基于PCA和BP神经网络的万寿菊黑斑病孢子识别

针对万寿菊黑斑病难于防治的问题,采用基于主成分分析和BP神经网络的识别方法,对万寿菊黑斑病病原菌(Alternaria tagetica)无侵染力和有侵染力的孢子进行精确识别。首先利用图像处理技术对病原菌孢子显微图像进行分割,选取3个颜色特征(R、G和V)、5个形状特征(Hu不变矩中的H2、H3、H4、H5和H6),以及3个纹理特征(R、G、B3个分量的对比度)共11个特征用于病原菌孢子分类识别。为提高识别速度和精度,利用主成分分析法(PCA)对11个特征进行优化和筛选,采用基于L-M算法的BP神经网络对万寿菊黑斑病病原菌的孢子进行分类识别。试验结果表明,经主成分分析后得到的第一、第二主成分能够有效减少BP网络训练时间和提高识别准确率,平均识别准确率达到98%。该方法能够精准识别万寿菊黑斑病病菌有侵染力和无侵染力的孢子。     

基于高光谱成像的苹果果梗完整性识别方法研究

为了实现对苹果品质的等级评价,对果梗的完整性进行检测是必不可少的。选取了苹果样本260个,其中果梗完整果104个、果梗不完整果92个、没有果梗果64个。利用高光谱成像技术提取苹果感兴趣区域光谱信息。采用逐步多元回归算法(stepwise multiple linear regression,SMLR)从全波段(450~970nm)提取了5个特征波长(594.78,572.08,599.84,626.48,666nm),采用连续投影算法(successive projections algorithm,SPA)从全波段(450~970nm)提取了7个特征波长(467.5,672.4,695.4,730.2,840.4,952.6,969.6nm)。然后,提取感兴趣区域的惯性矩、相关性、能量和熵4个纹理特征。将光谱特征、纹理特征、光谱特征结合纹理特征3组数据,分别作为输入矢量,采用支持向量机(support vector machine,SVM)、BP人工神经网络(BP artificial neural network,BPANN)对苹果果梗完整性进行识别,使用交叉验证的方法进行5组交叉验证,每一组分别从训练集和验证集中拿出30个进行互换,将5组验证集正确率的平均值作为评价指标,并且对比分析结果。结果表明:单独使用纹理特征作为输入矢量,果梗识别效果不佳,SVM模型正确率为50.3%,BPANN模型正确率为37.2%。融合光谱特征和纹理特征作为输入矢量识别效果一般,SPA-T-SVM模型正确率为86.6%,SPA-T-BPANN模型正确率为80.3%,SMLR-T-SVM模型正确率为77.2%,SMLR-T-BPANN模型正确率为74.9%。只采用光谱特征作为输入矢量识别效果较好,其中SPA-SVM方法识别效果最好,识别正确率达到91.7%,且数据计算量小。该研究为苹果品质等级评价提供了理论依据。     

基于卷积神经网络的天麻表面破损检测研究

【目的】为解决传统天麻表面破损主要依靠人工检测的问题,提出将残差神经网络模型(Faster R-CNN ResNet101)检测方法应用到天麻表面破损识别中,以期取得较好的识别效果。【方法】以腐烂、霉变、机械损伤和完好等4类天麻为研究对象,在卷积神经网络和区域候选网络的基础上构建模型,然后在tensorflow框架上实现模型检测,最后对比分析结果。【结果】天麻表面破损检测模型利用Faster R-CNN ResNet101网络中的输入卷积层以及4个卷积组进行特征提取,区域候选网络生成天麻表面破损的初步位置候选框,实现候选框的分类和定位,其识别率达95.14%,且查准率为0.94,召回率为0.92。与SSD (Single Shot multibox Detector)、Faster_rcnn_inception和Rfcn_resnet101等3种神经网络识别方法对比,识别率分别提高了13.02%、10.69%和12.02%。【结论】该模型具有泛化能力强、准确率较高和鲁棒性较好等特点,为农产品的识别研究提供了参考和借鉴。     

基于近红外透射光谱及神经网络的大豆油质量分析

提出了一种基于近红外透射光谱及最速下降BP算法识别大豆油质量的方法。光谱采集范围是10 000~4 000 cm-1,将得到的近红外光谱数据作为网络的输入神经元,利用主成分分析方法得出8个变量指标数,该变量指标对样品累计贡献率达到99.9%以上;将8个主成分的特征值作为BP网络的输入向量,建立BP神经网络模型。该模型对预测样品集能正确判别,判别正确率达到100%。     

