识别,并根据识别结果控制喷头,实现精准喷雾。【结果】测试样本的识别率可达为76.56%,在无干扰风场情况下,当P_阀为10%时,减施率可达32.7%。【结论】本系统为农业航空精准喷雾控制技术的应用提供了参考方向和决策支持。     

基于GLCM特征提取和投票分类模型的马铃薯早、晚疫病检测

马铃薯作为世界第四大粮食作物对农业生产与经济效益具有重要影响。早、晚疫病是引起马铃薯减产的主要原因之一,如能及早发现作物病害,准确确定病害类型,对于保护作物安全和控制病害传播具有重要意义。为实现自动化诊断马铃薯病害,本研究提出了一种基于预处理、分割、特征提取和分类器分类的马铃薯病害检测自动化方法。在多时间段、不同天气环境下选择叶片形状与植株生长情况差异较大的田间拍摄马铃薯照片制作数据集,通过构建投票分类器模型对病害图像进行特征提取和高精度分类检测。首先利用Fast K-Means聚类算法对灰度图像下的马铃薯叶片进行分割,获得叶片受关注的区域;其次使用GLCM算法对受关注的区域提取11类纹理特征信息,计算4个GLCM获得单个图像88个纹理特征,并形成特征向量;最后使用投票分类模型对病害特征向量进行分类。分类模型是随机森林、支持向量机、KNN方法的组合,分类过程使用网格搜索优化分类器超参数。在10折交叉验证下,马铃薯病害分类准确率、精确率、召回率平均提高12.18、14.00、9.53百分点,综合性能提高11.90百分点。分析GLCM特征,135°方向角特征敏感性最弱,权重方面对比度特征最...     

油桃糖度的光谱图像检测技术研究

应用光谱图像技术进行油桃内部品质无损检测技术的研究。通过采集不同波长(分别为632、650、670、780、850和900 nm)的光谱图像,对所采集的光谱图像灰度分布进行洛伦茨分布(LD)函数的拟合。将油桃的糖度与洛伦茨分布函数拟合所得参数分别进行多元线性回归,建立最佳单波长、最佳双波长组合、最佳三波长组合和最佳四波长组合的校正方程,相关系数分别是最佳单波长r为0.789;最佳双波长r为0.893;最佳三波长r为0.970;最佳四波长r为0.943。试验结果表明:利用光谱图像技术无损检测油桃糖度是可行性的,为计算机图像对水果进行内部品质的无损检测提供技术依据。     

基于支持向量机(SVMs)的核心启动子识别方法

本文介绍了TATA-box和GC-box等4类常见的核心启动子元件,并提出了结合位点权重矩阵的基于支持向量机的核心启动子识别方法。正确识别核心启动子的一个决定因素是找到一个最优的判别函数使得测试样本尽可能被正确分类,本文从测试样本的线性分类和非线性分类两个方面阐述了分类过程。核函数的选择是基于SVM的核心启动子识别的关键问题之一。核函数的形式及其参数的确定决定了分类器的复杂程度。实际应用时,可根据需要构建适当的核。     

基于对比学习的多肉植物分类识别方法研究

针对多肉植物种类多，类内差异大、类间差异小，数据难收集，导致传统分类算法不能有效解决多肉植物图像分类的问题，提出一种基于对比学习的多肉植物图像分类网络CL＿ConvNeXt。该网络以ConvNeXt为基础结构引入对比学习思想，在网络中间层添加非线性投影层（Projection head）作为辅助分类器来帮助模型对浅层网络进行特征提取；在一个批处理中通过数据增强来构造正样本，将剩余样本看作负样本；将交叉熵损失函数和对比损失函数进行加权计算，重新设计新的损失函数计算方法，实现单阶段模型训练。训练时采用迁移学习将预训练权重迁移到模型中来提高模型训练时的收敛速度，通过优化各种策略和参数来进一步提升模型的识别准确率。结果表明，在自制的190类多肉植物数据集中，在使用相同训练策略和环境配置的情况下，最终模型CL＿ConvNeXt对多肉植物图像分类识别准确率达到了91.79%，较原ConvNeXt模型结构的识别准确率提升了12.24个百分点，对解决多肉植物图像分类识别问题有较好的效果。     

基于改进VGG卷积神经网络的棉花病害识别模型

为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。