基于ACO-SVM的粮虫特征提取研究

[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。     

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。     

基于遗传算法和支持向量机的储粮害虫图像识别

建立支持向量机（SVM）模型,用遗传算法自动选择最优的核函数参数,利用该SVM与遗传算法相结合的新型算法对储粮害虫图像进行分类识别。结果表明,该方法所确定的SVM对储粮害虫具有较优的识别率,其整体性能优良。     

核函数主成分分析在粮虫特征提取中的应用

针对储粮害虫种类多、类别之间区分度比较小的特点,提出基于核函数主成分分析(KPCA)的粮虫特征提取方法.利用高斯径向基核函数,对特征选择后的10维原始数字特征进行核函数主成分分析,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间进行特征提取.从类间可分性指数和粮虫分类效果2个方面,将KPCA法...     

基于机器视觉的脐橙品质在线分级检测系统

针对脐橙自动分级检测中存在正确识别率偏低、实时性不强的问题,提出一种综合特征提取方法:在对图像颜色模型进行转换后,用H分量图像提取脐橙的大小特征;S分量图像通过背景分割、边缘灰度补偿、整体亮度变换后提取脐橙的果面缺陷特征;采用R、G、R-G3个分量的均值和标准差提取脐橙的颜色特征。以脐橙的大小特征、果面缺陷特征和颜色特征为支持向量机(Support vector machine,SVM)的试验输入向量,进行脐橙分级检测试验,以实现提高脐橙自动分级正确识别率和增强实时。试验结果表明:该SVM分类器对脐橙分级的正确识别率为91.5%,处理时间为160ms,适合于实时环境下的分级检测。     

基于GMM和聚类方法的储粮害虫声信号识别研究

通过储粮害虫声信号判断害虫活动情况对安全储粮意义重大。本研究采集了2种储粮害虫的活动声信号,首先提取声信号梅尔倒谱系数(MFCC)特征,然后以特征数据建立高斯混合模型(GMM),最后使用聚类方法对2种储粮害虫的4种活动声信号进行识别,识别率均达到80%以上。本研究验证了声检测法识别储粮害虫的可行性和有效性,具有较大的实际应用价值。     

水稻害虫图像识别技术研究

[目的]解决水稻害虫传统识别方法的低时效性问题。[方法]采用数字图像处理方法对水稻害虫进行图像识别和分类,对水稻害虫的虫体面积、虫体周长、偏心率、形状参数、似圆度、叶状性、球形性等几何形状特征进行提取和研究,并采用支持向量机(SVM)分类器对水稻害虫二化螟、三化螟、稻飞虱、卷叶螟进行分类。[结果]利用所建立的6个特征判别函数对4种水稻害虫进行判别分类,识别率达到96.67%,说明这6个经过筛选的特征具有很强的判别性。[结论]支持向量机分类器的识别方法很好地解决水稻害虫传统识别方法的低时效性问题。支持向量机以风险最小化为原则,兼顾训练误差与测试误差的最小化,具体体现在分类模型的选择和模型参数的选择上。     

基于贝叶斯正则化BP网络的粮虫分类识别研究

以粮虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现分类识别的方法。首先对4类常见粮虫进行图像采集、预处理及特征提取,然后将提取到的9个形态学特征参数作为神经网络的输入参数,对应的粮虫类别代号作为输出参数,建立BP神经网络,并在网络学习过程中采用贝叶斯正则化优化算法对其进行改进。最后通过仿真试验表明:该方法在粮虫识别算法中收敛速度快,预测精度高,稳定性好,泛化能力优,从而证实了该方法在实际应用中的可行性。     