基于专家系统的穴盘苗品种识别算法设计与试验

为提高穴盘苗品种识别准确率,确保全自动穴盘苗移栽的实施,设计基于专家系统的识别算法。首先对采集穴盘苗图像进行K均值聚类算法图像分割、二值化和形态图像处理,获得0.6L-0.4(R+B+G)/3、0.3b-0.7a、H+0.2S、0.3L-0.7a等4个颜色特征值向量和长宽比、椭圆扁率、矩形度、傅里叶描述子等4个形状特征向量。然后对图像特征进行语义转换,构建穴盘苗知识模型,并设计苗的知识库及推理机,推理采用了不确定推理算法及学习算法。系统采集了120盘10个品种的穴盘苗,采用专家系统识别试验,成功率达到了98.3%,而相同样本采用支持向量机(support vector machine,简称SVM)的识别率是84.0%,采用粒子群优化支持向量机(particle-swarm optimization SVM,简称PSOSVM)的识别率是86.3%,采用反向传递(back propagation,简称BP)神经网络的识别率是62.0%,证明基于专家系统的识别方法可以满足自动移栽作业要求。     

4类小麦碰撞声时域和频域特征分析

采集同种小麦的完好粒、虫害粒(IDK)、霉变粒和发芽粒的碰撞声信号,分别对它们的时域和频域特征进行了分析,发现4类小麦碰撞声信号之间存在较多差异。使用曲线拟合法和希尔伯特-黄变换方法分别提取时域特征和频域特征,建立特征模式识别,最后使用BP神经网络分别对两种方法提取的特征进行分类识别。结果表明对完好粒、IDK和霉变粒的碰撞声信号可获得较高的识别率。     

4类小麦碰撞声时域和频域特征分析

采集同种小麦的完好粒、虫害粒(IDK)、霉变粒和发芽粒的碰撞声信号,分别对它们的时域和频域特征进行了分析,发现4类小麦碰撞声信号之间存在较多差异。使用曲线拟合法和希尔伯特-黄变换方法分别提取时域特征和频域特征,建立特征模式识别,最后使用BP神经网络分别对两种方法提取的特征进行分类识别。结果表明对完好粒、IDK和霉变粒的碰撞声信号可获得较高的识别率。     

一种基于DSP 的桂圆破损检测方法

针对基于DSP的小型农产品机器视觉分选机,设计了一种基于图像识别的桂圆破损检测方法。该方法首先提取桂圆的彩色分量R和G,通过R-G特征值分割提取桂圆外壳区域,并求出桂圆观测面积;然后通过外壳边缘求出其近似最小外接圆的面积;最后根据观测面积和最小外接圆面积的比值来判断桂圆的破损情况。采用桂圆外壳破损和完好的共792个样本进行分选测试,结果表明,分选的准确率达到86.24%。该检测方法简单快速,有一定的准确性,适用于大多数小型球状果实的分选。     

基于机器视觉技术的烤烟鲜烟叶成熟度检测

为准确判定烟叶采收成熟度,以不同成熟度中部烟叶为材料,利用机器视觉技术提取不同成熟度烟叶图像的颜色和纹理特征值,采用主成分分析法对3个颜色特征值(色调、饱和度、亮度)和5个纹理特征值(角二阶矩、相关度、熵、对比度、逆差距)进行优化,利用BP神经网络建立烟叶成熟度检测模型。结果表明,采用前4个主成分可综合反映3个颜色特征值和5个纹理特征值的分级信息,实现了参数的优化;在图像信息主成分因子数为4,中间节点数为16时,该识别模型最佳,模型平均识别率为93.67%,表明基于机器视觉技术对烤烟鲜烟叶成熟度的检测是可行的。     

基于图像处理的密集烘烤过程烟叶β-胡萝卜素含量的检测

为实现密集烘烤过程中烟叶β-胡萝卜素含量的实时检测,首先采用图像处理技术提取烘烤过程烟叶图像的6个颜色特征值,量化烘烤过程中烟叶颜色特征的变化,然后以烟叶颜色特征值为输入指标,运用BP神经网络对烘烤过程中烟叶β-胡萝卜素含量进行预测.结果表明:随着烘烤进行,烟叶R(红色)、G(绿色)、B(蓝色)分量及亮度值均呈现先升高...     

