猪肉新鲜度的智能检测方法

分析了猪肉新鲜度检测识别机理,构建了一套基于电子信息、光电检测、图像处理技术以及神经网络模式识别技术的智能检测辨识系统。对猪肉样本的测试与分析验证了该方法可快速准确地识别猪肉新鲜度。     

高光谱成像结合模式识别无损检测猕猴桃成熟度

为实现“贵长”猕猴桃成熟度的快速无损检测,提出高光谱成像结合模式识别建立识别模型的检测方法。首先利用可见/近红外(390~1 030 nm)高光谱成像系统采集不同成熟阶段猕猴桃样本的高光谱图像,并获取整个样本区域的光谱反射率。然后对比3种光谱预处理方法：二阶导数、标准正态变换以及多元散射校正对原始光谱的预处理效果。最后分析偏最小二乘判别分析(PLS-DA)和简化的K最近邻(SKNN)模式识别方法对猕猴桃成熟度的识别性能。结果表明：相对于标准正态变换和多元散射校正两种光谱预处理方法,二阶导数预处理方法对原始光谱的预处理效果相对较好。另外,PLS-DA识别模型对猕猴桃成熟度的识别性能要优于SKNN识别模型,其正确识别率达到100%。表明采用高光谱成像技术结合模式识别方法判别“贵长”猕猴桃成熟度是可行的。     

基于图像处理的茶叶害虫智能识别方法研究

针对人工方法识别田间茶叶害虫需人工深入田间,不仅劳动强度大,而且无法自动定位与识别,不利于茶叶植保时施药的机械化、高效化及智能化的问题。本研究对基于图像处理技术的茶叶害虫智能识别技术及实现方法进行了研究。首先,建立覆盖茶园中各种情况的害虫样本图像库;其次,对样本图像和待识别图像进行图像预处理;接着,对待识别图像进行害虫自动定位;然后,对其进行特征提取获得特征数据;最后,采用模式识别算法设计分类器并训练获得分类器模型,再采用该模型进行害虫智能识别。本研究对各步骤进行了阐述,为茶叶害虫智能识别的实现提供了方法指导,以促进茶叶植保实现施药的机械化、高效化及智能化。     

基于复杂环境的番茄叶部图像病虫害识别

针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机(SVM)的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征(CCL),采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。     

植物叶片特征提取及识别

随着计算机技术的飞速发展,对植物的分类研究已经突破了单纯从植物细胞及化学遗传成分的角度去鉴定植物种类的方法,可以综合应用图像处理技术和模式识别技术,辅以图像获取设备实现对植物的快速识别。为此,精心选取了植物叶片图像的典型形状特征,构成了叶片识别的特征向量,然后用概率神经网络（PNN）作为分类器,对样本进行训练。实验结果证明,针对少量常见的植物叶片图像,PNN与BP神经网络相比有更好的识别效率。     

基于CycleGAN和注意力增强迁移学习的小样本鱼类识别

围绕水产养殖水下目标精准识别的产业发展需求,针对小样本目标识别精度低、模型算法场景适应能力差等问题,提出一种基于改进循环对抗网络（Cycle constraint adversarial network, CycleGAN）样本扩增和注意力增强迁移学习的小样本养殖鱼类识别方法。利用水下采样装备收集实际养殖场景和可控养殖场景大黄鱼图像,并以可控场景图像作为辅助样本集。利用CycleGAN为基础框架实现辅助样本到实际养殖场景图像的迁移,并提出一种基于最大平均差异（Maximum mean discrepancy, MMD）的迁移模型损失函数优化方法。在迁移学习阶段使用ResNet50为基础框架,并引入SK-Net（Selective kernel network）注意力机制优化模型对不同感受野目标的感知能力,提升模型对无约束鱼类目标的识别精度。试验结果表明,本文方法有效提升了小样本鱼类目标的识别能力,鱼类识别召回率达到94.33%,平均精度均值达到96.67%,为鱼类行为跟踪和表型测量提供了有效的技术支撑。     

基于注意力机制的小样本啤酒花病虫害识别

为提高啤酒花产业的品质和产量,针对于传统人工识别鉴定难度大,效率低和客观性不够,以及啤酒花病虫害识别无大型公开数据集等问题。本文提出一种基于软注意力机制的小样本啤酒花病虫害识别方法,对传统深度残差网络ResNet模型进行改进,并使用图像增强技术-直方图均衡化处理图片得到新的数据集。实验结果表明,在小样本情况下,相比于传统的模型,改进过后的模型A-ResNet50和A-ResNet101都能准确识别不同类型的病虫害图像,在测试集上的准确率为93.27%和93.11%,Kappa指数达到了0.9027和0.8996,证实了A-ResNet50和A-ResNet101模型在啤酒花病虫害识别上的可行性以及可靠性。本文提出的方法识别精度高,实现了啤酒花病虫害的智能识别,同时也对小样本数据集的高精度识别提供了一种途径。     