基于CS-SVM的谷子叶片病害图像识别

利用图像识别方法对常见的谷子叶片病害进行判别,为制定合理的病害防治措施提供科学依据。试验采集了谷瘟病、白发病、红叶病、锈病共4种谷子叶片病害的原始图像,运用基于超绿特征的最大类间方差法对谷子叶片病害进行分割,提取谷子叶片病害颜色、形态、纹理等共计19个特征,采用蚁群优化算法选择了8个特征。运用布谷鸟算法(cuckoo search,CS)优化支持向量机(support vector machine,SVM)的惩罚因子c和径向核函数g,利用SVM对谷子叶片病害进行自动判别。结果表明,当c=80.2662,g=1.8467时,谷子叶片病害和叶片的平均识别率达到99%,表明基于CS-SVM的图像识别方法可对4种谷子叶片病害进行准确分类。     

储粮害虫图像识别中的特征压缩研究

为了降低储粮害虫特征空间的维数,并去除粮虫特征之间的信息冗余,需要对特征选择后的特征进行压缩处理。运用基于总体类内离散度矩阵K-L变换的特征压缩和基于距离可分性准则的特征压缩2种压缩方法,分别在累积贡献率为88.11%和99.13%的情况下,将粮虫的10维特征压缩为5维。应用压缩后的5维特征,由基于模糊决策的模糊分类器对粮仓中常见的9类粮虫进行识别分类,识别率分别为93.33%和95.56%。结果证实了基于距离可分性准则的特征压缩更适合于粮虫的特征压缩。     

基于混沌机制的人工蜂群算法优化的支持向量机分类器

支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。     

基于支持向量机的水稻纹枯病识别研究

[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。     

基于多特征相融合和支持向量机的森林火场识别技术的研究

针对森林火场采用了新的颜色特征提取方法,融合图像的颜色和纹理特征作为图像的特征向量,并用支持向量机作为学习工具,充分利用已有森林火场的数据进行学习,提高森林火场的自动识别的准确率.结果表明,新的颜色特征提取方法适用于森林火场的识别,采用支持向量机融合多特征可成功用于森林火场的自动识别.     

基于图像融合特征的番茄叶部病害的识别

为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。     

基于SVM的高粱叶片病斑图像自动分割提取方法研究

为实现高粱叶片病斑的自动化无损监测,利用支持向量机(SVM)技术对高粱叶片病斑图像进行自动分割提取研究。结果表明,通过选取RGB、HIS和Lab 3种颜色空间的颜色特征值可以消除对作物病斑拍照时产生的光照、亮度等影响。在MATLAB软件环境下调用LIBSVM软件对病斑图片中的病斑图像像素点和背景图像像素点建立支持向量机分类模型,可以实现对病斑的高效分割和高质量提取。分割提取效果与人眼识别的病斑图像高度吻合。如果利用大量采集的病斑图像进行模型训练,就可以真正实现完全自动化的病斑分割、提取和判别。因此,该研究对建立完全自动化的作物病斑图像识别系统意义重大。     

基于图像分析的梅花品种识别研究

针对梅花图像,提出了适合其颜色、形状、纹理3方面特征的描述方法。在颜色特征提取方面,通过直方图归类的结果,提出了适合描述梅花图像色彩特征的方法。改进了对形状特征进行描述的平坦度算法,在计算平坦度时只计算花朵区域,没有统计背景区域,使算法得到简化,并且不影响最终的效果。改进了灰度共生矩阵的计算方法,首先提取出花朵区域的最小外接长方形,以此作为新的图像的长和宽,降低灰度共生矩阵的计算量;然后再计算4个角度的灰度共生矩阵,累加相应的矩阵元素除以4求出4个矩阵的平均矩阵,作为参与运算的灰度共生矩阵;计算该矩阵的相关参数作为纹理特征的描述。最后对提取到的19个特征采用SVM分类器进行分类和识别。对 660幅梅花图像（每个品种60幅,11个品种）进行测试,330幅作为训练样本,另外330幅作为测试样本。实验结果表明,在对SVM分类器做交叉验证后,识别率可达到93.94%。该识别系统具有较高的识别准确率和稳定性,能够起到知识普及的作用,减轻专业人员的负担,增加梅花的鉴赏性。