基于计算机视觉的沙糖橘果皮光滑指标检测

使用计算机视觉系统提取沙糖橘果皮正面图像,构建有效的图像采集方法、预处理方法、分割方法。从目标区域图像中提取6个与品质密切相关的果皮纹理特征信息用来分类识别果皮光滑,使用单一方差参数配合参数区间分类的方式正确率较低,为76.3%;进而以果皮6个灰度纹理特征开展MLP模型设计和训练,使用训练后的模型进行分类检测。在实测一定数量的果皮得出分类检测结果的基础上,进行系统设计的可行性验证。结果表明,基于3层的BP神经网络模型,设计6-8-2BP网络结构,分类识别正确率达到97.5%。该设计方法可对果蔬果皮特征检测提供参考和借鉴。     

一种粘连谷物图像分割及杂质识别算法开发

本文提出了一种自动分割粘连谷物并识别杂质的算法。该算法首先使用基于形态学多尺度分解的分水岭算法对粘连颗粒进行分割,接着提取各个颗粒的形态特征和颜色特征,然后计算上述样本颗粒的特征值与完好谷物的特征值之间的马氏距离,并比较它们的马氏距离与设定的阈值,来识别混杂在谷物中的杂质。通过对5种谷粒(普通大米、粗米、糙米、普通大麦、糯麦)的实验,结果表明该算法取得了较好的分割与识别效果,为谷物质量分级的评定提供了一种快速有效地检测谷物产品杂质率的方法。     

基于神经网络算法的肉牛采食行为检测方法

为解决肉牛采食行为识别问题,利用集陀螺加速度计和蓝牙模块为一体的传感器节点采集肉牛的行为姿态数据并通过蓝牙轮询组网模式将数据无线传输到PC上位机,进行实时显示,对采集的肉牛行为数据进行分析,进而识别肉牛采食行为。选用40头健康处于育肥期的西门塔尔肉牛样本(体重约385kg,舍饲,每天饲喂2次,可自由饮水),分为2组,其中30头为试验组,用松紧带在肉牛颞窝部位佩戴传感器节点;另外10头为对照组,不佩戴传感器,用于比较肉牛是否因佩戴节点而有异常反应。同时在肉牛限位栏的前方安装监控摄像头,记录肉牛的行为信息,以作为后期数据处理依据。试验记录的原始数据包括X、Y、Z三个轴的加速度、角度以及角速度的九个变量值、数据采集的时间(s)以及节点内部温度。结果表明:肉牛采食行为检测系统能够快速采集和传输肉牛采食信息,系统工作稳定。传感器节点体积大小合适,对肉牛采食行为没有任何影响,肉牛基本没有应激反应。说明利用BP神经网络算法可以实现对肉牛采食行为的识别,能够分类出肉牛两种不同的行为状态。根据对采集数据的对比分析,提取出了肉牛在两种不同状态下的特征值,并选择了合适的特征值作为BP神经网络的输入。通过BP神经网络分类的肉牛的采食行为,其正确率为99.04%。     

基于物联网技术的仓储烟叶霉变状态智能监测方法研究

为对烟叶仓储中的霉变状态进行全方面的快速检测,解决传统霉变检测手段流程复杂需要人工判定的问题,基于物联网技术与BP神经网络算法搭建了一套烟叶仓储环境特定参数的监测平台,从而实现对仓储烟叶霉变状态的智能监测。首先,设计了烟叶仓储环境数据采集终端和手持无线中继器,手持无线中继器用于唤醒数据采集终端,并利用无线射频传输的方式获取终端采集的环境参数,同时通过GPRS将数据发送到服务器,服务器完成数据解析处理。之后,基于BP神经网络算法建立了烟叶状态识别模型,通过对所采集环境参数进行分析处理,得出烟叶状态,并通过仿真试验验证了模型的有效性。最后,开发并完成了烟叶仓储环境智能监测信息管理系统,实现烟叶环境参数和烟叶霉变状态的直观显示和报警。测试结果表明,利用物联网技术并结合BP神经网络算法,能够有效地完成仓储烟叶霉变状态的监测,具有一定的实际应用价值。     

一种半自动高分辨率遥感图像屋脊线提取算法——以徐州市郊区为例

针对高分辨率遥感图像中具有人字形屋脊的一类建筑物的屋脊线提取问题,设计了一种半自动屋脊线提取方案:利用Gram-Schmit算法融合QuichBird多光谱图像与全色图像,利用决策树分类将原始图像分为屋顶向阳面、屋顶背影面和阴影3类,利用Canny边缘检测算法检测屋顶向阳面的边缘,再利用基于线基元的线段提取算法检测出屋顶向阳面边缘图中的所有直线段,最后利用屋脊线两侧的上下文信息对屋脊线进一步识别。实例应用结果表明,检测的屋脊线正确率达到94%,此方法提取屋脊线可操作性强、精度高。     