基于随机森林的大豆外观品质识别的研究

不同等级的大豆外观质量与其内部营养等级存在一定关系,因此快速、精准地识别大豆病态种类至关重要。模式识别方法众多,本文采用随机森林方法进行研究。选取相应的大豆籽粒图像对其进行处理,从中挑选1 0幅图像,提取其形态特征,颜色特征,纹理特征,应用随机森林方法建立大豆外观品质识别模型,然后对大量样本进行试验。试验结果表明:不同种类病害大豆要想达到理想结果,训练步数各不同。该方法具有鲁棒性好、准确度高及系统稳定等特点。     

基于计算机视觉的番茄营养元素亏缺的识别

以肉眼不易识别的番茄缺氮和缺钾初期为研究对象，对体现在叶片颜色和纹理上的缺素症状进行了特征提取，利用遗传算法对提取的众多缺素特征进行优化组合，选择出用于模式识别分类器设计的特征向量，建立了二叉树分类法对番茄缺素进行模式识别的框架，在该框架下，基于模糊K－近邻法建立了缺素的模式识别系统，并进行了识别测试。结果表明，对不易肉眼判别的番茄缺氮和缺钾初期叶片的识别准确度在85％以上，能够满足生产要求。     

水稻病害图像无参考质量评价方法研究

无参考图像质量评价是一个比较新的研究领域,在这一领域中如何选择好的图像以提高模式识别系统的识别效率是一个重要的研究内容.为此,以水稻病害图像为研究对象,在借鉴传统图像质量评价方法的基础上,分析了影响图像质量的部分因素;同时提出了综合像素空间边缘分布、颜色分布、色相计数、模糊度、清晰度和对比度几个方面的整体质量评价方法.实验证明:利用本文提出的方法所得出的图像质量评估得分与模式识别系统的识别结果相一致,并能显著提高模式识别系统的识别效率,为农作物病害图像质量评价提供了一种新思路.     

基于图像处理技术的黄瓜叶部病害识别诊断系统

主要研究了基于图像处理技术的黄瓜叶部病害识别诊断系统。该系统主要包括图像预处理模块、图像分割模块、图像特征提取模块及图像模式识别模块等。同时,对关键模块中的复杂背景下的图像分割及支持向量机的模式识别方式作了比较详细的介绍。实践表明,该系统能方便、快速地识别黄瓜各类病害,具有较好地推广性和应用价值。     

基于机器视觉的干制红枣大小分级方法研究

为了实现干制红枣的大小自动分级,介绍了应用机器视觉的干制红枣自动分级方法,利用CCD摄像机获取红枣的样本图像,应用MATLAB软件编程实现了样本图像的灰度化、二值化、图像分割、图像滤波、图像形态学处理、边缘检测和特征量提取等处理,参照干制红枣分级标准完成了红枣自动分级。通过实验数据回归分析得出红枣实测纵径、果质量与识别值当量值之间的数学检测模型,其决定系数分别达0.995 5和0.948 1。实验表明,采用句法模式识别对数据进行红枣大小分级,分级准确率达85%。     

基于SVM核机器学习的三文鱼新鲜度检测系统

为了实现对不同冷藏温度下三文鱼新鲜度的检测与识别,设计了一种用于三文鱼气味指纹采集与新鲜度辨识的电子鼻系统。电子鼻系统由密闭检测气室、半导体气体传感器阵列、数据采集模块、模式识别模块和显示界面等组成。电子鼻模式识别方法采用核机器学习方法,以支持向量机(SVM)作为学习机。采集0、4、6℃温度下冷藏三文鱼样本的气味数据,对不同核函数及参数的核机器学习模型进行训练与测试,最终确定了适于此电子鼻系统识别三文鱼新鲜度的最佳核机器学习模型:核函数选用多项式核函数,核参数q取3,γ取15,c取0。此模型对不同温度冷藏三文鱼样本的冷藏时间具有一定的辨识能力,对于测试集,0℃允许偏差1 d预测正确率为92. 86%,4℃无偏差预测正确率为88. 89%、允许偏差1 d预测正确率100%,6℃无偏差预测正确率为75. 00%、允许偏差1 d预测正确率100%。将辨识结果与主成分分析结果(PCA)进行对比,此模型具有明显的优势。     

