基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别

该文基于支持向量机（support vector machine,SVM）与区域生长结合算法,设计了对黄曲条跳甲、烟粉虱、小菜蛾、蓟马这四类蔬菜害虫进行分类识别的检测算法。该方案将识别过程融入到分割中,采用网格法进行区域生长种子点的选取,简化图像处理的步骤。该文每种蔬菜害虫训练样本图像为60幅,测试样本为40幅。试验展示,基于其形态、颜色特征,该算法可以将南方重大蔬菜害虫正确分割识别出来,对黄曲条跳甲、烟粉虱、小菜蛾、蓟马成功率为分别为96.4%、93.2%、95.4%、98.2%,算法达到了对多种害虫进行分类的效果,有较好的应用前景。     

基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别（英文）

该文基于支持向量机(support vector machine,SVM)与区域生长结合算法,设计了对黄曲条跳甲、烟粉虱、小菜蛾、蓟马这四类蔬菜害虫进行分类识别的检测算法。该方案将识别过程融入到分割中,采用网格法进行区域生长种子点的选取,简化图像处理的步骤。该文每种蔬菜害虫训练样本图像为60幅,测试样本为40幅。试验展示,基于其形态、颜色特征,该算法可以将南方重大蔬菜害虫正确分割识别出来,对黄曲条跳甲、烟粉虱、小菜蛾、蓟马成功率为分别为96.4%、93.2%、95.4%、98.2%,算法达到了对多种害虫进行分类的效果,有较好的应用前景。     

基于区域生长和SVM 结合的黄金大蚊快速检测算法

结合传统图像处理方法与支持向量机(SupportVectorMachine,SVM)技术,设计了一种黄金大蚊图像快速检测算法,对现场采集的黄金大蚊图像进行快速检测。该方法实现了在分割过程中完成对害虫种类的标记,简化了图像处理步骤。同时,利用SVM支持小样本数据,解决了训练中样本数量的问题。从现实环境中拍摄得到100张黄金大蚊图片为素材进行分类器的训练与检测,得到识别率较高的分类器,利用所得到的分类器结合传统图像处理方法设计与实现了本检测算法。通过对80幅现场试验照片检测分析显示,对黄金大蚊的正确识别率可达到92%以上。对于目标较为明显的图片,算法运行时间在0.2s以内。算法达到较快运行速度和较高精度,对田间害虫快速监测提供了技术支撑,具有较好的应用前景。