模式识别在植物叶片识别中的应用

总结了模式识别在植物叶片自动化识别中的典型应用.模式识别在植物叶片识别中主要应用于植物分类、植物缺素研究和植物病害的自动诊断等方面.模式识别在植物叶片识别方面起到了重要作用,具有广阔的发展前景.     

多特征与局部线性嵌入融合算法在植物识别中的应用研究

针对植物识别过程中叶片旋转状态下的识别需求,采用植物多特征提取与局部嵌入融合算法,应用支持向量机(SVM)建立分类器对植物叶片进行分类辨识。结果表明:基于分块的局部二值模式(LBP)算法可以提取植物叶片的纹理特征;使用局部线性嵌入(LLE)算法,对高维的LBP特征进行降维,减少了分类识别时间,同时能够达到更好的聚类效果,有效地提高识别率;所提出的植物叶片识别方法对旋转状态下的叶片具有良好的实用性。     

基于典型相关分析全局和局部特征融合 的植物识别方法

同类叶片图像的复杂多样性增加了植物识别研究的难度,导致利用叶片图像进行植物识别的识别率不高,因此提出一种基于典型相关分析(CCA)全局和局部特征融合的植物识别方法。首先,采用有较好的光照及旋转不变性的梯度直方图(HOG)和边缘轮廓Fourier描述子作为植物识别的特征;然后利用CCA在特征层将HOG和Fourier描述子相融合,构成更具分类鉴别力的一个特征向量;最后利用K-最近邻分类器进行植物识别。在ICL叶片图像数据库上的试验结果表明了该方法的有效性。     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

基于稀疏表示字典学习的植物分类方法

基于叶片图像的植物分类方法研究是植物分类学的一个重要研究方向。由于叶片图像的复杂性和对季节、光照等条件比较敏感,使得现有的植物分类方法的分类效果不佳。该文提出了一种基于稀疏表示字典学习的植物物种识别方法,该方法将植物分类问题转化为求解待分类叶片图像对于训练样本植物叶片图像的稀疏表示问题;再利用面向植物叶片图像类别的字典学习,寻求一个较小的、并经过优化的超完备字典来计算待识别叶片图像的稀疏表示。与已有植物分类方法比较,该方法的创新点为直接对原始叶片图像进行处理,不需要从每幅叶片图像中提取颜色、纹理和形状等分类特征,从而极大降低了植物分类方法的复杂度,提高了分类方法的实时性和鲁棒性。在公开的植物叶片图像数据库中对50类植物叶片图像进行了分类实验,识别率高达92%以上。     

基于Android手机和图像特征识别技术的植物叶片分类系统的研究

通过对植物叶片进行分类,在植物种类鉴别研究中有着重要的意义.在传统的植物叶片分类中,大多都是在PC机上构建叶片分类系统.该研究基于Android操作系统手机平台,构建了结合图像特征识别技术的植物叶片分类系统,设计了系统的主界面及相关操作界面,在VS开发环境下利用OpenCV中图像处理的相关类函数,实现图像处理的过程,最终通过在Android开发环境下调用本地C++代码的方式实现整个系统.     

基于改进SVM算法的植物叶片分类研究

[目的]为了有效的对植物物种进行识别,[方法]本文提出了基于布谷鸟(CS)算法改进的支持向量机(SVM)方法对植物叶片分类从而识别植物物种。本文用两种数据集验证改进的CS-SVM算法对植物叶片的分类效果:UCI公开数据集和自主采集叶片图像。在自主采集的叶片图像数据集中,首先对叶片图像预处理,提取6个特征值,然后再使用CS-SVM算法建立分类模型。[结果]结果表明,在UCI公开数据集每种叶片样本量较少的情况下,CS-SVM算法对叶片分类的准确率可以达到87%以上;在采集的叶片图像数据集上以鹅耳草榆属、槭属等8种植物叶片和红柳、杨属等15种植物叶片样本分别试验,前者叶片分类准确率达95%,后者则大于84%。最后,将CS-SVM算法与PSO-SVM算法对植物叶片的分类效果进行对比,结果表明两种方法在叶片分类准确率上无显著差异,但CS-SVM方法在速度上领先10 s以上。[结论]改进的CS-SVM算法在样本量少或者样本特征属性少的情况下,对植物叶片的分类具有良好的效果。     

