基于高光谱图像处理的大豆品种识别(英文)

大豆组分(油,蛋白质,脂肪等)在不同的大豆品种间差异很大。对于提高大豆品质来说,大豆品种识别是一个关键因素。该文利用高光谱图像技术对不同的大豆品种进行识别。利用高光谱成像系统获取大豆样本1 000～2 500 nm范围的光谱反射数据;应用主成分分析法(PCA,principal component analysis)对获取到的光谱数据进行数据降维并去除冗余数据;在分类算法中将得分高的主成分值作为输入特征,通过PCA方法从每个特征图像中提取4个特征变量(能量、熵、惯性矩和相关性);对于具体特征提取,从16个特征变量中提取8个重要特征参数;根据选择的特征,应用神经网络方法构建分类器;训练精度精度达到97.50%,平均测试精度达到93.88%以上。结果表明,应用高光谱图像技术结合神将网络建模方法可以对大豆品种进行分类。     

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。     

基于图像融合技术的大豆图像滤波方法研究

基于机器视觉的大豆外观品质检测一直是近年来研究的热点,其中大豆图像的滤波是大豆外观品质检测的重要工作内容之一。为了更好地去除大豆图像的噪声,提出了一种基于图像融合技术的大豆图像滤波方法。该算法对一个样本图像分别进行维纳滤波和形态学滤波,在此基础上进行基于小波变换的图像融合算法,有效解决了图像边缘毛刺现象。实验证明,此方法保证了图像的细节和边缘的完整性,图像滤波效果良好。