基于形状及纹理特征的淡水鱼种类自动识别方法

[目的]本文利用自行搭建的淡水鱼图像采集装置在淡水鱼捕捞现场采集鱼体图像,在图像数据集上提出一种实用的淡水鱼自动识别分类方法。[方法]对14类淡水鱼图像进行预处理、自模板匹配操作,分割出完整的鱼体前景图像;提取鱼体全身、去尾鱼体及鱼尾的16维形状特征,利用灰度-梯度共生矩阵(GLGCM)、局部二值模式(LBP)及Gabor变换提取鱼体纹理特征,采用主成分分析法(PCA)分别筛选GLGCM纹理+形状、LBP纹理+形状和Gabor纹理+形状特征累积贡献率超过85%的特征组合。将降维前后特征集的70%和30%分别作为训练集和验证集,利用朴素贝叶斯、K近邻(KNN)、线性回归、决策树、随机森林、支持向量机(SVM)、梯度提升决策树(GBDT)7种机器学习方法训练淡水鱼品种分类器,并利用验证集数据分析对比各分类器的性能。[结果]鱼体前景图像分割算法测试结果表明,本文提出的自模板匹配方法可在不建立大规模模板库的前提下,以99.79%的正确率分割鱼体图像。分类器性能验证及对比结果表明,基于GLGCM纹理+形状特征的随机森林分类器的淡水鱼识别精度最高,降维获得的5维GLGCM纹理+形状特征向量识别14种淡水鱼的正确率达到99.52%。[结论]提出的自模板匹配方法可以在不构建庞大模板库的前提下实现鱼体前景区域的分割,基于筛选得到的GLGCM纹理+形状特征的随机森林分类器可用于自动识别淡水鱼品种。     

基于Stacking模型集成算法的莲都区南方红豆杉潜在分布区

研究使用R软件中的CaretEnsemble和Caret程序包,并基于Stacking方法来实现模型集成,研究南方红豆杉Taxus chinensis var.mairei在浙江省丽水市莲都区的潜在分布区,并比较5种单一模型的模拟结果及其与集成模型的差异。结果表明:单一模型中极端梯度上升模型表现最好,其次是随机森林模型、支持向量机模型、朴素贝叶斯模型和分类回归树模型,集成模型模拟结果好于单一模型,其Kappa值达0.80,准确率达0.90。集成模型模拟结果显示:影响南方红豆杉分布的主要环境因子为海拔、归一化植被指数和年平均最少降雨量。南方红豆杉主要适宜生长在浙江省丽水市莲都区的山地丘陵地区,中部盆地及平原地区不适宜南方红豆杉的生长,其在莲都区的潜在分布区面积为5.01万hm2。构建的集成模型在一定程度上提高了模型精度,使预测效果更优。     

基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别研究

为了保证人们对蔬菜的安全食用,研究了蔬菜叶片农药残留的无损检测方法。标准营养液无土栽培生菜样本,在成熟期按4种不同浓度,分别为1.250、0.830、0.600、0.375 mL/L,将氰戊菊酯农药雾状均匀喷洒至生菜叶片上,8 h后采集生菜叶片高光谱数据。采用标准归一化(SNV)算法对原始光谱进行预处理,分别利用基于非监督特征提取方法主成分分析(PCA)、局部保留投影(LPP)与基于监督特征提取方法线性判别分析(LDA)、局部保留投影(SLPP)对降噪后的光谱数据进行特征提取,统一选用支持向量机(SVM)作为分类器。利用相同的训练样本与测试样本进行分类试验,对生菜叶片农药残留浓度分类鉴别的结果为,PCA-SVM分类正确率为82.14%,LPP-SVM分类正确率为85.71%,LDA-SVM分类正确率为89.29%,SLPP-SVM分类正确率达到92.86%。结果表明,与非监督特征提取算法相比,监督特征提取算法由于充分利用了样本的类别特性,使得分类器对降维后的数据更加敏感,分类精度更高,其中SLPP-SVM的分类效果最好。     

基于多源遥感数据的黄河三角洲人工刺槐林生物量估算

利用哨兵影像、数字地形数据及森林实地样方调查数据,分别构建K-近邻(KNN)模型、随机森林(RF)模型、极值梯度增强(XGBboost)模型、Stacking模型,实现对黄河三角洲人工刺槐(Robinia pseudoacacia)林生物量的估算。结果表明,相较于K-近邻模型、随机森林模型、极值梯度增强模型,集成学习Stacking模型明显提高了生物量估测的精度(R²=0.61、RMSE=13.42 t/hm²)。     

特征提取方法对朴素贝叶斯文本分类器的影响分析

特征提取方法在文本分类过程中起着重要作用,文本分类的效果受特征提取方法选择的直接影响。采取信息增益和文档频率2种特征提取方法,对朴素贝叶斯分类模型的查全率和准确率进行验证比较。研究表明,朴素贝叶斯分类器的分类效果随着维数的增加先增加后减少;在维数一定时,信息增益（IG）的分类效果明显好于文档频率（DF）的分类效果。     

集成学习算法在不平衡分类中的应用研究

提出一种基于训练集分解的不平衡分类算法,该算法使用能输出后验概率的支持向量机作为分类器,使用基于测度层次信息源合并规则实现分类器的集成.在4个不同领域的不平衡数据集上的仿真实验表明:该算法有效提高分类器对正类样本的正确率,同时尽量减少对负类样本的误判.实验结果验证集成学习算法处理不平衡分类问题的有效性.     

