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。     

基于分层卷积深度学习系统的植物叶片识别研究

深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。      

基于图像纹理分析的计算机辅助植物分类与识别

植物的分类与识别是农业生产经营和植物学研究中具有非常重要意义的基础性工作。植物叶片识别是进行植物分类的一种非常有效的方法,过去传统的做法是靠手工测量采集叶片原始数据进行人工分析。随着计算机图像处理技术的飞速发展及其应用领域的不断拓宽,在植物叶片识别过程中可利用计算机进行辅助分析,这样可以大大节省资源、提高效率,并且得到的结果也具有较高的精确度。本文将重点介绍基于图像纹理分析的植物叶片识别系统。     

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。     

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。     

一种迁移学习算法在番茄病害检测上的应用

针对当前番茄病害智能识别精度不高、耗时长的问题,提出一种基于Inception-v3和迁移学习相结合的图像分类算法。从试验田中收集8种番茄病害叶片和健康叶片,运用1 000万像素高清扫描仪统一扫描成图像,将图像归类到9种文件夹中,手动标记叶片属性。最后,基于Inception-v3模型结合迁移学习算法对健康和病害叶片进行分类试验,并与传统图像分类算法(KNN、SVM、BP神经网络)和非迁移学习算法进行对比。结果表明,基于Inception-v3模型结合迁移学习算法,在番茄病害图像分类中能够快速有效识别分类生长健康番茄和患病番茄,并且能高效识别番茄病害的种类。其中健康置信度达0.9760,病害种类平均置信度达0.929 7,可为番茄病害检测和防治提供支持。     

基于叶片图像的植物鉴别技术研究进展(综述)

基于叶片的计算机图像处理与识别技术,实现了植物分类的自动化和快捷化.从叶片分类和检索两个方面回顾了近年来基于叶片图像的植物分类领域的研究进展,围绕叶片图像的特征选取、分类器设计、相似性度量和算法性能等方面对多种方案的技术特点做了介绍,并指出了目前这些技术需要改进的方面.     

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。     

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。      

基于eCognition植物叶片气孔密度及气孔面积快速测算方法

目的叶片气孔是植物与外界进行物质交换的重要窗口,对环境变化十分敏感。如何快速、精确地获得气孔密度和开放程度数据仍缺乏成熟的方法与技术,本研究旨在探索植物叶片气孔密度及气孔面积的快速测算方法,为今后植物气孔研究工作提供参考。方法以北京市常见绿化树种白蜡、臭椿和国槐叶片为研究对象,采用面向对象分类的eCognition图像处理软件,对叶片气孔显微图像进行多尺度分割和分类识别,根据对象的光谱特征、亮度特征和几何特征构建规则并进行气孔分类和提取。结果气孔分割的最佳参数及自动提取规则组合为:尺度参数120~125、形状参数0.7、紧凑度参数0.9、亮度值160~220、红光波段>95、形状-密度指数1.5~2.2。结论该方法提取气孔密度和气孔面积的精度分别达到99.2%、94.5%,结果较理想,适用于植物叶片气孔信息的快速提取。      

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。     

草莓microRNA的RT-PCR鉴定

 【目的】microRNAs（miRNAs）在植物的生长发育过程中起着重要作用,本研究旨在建立一种快速准确地鉴定草莓中保守miRNA的方法。【方法】以草莓叶片为试材,在利用改进的CTAB法成功富集小于150 bp的小分子RNA的基础之上,采用3′端加接头、5′端和3′端两端加接头、利用茎环等3种RT-PCR策略来检测鉴定草莓中保守miRNA,同时比较总核酸、总RNA和小分子RNA等不同种类的模板对利用茎环RT-PCR检测miRNA的影响。【结果】对于植物中20种miRNAs,通过3′端加接头方式鉴定出7种;通过两端加接头方式鉴定出1种;而利用茎环的方式鉴定出15种。分别以3种核酸为模板的茎环RT-PCR的扩增效果没有差异。【结论】总核酸的提取是最快速最简单的,因此,以总核酸为模板,利用茎环RT-PCR是鉴定植物中miRNA的最简便快速而有效的方法,这种方法的可行性已在苹果、葡萄等植物上得到验证。     

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.     

Plant species identification using Elliptic Fourier leaf shape analysis

Elliptic Fourier (EF) and discriminant analyses were used to identify young soybean (Glycine max (L.) merrill), sunflower (Helianthus pumilus), redroot pigweed (Amaranthus retroflexus) and velvetleaf (Abutilon theophrasti Medicus) plants, based on leaf shape. Chain encoded, Elliptic Fourier harmonic functions were generated based on leaf boundary. A complexity index of the leaf shape was computed using the variation between consecutive EF functions. Principle component analysis was used to select the Fourier coefficients with the best discriminatory power. Canonical discriminant analysis was used to develop species identification models based on leaf shapes extracted from plant color images during the second and third weeks after germination. The classification results showed that plant species during the third week were successfully identified with an average of correct classification rate of 89.4%. The discriminant model correctly classified on average: 77.9% of redroot pigweed, 93.8% of sunflower, 89.4% of velvetleaf and 96.5% of soybean. Using all of the leaves extracted from the second and the third weeks, the overall classification accuracy was 89.2%. The discriminant model correctly classified 76.4% of redroot pigweed, 93.6% of sunflower, 81.6% of velvetleaf, 91.5% of soybean leaf extracted from trifoliolate and 90.9% of soybean unifoliolate leaves. The Elliptic Fourier shape feature analysis could be an important and accurate tool for weed species identification and mapping.     

Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance

Automatic methods for an early detection of plant diseases are vital for precision crop protection. The main contribution of this paper is a procedure for the early detection and differentiation of sugar beet diseases based on Support Vector Machines and spectral vegetation indices. The aim was (I) to discriminate diseased from non-diseased sugar beet leaves, (II) to differentiate between the diseases Cercospora leaf spot, leaf rust and powdery mildew, and (III) to identify diseases even before specific symptoms became visible. Hyperspectral data were recorded from healthy leaves and leaves inoculated with the pathogens Cercospora beticola, Uromyces betae or Erysiphe betae causing Cercospora leaf spot, sugar beet rust and powdery mildew, respectively for a period of 21 days after inoculation. Nine spectral vegetation indices, related to physiological parameters were used as features for an automatic classification. Early differentiation between healthy and inoculated plants as well as among specific diseases can be achieved by a Support Vector Machine with a radial basis function as kernel.The discrimination between healthy sugar beet leaves and diseased leaves resulted in classification accuracies up to 97%. The multiple classification between healthy leaves and leaves with symptoms of the three diseases still achieved an accuracy higher than 86%. Furthermore the potential of presymptomatic detection of the plant diseases was demonstrated. Depending on the type and stage of disease the classification accuracy was between 65% and 90%.     

国内12种常见龙船花属观赏植物鉴别与分类检索

针对目前国内对龙船花属(Ixora L.)观赏植物存在名称混乱、辨识困难的问题,通过比对植物标本、图鉴和文献资料,对12种(含变种和品种)常见龙船花属观赏植物进行了正名,归纳总结了识别要点;并以花和叶的形态、色彩及大小为基础,编制检索表。