基于多分类器DS证据理论融合的水果识别研究

针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法。该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结果和各个分类器对不同水果的分类准确率,构建基本概率函数(BPA函数),通过DS证据融合规则对分类器融合后对被测图像进行识别。试验结果表明:该方法对5种水果的识别平均准确率为95.2%,总体标准偏差为0.02993,在提高单分类器识别准确率的同时,解决了分类器对各种水果识别的不均衡问题。对10组测试集识别的平均准确率为93.5%,总体标准偏差为0.055,该方法对水果种类的识别更准确和稳定。     

基于农业信息搜索引擎分类器的设计与实现

为了能够在大量的农业信息中快速准确地提取出有利于农业生产的有用信息,为精准农业提供科学的理论依据,研究了农业信息搜索引擎,叙述了农业信息分类原理,对各算法分类效果进行实验数据比对。同时,选取符合农业实际情况的朴素贝叶斯分类器,分析算法实现,完成了算法设计,实现了该农业信息搜索引擎分类器。研究发现:朴素贝叶斯分类器在对农业信息分类时精度较高,是一种可靠有效的分类器。     

基于朴素贝叶斯分类器的电力系统信誉评级研究

目前电力企业普遍面临的一个难题是客户的巨额欠费。为此，电力公司每年都需要投入大量的精力进行电费催缴工作，但问题至今仍难以得到根本解决。通过从电力系统大规模的缴费数据中提取训练样本，利用朴素贝叶斯算法进行学习，得到分类规则，将这些规则应用于对用电客户的信誉进行评级，建立客户信誉评级系统，可以帮助电力企业更好地管理客户缴费行为，并为其运营管理提供数据支持。结果表明，对于不同的分类样本甚至不同的指标体系，都可以获得较好的分类效果。     

基于机器视觉的鲜食玉米品质检测分类器设计与试验

设计一种基于机器视觉的鲜食玉米品质检测分类器。利用计算机视觉技术,通过小波分析方法对不同角度拍摄的鲜食玉米图像进行纹理特征分析;在获取玉米图像纹理特征的基础上,采用最大熵函数对纹理图像的分离度进行度量,并结合重量判据设计鲜食玉米品质检测分类器,实现对不同品种、尺寸以及破损程度的鲜食玉米进行分类,有效剔除病虫害污染的玉米产品。该设备可有效减少因工人主观经验水平的参次不齐等主观因素导致产品质量检测分类不均的现象。经实验验证,该品质检测分类器能够有效完成不同重量、尺寸的鲜食玉米的产品品质检测与分类,有效分类率可达到99%以上。     

支持向量机在水质评价中的应用

介绍了支持向量机算法的原理，建立了基于支持向量机的水质评价多层次分类检测模型，通过提取水质评价标准中的物质成分为特征参数，利用几个SVM分类器的串联组合，实现对水质的分类和识别，同时，引入类权重因子，解决训练样本类别数量不平衡而导致的错分问题，实验结果显示该方法提高了水质评价的准确性和效率。     

杏子河流域土壤侵蚀空间差异快速评估与验证

利用RS与GIS相结合的技术手段，探讨了流域下垫面覆盖信息和地形信息的快速提取方法；在对土壤侵蚀评价因子进行合理筛选以后，参考国家土壤侵蚀分级分类及其参考指标，利用ERADS图像处理软件提供的专家分类器，实现对土壤侵蚀强度及其空间差异的快速、精确评估，并以水文站的观测数据进行验证。     

基于多方位视觉的果实形状特征的提取研究

针对传统瓜果分级中捕捉单幅果实图像来分析果实特征时信息较少的缺陷，提出了一种基于多方位视觉系统的果实形状特征提取算法。同步采集3个方向的果实图像信息，经OHTA空间上的图像分割和改进的BLOB算法去噪声等处理后，分别给出果实的多方位的图像特征信息。运用统计学原理，设计了线性分类器，对3个方向的图像特征信息进行了互补性融合，得出分级判别准则。利用开发的智能瓜果精选分级试验样机，验证了该算法的有效性, 试验结果证明识别成功率达到97％，达到了实用的要求。     

猪中性粒细胞中抗菌肽的提取及体外抗菌活性研究

抗菌肽是生物体内诱导表达具有广谱抗菌活性的小分子多肽。这些多肽是生物体非专一性的免疫应答产物,是生物体内免疫系统的重要成分。目前国内关于猪源抗菌肽的研究,主要针对于猪的小肠中的抗菌肽,而猪血中抗菌肽的提取及抗菌活性研究在国外虽已有少量报道,在国内却未见报道。由于猪血液中白细胞是免疫系统中起主要作用的免疫细胞,而其中性粒细胞约占白细胞总量的70%,从猪血液中性粒细胞中分离提取抗菌肽也就比较合理。因此,该试验采用从猪血液中性粒细胞中分离提取小分子多肽,根据小分子多肽抗菌活性特点进而分离鉴定出抗菌多肽。同时,通过优化提取工艺,提高抗菌肽的得率和含量。     

基于多层感知神经网络的水稻叶瘟病识别方法

为实现水稻叶瘟病的快速诊断，综合利用图像处理技术和神经网络来进行叶瘟病斑的识别研究。该文设计了3个多层感知分类器来进行病斑识别准确率的对比验证，分别采用叶片正常区域和病斑区域的纹理特征、颜色特征以及纹理和颜色的组合特征作为不同分类器的输入单元；输出层采用1个单元用于输出病斑区域和正常区域的识别结果。首先，该文将采集到的RGB图像转换成灰度图像，利用灰度共生矩阵分别提取叶片正常区域与病斑区域的能量、对比度、熵、逆差距作为纹理特征；紧接着，将RGB彩色空间转换至HIS和Lab空间，分别提取病斑区域和正常区域的L、a、b值作为颜色特征。最后，采用不同的BP神经网络分类器进行病斑区域识别。该文共采用120副图像作为待测对象，试验结果表明，采用颜色和纹理的组合特征进行识别，准确率要比单独使用纹理特征和颜色特征高10%～15%。本文的研究结果为进一步实现水稻病害自动诊断打下了基础。