排序方式: 共有14条查询结果,搜索用时 31 毫秒
1.
2.
3.
原木在堆放时其端面不在一个平面,自然光线下,凹进去的原木很容易陷入阴影中。为了准确分割原木端面图像,解决阴影消除的问题,提出了模式识别的方法。首先,提出了自适应阈值的合并解决均值漂移分割参数选择不合适引起的过分割和过合并问题;再将30维的颜色直方图和局部二进制模式(LBP)纹理直方图作为特征量,利用随机森林分类器进行训练和预测,将区域图像分为端面、阴影、背景3类;最后,利用图像增强算法进行阴影消除。对阴影消除前后的端面图像作分割,对比结果显示了此算法的有效性。 相似文献
4.
5.
基于红外探测的地面林火目标自动检测与追踪系统设计 总被引:1,自引:0,他引:1
针对红外林火图像的特点,从实际应用的角度出发,在FPGA+DSP构建的硬件平台上,实现了森林灰度图像的正确采集和进行有无火点的判断,并提出了图像边缘检测和自适应阈值相结合提取林火目标的方法,达到了林火目标的自动检测;然后利用通信协议和算法控制云台转动,使热像仪的光学系统主光轴始终对准最大灰度值点,达到追踪的效果.在多种... 相似文献
6.
利用微根管技术可以直接监测植物根系动态生长,并获取清晰根系图像,但土壤环境复杂、颗粒不均匀、细根数量多,图像分割时容易造成根系不连续,将土壤背景误认为根系。针对以上问题,提出了CP-DeepLabv3+算法进行图像分割。该算法引入坐标注意力机制(coordinate attention, CA),更精确地获得分割目标信息,使得分割目标边缘更加连续;在ASPP特征提取模块加入条纹池化(strip pooling,SP)分支,避免在相距较远的位置之间建立不必要的连接,提高图像分割精度。利用CP-DeepLabv3+算法对玉米根系数据集进行测试,结果显示,平均交并比(mean intersection over union,MIoU)值为82.95%,平均像素精确度(mean pixel accuracy,MPA)值为92.47%,相比于原始DeepLabv3+模型分别提高了3.69%、4.44%,表明该算法可有效分割玉米根系,对图像特征提取具有实际意义。 相似文献
7.
为提高复杂背景下立木图像的识别准确率,提出近似联合训练的Faster R-CNN对立木图像进行目标提取并分类。首先迁移ImageNet上的模型VGG16、ResNet101和MobileNetV2提取图像特征并微调网络,然后构建新的数据集包括7科10种立木图像共2 304张,通过该数据集训练和测试3种网络模型下的Faster R-CNN。结果表明,通过近似联合训练的Faster R-CNN得到的均值平均精度分别是93.64%、92.38%、92.58%,对于不同种属的立木,VGG16网络效果最佳。由于光照会对图像识别造成影响,将光照平衡前后的结果作对比,得到光照平衡后的立木图像识别结果优于平衡前。并利用训练的模型对斜向生长的立木图片进行检测,结果显示生长方向不影响图像识别准确率。证明该方法在具有复杂背景的立木图像上具有良好的效果,对更多立木的识别有一定的参考价值。 相似文献
8.
使用竹片图像实现竹片缺陷自动识别,目前深度学习可以有效地解决该类问题,但是必须使用大量样本数据做训练才能获得较高的识别准确率。当图像数量有限时,利用基于迁移学习的方法,把经过预训练的卷积神经网络模型进行迁移,即共享卷积层和池化层的权重参数,调整新网络模型的超参数,并建立一个包含4种共计6 360张竹片缺陷图像的数据库,把图片分成4种训练集测试集形式,即80%训练、20%测试;60%训练、40%测试;40%训练、60%测试;20%训练、80%测试,分别利用支持向量机SVM分类方法、深度学习方法和迁移学习方法进行训练和测试,并将这3种方法作对比。最后,通过构建竹片缺陷识别的混淆矩阵对迁移学习进行具体分析与说明。结果表明,按照80%训练、20%测试的识别准确率最高,通过迁移学习得到的竹片缺陷最高识别精度分别达到98.97%,比普通深度学习提高了11.55% ,比SVM分类方法提高了13.04%。说明迁移学习比普通深度学习和传统支持向量机SVM分类方法更适合用于小样本数据集的分类识别,并且效果优于普通深度学习和 SVM 分类方法。 相似文献
9.
10.