蔬菜识别技术研究

采用四种分类器,利用每一种分类器来实现蔬菜二级分类。结果表明：在大小为360的测试库中,SVM、Tree和LDA分类器得到的识别率均高于88%,其中SVM识别率最高达到93.33%,说明在蔬菜识别的二级分类中,利用所选取的特征和分类器是行之有效的。     

基于多分类器组合的遥感土地利用分类研究

为了从遥感影像中快速、高效地获取较高精度的数据,按照分类组合的思想,根据山西省太原市榆次区Landsat TM影像数据,将传统监督分类中分类性能较好的分类器作为基分类器,运用改进后的加权投票算法进行多分类器组合,用于研究区遥感影像土地利用/覆被数据分类.结果表明,多分类器组合的分类结果精度要高于单独的基分类器分类精度,两两分类器组合的分类精度要高于三分类器组合的精度.研究结果证实了多分类器组合的可行性和有效性,能够提高传统分类方法的分类精度.     

基于概率和间隔信息的产品设计知识线性分类方法

针对复杂产品设计知识类别数多、数据量大的分类问题,基于最小最大概率机的概率信息和样本间隔信息,使用线性的方法解决多分类问题.用样本的均值和协方差代替真实的均值和协方差,利用间隔信息和概率信息,构造加权投票矩阵,编码矩阵会随着不同的方法和不同的训练数据有不同的变化,同时也利用所携带的幅值信息,选出最大值的对应类别.线性分类器作为二类分类器可以加快处理速度.提出以子空间角度差异度量来表征各个类别概念间的差异,并通过对叉车产品设计知识的数值实验证明了该方法的有效性和实用性.     

基于形状特征的大米虫蚀粒检测方法

虫蚀严重影响大米的品质。目前一般使用目测方法检测虫蚀粒,人为因素太多。为此,给出一种基于形状特征的检测方法。首先,对虫蚀米粒图像按Freeman链码方向提取边缘点坐标;然后,求这些相邻点坐标的向量夹角,对得到的夹角数据进行分析,分别求出其均值、方差、三阶矩和熵值等特征;最后,利用这些特征值,运用Fisher分类器识别出虫蚀粒。实验表明,大米虫蚀粒的正确识别率为95.65%。     

基于Bayes的竹片颜色检测分级方法

为了采用机器视觉对竹片自动识别与颜色分选,研究了一种基于竹片图像颜色特征与纹路特征和Bayes分类器的颜色分类方法.首先,对灰度图像采用Canny算子进行边缘检测,再利用Hough变换对竹片进行边缘定位,并对倾斜竹片实施旋转校正,以确定待检测竹片在图像中的具体位置.根据竹片的位置提取竹片区域平均颜色特征及纹路特征,将其作为样本的属性特征,采用Bayes训练的颜色等级作为输出,建立特征参数与颜色等级之间的Bayes分类器,上位机获得分级信号后经串口通过下位机实现竹片的自动分级.试验结果表明,该方法对竹片颜色检测准确率达到91.7%,可为竹制品行业的竹片颜色自动在线检测提供理论依据.     

基于局部保留降维卷积神经网络的高光谱图像分类算法

为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。     

基于阈值优化模糊投票法的农业旱情等级遥感评估

旱灾频繁发生给农业造成严重损失,将旱情监测视作异常信息识别过程,利用多分类器融合方法探讨集成多源遥感空间数据的高精度农业旱情等级评估模型。首先对各类旱情关联因子进行相关性分析,选择最优模型输入参数;然后利用3种单分类器(神经网络、支持向量机以及分类回归树)对多源遥感数据进行分析,构建阈值优化模糊投票法(threshold-optimized fuzzy majority voting,TFMV)对单分类器旱情等级评估结果进行决策级融合。结果表明:TFMV方法总体分类精度为72.55%,分别比神经网络、支持向量机、分类回归树高出约3.6、5.1和3.6个百分点;与经典投票法相比,TFMV方法分类精度也提高了约2.5个百分点。TFMV方法能有效提高单分类器旱情评估精度,多数情况下能较准确反映研究区干旱受灾区域以及旱情程度,具有应用于实际区域旱情等级评估业务的潜力。     

基于朴素贝叶斯的渔业文本分类器研究

通过阐述朴素贝叶斯文本分类器的算法原理及其用于建立渔业文本分类器的优点,给出了基于朴素贝叶斯的渔业文本分类器的基本结构,并用实验验证了该结构的性能。结果表明,基于渔业词库的朴素贝叶斯渔业文本分类器具有比普通文本分类器更好的性能。     

基于群智能算法分类模型的番茄病害识别

作物病害分类识别模型一直受被研究对象自身特性影响,为验证智能分类器在番茄常见病害中的识别效果,选择不同群智能分类器进行分类识别。采用主成分分析(principal component analysis,简称PCA)法对样本集的31个数据进行降维,筛选7个贡献率较高的主成分作为PCA-支持向量机(support vector machine,简称SVM)模型的输入;遗传算法(genetic algorithm,简称GA)具有全局寻优特点,正交变换可使变异率、交叉率、种群规模等参数之间快速最优化,构建GA-SVM智能分类器提高识别率;由于GA-SVM分类器增加了交叉变异计算,参数确定时间相对较长,而粒子群优化(particle swarm optimization,简称PSO)算法不存在交叉变异因子计算过程,因此选择PSO-SVM群智能分类器,把种群中具有最大适应度函数值的惩罚系数(r)和核函数参数(σ~2)作为支持向量机模型的最优参数,试验证明,PCA-SVM模型对3种病害类型中的分类效果总体较好。     

基于HOG特征和SVM的棉花行数动态计数方法

正确地进行棉花行数的动态计数是保证视觉植保车在田端横移过程中实现准确定位的前提。该研究以植保期间的棉花作物为研究对象,提出通过方向梯度直方图(Histogram of Oriented Gradient,HOG)和支持向量机(Support Vector Machine,SVM)实现棉田的棉花行动态计数方法。为了减少棉花行之间的粘连,以及缺苗和倒伏对棉花行识别造成的影响,设置图像的感兴趣区域(Region of Interest,ROI);为了减小相机抖动、光照变化以及刮风对动态数行造成的影响,使用HOG-SVM模型在视频序列图像ROI区域内窗口滑动检测,将棉花行和行间背景分别设置正、负样本,通过提取二者HOG特征、多次训练获得SVM分类器参数,固化HOG-SVM模型,再使用非极大值抑制(Non-Maximum Suppression,NMS)进行窗口的归一,通过归一化互相关(Normalized Cross Correlation,NCC)模板匹配实现棉花行的动态跟踪和计数。结果表明,该方法可以准确地对棉花行实现动态计数,有很好的泛化能力,识别率高于90%,平均每帧检测时间为32 ms,满足实际田间作业要求,可作为视觉植保车在地头横移的距离依据。