基于图像灰度直方图特征的草莓病虫害识别

通过作物可见光图像,对作物病虫害进行准确识别,在作物生长自动监测、精准施药等领域具有重要意义。提出一种基于图像灰度直方图特征的草莓病虫害识别算法识别草莓蛇眼病。该算法首先计算训练集草莓叶片灰度图像的直方图,然后提取直方图的8个特征(平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围)并进行归一化处理,通过支持向量机(support vector machine,简称SVM)、K-近邻(K-nearest neighbor,简称KNN)及朴素贝叶斯3种识别方法对8个特征进行训练,得到相应的病虫害识别分类器。结果表明,SVM分类器的分类效果优于其他分类器,因此本研究最终选用SVM分类器对验证集图像进行分类,得到分类正确率达90%以上。     

基于多特征的淡水鱼种类识别研究

为促进淡水鱼产业的发展、提高淡水鱼机器视觉的识别效率,以4种常见的淡水鱼(鲫鱼、桂鱼、鳊鱼和白鱼)为研究对象,提出一种基于形态、纹理和颜色等多特征融合的淡水鱼种类识别方法。将淡水鱼图像转换至HIS空间后,对S分量图像利用ostu分割方法获取鱼体二值图像,计算鱼体的多个形态特征(面积/周长、复杂度、偏心率、长宽比和7个Hu不变矩)。针对4种鱼尾巴形态差异较大的特点,引入尾巴形态特征进行种类识别,按列扫描鱼体二值图像获取鱼体宽度函数,先对宽度函数进行傅里叶变换,找到鱼体最小宽度位置后分割出鱼尾,计算鱼尾形态特征(占空比、似圆度)。根据各种淡水鱼的鱼肚、鱼背皮肤纹理和颜色存在较大差异的客观性,提出基于鱼背和鱼肚2块皮肤的特征抽取方法,抽取22个特征;加上鱼体和鱼尾的13个形态特征,总计35个特征,选择使用粒子群算法优选出22个特征后利用改进的遗传神经网络法对淡水鱼进行种类识别。识别样本集R中共240条鱼2组图像,第1组开启辅助光源,第2组采用自然光照。设置一条鱼纹理块识别正确率的阈值T为80%时,第1组60条鳊鱼和60条桂鱼全部识别成功,识别正确率为100%,60条鲫鱼和60条白鱼各识别出59条,识别正确率为98.3%。第2组图像在2种天气情况下拍摄,晴天拍摄140条鱼(每种35条),鳊鱼、桂鱼和白鱼的识别正确率为100%,而鲫鱼识别出34条,识别正确率为97.1%;阴天拍摄100条鱼(每种25条),纹理子块的识别正确率均大于T的条数为23条,识别正确率23%,说明阴雨天无辅助光源时由于光线过于昏暗,特征值不明显,导致整体识别正确率很低。这一研究提出的多特征融合的淡水鱼种类识别方法适用于有辅助光源或晴天光线好的环境,但光线暗的阴雨天不适用,这为后期研制淡水鱼在线识别装置提供了理论依据。     

玉米叶片病斑多光谱特征提取及识别方法

为了更好地防治玉米病害,使用BP神经网络、L-M算法优化的BP神经网络和FCM聚类算法对玉米的3种叶片病斑图像进行识别研究。利用图像处理技术对采集的图像进行预处理和阈值分割,提取3个颜色特征、9个纹理特征和7个形状特征,通过LLE算法降维获得6维的内在低维流形特征,使用3种算法对提取的特征参数进行识别。结果表明,从识别率和网络训练速度2个方面来看,L-M算法优化的BP神经网络识别率高达98.67%,且训练速度快,更适合作为玉米叶片病斑图像的识别算法。     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

基于BP神经网络的水稻卷叶识别

[目的]对水稻卷叶进行分类识别,为研究水稻的抗旱性和实施自动化农业、精准农业提供技术支持.[方法]通过数字图像处理方法提取5个水稻特征数据,即水稻的周长面积比、水稻面积与水稻最小外接矩形的面积比、水稻的计盒维数、水稻面积与水稻凸包的面积比、水稻绿色部分面积占比;运用MATLAB构建BP神经网络,依据水稻特征数据对水稻卷叶进行分类识别.[结果]在提取的5个水稻特征数据中,有助于分类的特征包括水稻的周长与面积比、水稻面积与最小外接矩形面积比及水稻的绿色部分占比3个特征.在300组样本数据的分类中,总体样本分类正确率达96.47%,训练样本分类正确率达96.61%,验证样本分类正确率达96.17%,测试样本分类正确率达96.33%.因此,采用BP神经网络对水稻卷叶的识别程度高达90.00%以上,具有良好的分类效果.[建议]今后应对水稻卷叶的类别多分几类进行识别,还应将BP神经网络对水稻卷叶进行分类识别的过程实现自动化,并广泛应用于水稻的学术研究和现实生产.