应用堆叠融合模型和点云数据的树种分类

2021年6月份,以福州市三江口生态公园为研究区域,应用科卫泰的六旋翼无人机KWT-X6L-15搭载RIEGL VUX-1UAV三维激光扫描仪采集数据,获取8种共计444棵优势树种点云数据;使用LiDAR360激光雷达点云数据处理分析软件对激光雷达(LiDAR)点云数据预处理后,进行单木分割操作,提取树木参数,筛选得到树高、地径、枝下高、冠幅面积、冠高、胸径、95%百分位高度7个单木特征参数;使用堆叠(Stacking)融合模型应用点云数据提取的参数因子进行树种分类,分类结果与常用的支持向量机、随机森林、K最近邻模型3种模型分类结果进行对比,分析堆叠融合模型应用点云数据进行树种分类的准确度、卡帕(Kappa)系数、精确率、召回率等。结果表明：堆叠融合模型的树种分类,准确度达79.72%、卡帕系数为0.768 1;支持向量机、随机森林、K最近邻模型3种模型的分类,准确度分别为60.14%、67.57%、63.95%,卡帕系数分别为0.544 3、0.632 7、0.582 9;堆叠融合模型对树种分类的效果,整体优于K最近邻模型、随机森林模型、支持向量机模型3种常用模型。堆叠融合模型对水杉...     

基于极限学习机的单木枝叶点云分类

[目的]在林业测量中,利用树木的三维激光点云数据提取其结构信息以及模型拟合三维重建较为普遍,而林木枝叶三维点云分割则是林木参数提取以及三维重建的前提。[方法]利用扫描的单木三维点云数据,提取了单木点云的空间特征、反射强度、RGB色彩特征等多维特征,为提高分类的效率,通过随机森林算法按照其特征重要程度排序,除去冗杂的特征,保留RGB色彩、反射强度、法向分布特征作为分割依据。采用极限学习机(Extreme Learning Machine,ELM)对训练样本进行学习,并对原始数据进行枝叶点云的分类识别试验,分类正确率达到98.99%。[结果]在同等试验条件下,分别采用BP(Back Propatation)神经网络、LVQ(Learning Vector Quantization)神经网络、决策树(Decision Tree)、朴素贝叶斯(Naïve Bayes Classifier,NBC)、支持向量机(Support Vector Machine,SVM)进行分类,分类,其正确率分别为94.30%、91.26%、96.95%、85.67%、98.16%。[结论]试验结果表明极限学习机的分类效果较好。     

基于云平台的大米产地确证方法研究

针对大数据背景下地理标志大米产地真伪鉴别的算法模型与实现技术,以大米中矿物质元素含量数据为基础,运用Hadoop分布式集群技术,构建了基于MapReduce的并行化随机森林、支持向量机、人工神经网络与线性判别分析算法模型.结果表明,并行化随机森林模型的判别准确率为97.55％,与相同条件下并行化构建的支持向量机、人工神经网络与线性判别分析模型相比具有更好的产地判别精度,同时依托并行化随机森林模型构建的云平台能获取到较好加速比,不仅能够实现对未知地区大米数据进行准确的产地鉴别,而且能够通过提升数据量或计算节点数,更高效地处理大规模数据.     

基于GF-2遥感影像的塑料大棚提取方法对比

为实现GF-2遥感影像在农业领域的有效利用,针对GF-2遥感影像提取塑料大棚,对比分析随机森林、CART决策树及支持向量机3种分类方法的应用,以GF-2遥感影像为数据源,以内蒙古赤峰市喀喇沁旗王爷府镇为研究区,通过潜在分割误差(PSE)、分割强度(NSR)、欧氏距离(ED)3个指标确定最优分割参数组合,利用随机森林(RF)算法筛选出参与分类的最优特征子集,采用随机森林、CART决策树、支持向量机3种分类器进行了塑料大棚提取对比分析。试验结果表明:1)基于PSE、NSR和ED最优分割参数选择方法,应用于面向对象连片塑料大棚特定地物提取的研究分割效果较好;2)通过RF算法分析包含光谱、纹理、形状及相邻关系等多种特征,得出特征个数与分类精度之间呈现先逐渐增大后减小的趋势,该方法在保证分类精度的同时,可有效删除冗余与不相关特征,以提高分类器性能;3)将采用最优特征子集的3种分类器进行对比,随机森林分类效果最好,分类正确率达到89.65%,表明该方法能有效提取GF-2遥感影像连片塑料大棚,为提取设施农业的应用提供参考。