排序方式: 共有104条查询结果,搜索用时 15 毫秒
91.
基于图像的水稻灯诱害虫自动识别技术的研究 总被引:1,自引:0,他引:1
利用灯光诱杀稻田害虫,并识别与计数这些害虫是水稻害虫的一种常规但非常重要的测报方法。在灯光诱杀的昆虫中,大多数昆虫是不需要测报的,因此,在人工识别灯诱测报害虫时,需要排除这些昆虫。这种人工识别与计数害虫的方法效率低、任务重、识别准确率差。我们提出了一种基于图像的水稻灯诱害虫自动识别方法。首先,根据测报害虫的形态特征对水稻灯诱昆虫图像进行初步分组,每组昆虫图像中包含一种测报害虫的背面图像、腹面图像和与其形态相似的非测报害虫图像,共3类;然后,提取组内每一张水稻昆虫图像的颜色、形态和纹理共31个特征参数;最后,利用带后验概率的SVM分类器对每组的3类昆虫图谱进行训练和测试,输出时同一种测报害虫的背面和腹面图像被视为同一种害虫。结果表明,3种较大个体的水稻灯诱测报害虫的平均识别准确率为97.4%。 相似文献
92.
基于高光谱图像技术的大豆品种无损鉴别 总被引:2,自引:0,他引:2
为解决传统大豆品种检测方法存在的效率低和精度差等问题,应用高光谱图像分析技术展开大豆品种甄别研究。采集10个品种(每品种100粒,共1 000粒)大豆样本400.92~999.53 nm的高光谱反射图像,分别进行中值平滑、多元散射校正和数据标准归一化预处理去噪,提取样本图像中心30×30 pixels感兴趣区域的平均光谱曲线和标准差曲线。分别以样本平均光谱值主成分得分、标准差光谱值主成分得分及两者结合作为模型输入,基于T-S模糊神经网络和随机森林思想组合分类器构建鉴别模型。经中值平滑的光谱平均值和标准差作输入,结合随机森林思想的组合分类模型鉴别效果最佳,训练集、测试集的平均鉴别率分别达99.6%和97.6%。结果表明,采用高光谱图像技术可实现大豆品种高精度无损鉴别。 相似文献
93.
车辆类型自动分类器的研究 总被引:1,自引:0,他引:1
针对现代交通管理和监控系统对车辆类型自动识别的要求,提出一种用于汽车类型识别的改进的BP神经网络分类器的设计方法以及基于模糊聚类分析的车辆类型自动识别方法。在车辆图像预处理和特征提取的基础上进行了分类器设计及计算机仿真,给出了部分仿真结果,结果证明方法是可行的。 相似文献
94.
95.
基于多分类器融合的玉米叶部病害识别 总被引:5,自引:6,他引:5
针对单分类器识别的局限性和玉米叶部病害的复杂性,该文提出了一种基于自适应加权的多分类器融合的玉米叶部病害识别方法。首先,对采集的玉米叶部病害图像的病害区域分别提取颜色、颜色共生矩阵和颜色完全局部二值模式3种特征,并相应地构建3个基于支持向量机的单分类器;然后,利用K近邻和聚类分析的方法计算各单分类器的自适应动态权值;最后,通过线性加权的方式进行融合判决,得到最终的分类结果。利用该方法对7种常见的玉米叶部病害图片进行了试验,平均识别率达94.71%。结果表明,其性能优于目前常见的单一特征或特征组合构建的同类分类器及多分类器融合方法。研究结果为其他农作物病害诊断提供了借鉴和参考。 相似文献
96.
基于光谱技术和多分类器融合的异物蛋检测 总被引:1,自引:0,他引:1
为了提高鸡蛋中的血斑和肉斑的检测准确率,给消费者提供高品质的鸡蛋,该文利用微型光纤光谱仪采集鸡蛋的透射光谱,在单分类器的基础上,通过多分类器的融合对异物蛋进行检测。首先根据差异性度量选取朴素贝叶斯,Ada Boost和SVM分类器作为单分类器,然后通过特征级融合选取了5个基分类器。最后,5个基分类器以加权投票机制进行决策级融合。多分类器融合对正常蛋和异物蛋的检测准确率分别为92.86%和91.07%。试验结果表明,利用多分类器融合所建立的模型优于单一分类器的模型,提高了对异物蛋的检测准确率。 相似文献
97.
98.
99.
100.