基于多特征融合的植物叶片识别研究

植物叶片识别作为植物自动分类识别的重要分支,有着很高的实际应用价值。针对当前叶片特征描述存在的局限和叶片识别准确率较低的实际,以叶片图像为研究对象,首先对图像进行预处理,在提取叶片几何特征和纹理特征的基础上,设计描述叶片轮廓的距离矩阵和角点矩阵,通过计算基于几何特征、纹理特征和角点距离矩阵的综合相似度对叶片进行精确识别。对Flavia数据集中的32类共计960幅叶片图像进行训练和测试,结果表明,基于叶片图像多特征融合的识别方法对叶片特征描述能力更强,识别准确率更高,对Flavia数据集的识别率可达97.50%,具有较好的识别效果。     

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Fourier描述子和LBP相结合的植物叶片识别方法

针对植物叶片的复杂性导致基于叶片植物识别的识别率较低的问题,提出一种基于Fourier描述子和局部二值模式(local binary pattern,简称LBP)相结合的植物叶片识别方法。首先,利用Canny算法提取叶片的边缘图像,计算其中心-边缘距离序列的傅里叶变换,得到叶片图像的改进Fourier描述子;然后,提取叶片图像的局部二值模式特征;再利用判别典型相关分析算法将植物叶片的Fourier描述子和LBP特征进行融合,得到1个有利于分类的联合映射矩阵,由此将2类特征映射为1个低维特征向量;然后利用K-最近邻分类器进行植物识别。在公开的智能计算实验室(intelligent computing laboratory,简称ICL)叶片图像数据库上进行分类试验,识别率高达94%以上。结果表明,提出的方法是有效可行的,该研究能够为植物物种自动识别系统提供技术参考。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

Embedded portable device for herb leaves recognition using image processing techniques and neural network algorithm

Herbs have been widely used in food preparation, medicine and cosmetic industry. Knowing which herbs to be used would be very critical in these applications. Nevertheless, the current way of identification and determination of the types of herbs is still being done manually and prone to human error. Designing a convenient and automatic recognition system of herbs species is essential since this will improve herb species classification efficiency. This research focus on recognition approach to the shape and texture features of the herbs leaves. It aims to realize the computerized method to classify the herbs plants in a very convenient way. Portable herb leaves recognition system through image and data processing techniques is implemented as automated herb plant classification system. It is very easy to use and inexpensive system designed especially for helping scientist in agricultural field. The proposed system employs neural networks algorithm and image processing techniques to perform recognition on twenty species of herbs. One hundred samples for each species went through the system and the recognition accuracy was at 98.9%. Most importantly the system is capable of identifying the herbs leaves species even though they are dried, wet, torn or deformed. The efficiency and effectiveness of the proposed method in recognizing and classifying the different herbs species is demonstrated by experiments.     

计算机视觉技术在植物病害识别上的研究进展

随着农业和现代化信息技术的交互、联结和碰撞,农业逐渐趋于现代化、智能化和数字化,近年来运用计算机视觉技术对植物病害进行诊断得到广泛应用,比传统方法更加迅捷、精确。分别从图像采集、图像预处理、图像分割、图像特征提取、病害识别和分类5个方面进行阐述,总结了植物病害图像识别技术的要点及存在问题,并对其未来发展进行了展望,为计算机视觉技术在植物病害识别上的应用和研究提供依据。     

基于Mask-RCNN的复杂背景下多目标叶片的分割和识别

在基于叶片图像进行植物识别和生长状态监控时,植物目标叶片的准确分割和识别是前提和基础,但复杂背景给叶片的分割和识别带来了极大的挑战。本研究提出基于Mask-RCNN深度学习网络分割和识别复杂背景下多目标叶片的算法,共拍摄自然生长状态下常见的植物叶片图像7 357张,标注3 000张作为训练数据库,这3 000张图像共包含4种植物,分别为孔雀竹芋(Calathea makoyana)、珊瑚树(Viburnum odoratissinum)、洋常春藤(Hedera helix L.)和黄花羊蹄甲(Bauhinia tomentosa)。选择这4种植物的80个测试样本图像进行分割、识别与错分率分析。结果表明:Mask-RCNN深度学习网络对这4种植物的识别效果良好,未出现误识别的情况;分割的平均图像错分率为0.93%,最大值不超过2.49%,即分割准确率达97.51%;同时该算法具有强大的迁移能力。     

基于多特征融合和深度信念网络的植物叶片识别

基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor滤波和灰度共生矩阵方法得到。而形状特征向量由Hu氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用“dropout”方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法,在Flavia数据库中,对32种叶片的识别率为99.37%;在ICL数据库中,对220种叶片的识别率为93.939%。这表明相比一般的叶片识别方法,此方法鲁棒性更强,并且识别率更高。      

模糊聚类分析在甘蓝品种资源数量分类上的应用

本研究以20个甘蓝品种、自交系、一代杂种为材料,根据8个主要数量性状,应用模糊聚类分析的分类,结果与实际情况相符.试验证明,此种分析方法在实践中是可行的.     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。