苹果采摘机器人视觉系统的目标提取研究

研究了自然环境下的成熟苹果彩色图像,结果表明:成熟苹果颜色与背景色大都存在明显差异。从颜色空间角度来说,目标和背景分布于不同的区域。根据这一特点,提出了基于样本颜色空间的目标提取算法。首先,由苹果样本图像在L*a*b*空间中构建样本颜色空间,并用数学形态学对样本颜色空间进行优化;然后,依据样本颜色空间对苹果彩色图像进行目标识别,对于远景深小目标物和严重遮挡的目标物,在样本空间识别的基础上进行二值化,运用形态学结构元素法进行处理;最后,得到了理想的分割效果,识别率高。     

基于多光谱图像和 SVM 的玉米田间杂草识别

为解决变量喷洒对杂草识别速度与正确率的要求,提出了一种基于多光谱图像和SVM 的杂草识别新方法。通过多光谱成像仪获得玉米与杂草图像,采用 IR-R 的多光谱融合并结合 Otsu 分割法完成背景分割;随后对植被图像进行目标分割与形态学处理,提取出所有植被叶片图像,在此基础上提取了叶片11个形状特征参数和纹理特征参数。为提高算法的实时性,对叶片的特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。结果表明,降维后对于未知预测样本的识别正确率达到85％,用时0．001415 s。与直接利用支持向量机的90％的识别率和0．105165 s的用时相比,该算法在满足识别率的同时,用时更少,为田间杂草的快速识别提供了一种新方法。     

基于模式识别的图像检测算法的研究

本文阐述了在图像检测系统设计中运用模式识别的检测算法研究,主要检测零件加工质量,获取图像检测结果,以提高识别效率。关键技术是零件图像参数的精确提取和识别。通过阈值对灰度图像进行二值化,再对处理后的图像进行平滑与增强,采用Canny算子进行图像边缘检测,借助特定模式识别方法,进行智能判别。软件调试结果说明,上述算法在零件加工质量检测中可以获取高效、精确的结果。     

差分百分率直方图法提取缺素叶片纹理特征

针对基于计算机视觉技术对无土栽培番茄缺乏营养元素智能识别研究中，如何提取缺素叶片纹理特征问题，提出了差分百分率直方图法。特征有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响，实验验证该方法能较好地提取出缺素叶片纹理特征，最后利用K－的邻模式识别法进行模式识别，识别的准确率在80％以上。     

基于残差网络和小样本学习的鱼图像识别

针对鱼种类多、数据采集难度大,且需要细粒度图像识别等问题,提出了一种基于度量学习的小样本学习方法.采用基于度量学习的小样本学习网络以及ResNet18的残差块结构,提取鱼图像的深层次特征,并将其映射至嵌入空间进而在嵌入空间判断鱼的种类.为了进一步提升识别准确率,利用小样本学习模型在mini-ImageNet数据集进行预...     

农田杂草识别方法研究进展

杂草识别是实现精确除草的前提。为此,阐述了利用形态特征、颜色特征、光谱特征、纹理特征以及多特征融合方法识别杂草的原理、研究现状和难点。同时,介绍了模式识别等方法在杂草识别中的应用;分析并比较了行间、行内杂草识别方法的特点,指出行内杂草的识别远复杂于行间杂草识别,是精确除草的难点,对农田杂草识别和精确除草有较好的参考价值。     

基于贝叶斯理论的土体抗剪强度参数最优二维分布模型识别方法

提出了基于贝叶斯理论的土体抗剪强度参数最优二维分布模型的识别方法。首先,介绍了基于Copula函数的土体抗剪强度参数二维分布模型的表征方法。其次,采用蒙特卡洛模拟方法验证了贝叶斯理论识别最优二维分布模型的有效性,对比了贝叶斯独立识别、贝叶斯非独立识别、AIC一步识别,AIC两步识别4种识别方法的识别能力,分析了影响贝叶斯理论识别精度的主要因素。最后,搜集了29组实际工程土体抗剪强度参数试验数据,研究了贝叶斯独立识别和非独立识别在实际工程土体抗剪强度参数最优二维分布模型识别中的应用。结果表明,贝叶斯理论能够结合先验信息有效地识别表征土体抗剪强度参数最优二维分布模型;贝叶斯理论与AIC准则相较在小样本条件下的识别能力和识别精度方面优势明显;土体抗剪强度参数的样本数目、参数间相关性、备选二维分布模型集合以及先验信息都显著影响贝叶斯理论的识别精度。