排序方式: 共有15条查询结果,搜索用时 46 毫秒
1.
基于Fourier描述子和LBP相结合的植物叶片识别方法 总被引:1,自引:0,他引:1
针对植物叶片的复杂性导致基于叶片植物识别的识别率较低的问题,提出一种基于Fourier描述子和局部二值模式(local binary pattern,简称LBP)相结合的植物叶片识别方法。首先,利用Canny算法提取叶片的边缘图像,计算其中心-边缘距离序列的傅里叶变换,得到叶片图像的改进Fourier描述子;然后,提取叶片图像的局部二值模式特征;再利用判别典型相关分析算法将植物叶片的Fourier描述子和LBP特征进行融合,得到1个有利于分类的联合映射矩阵,由此将2类特征映射为1个低维特征向量;然后利用K-最近邻分类器进行植物识别。在公开的智能计算实验室(intelligent computing laboratory,简称ICL)叶片图像数据库上进行分类试验,识别率高达94%以上。结果表明,提出的方法是有效可行的,该研究能够为植物物种自动识别系统提供技术参考。 相似文献
2.
3.
基于改进分水岭算法的作物病害叶片分割方法 总被引:1,自引:0,他引:1
传统的标记分水岭算法在作物病斑分割过程中存在伪标记,会造成过分割,本研究在传统的标记分水岭算法基础上提出了一种改进的标记分水岭分割算法。该算法首先采用形态学进行预处理,建立形态学梯度,并对梯度图像进行开闭重建。然后对重建的梯度图像进行前景标记,并利用病斑和正常叶片的颜色差异对前景标记中的伪标记进行滤除,对修改后的前景二值化图像进行距离变换和分水岭完成背景标记。最后用强制极小值技术进行梯度修正,并用分水岭算法对其进行分割。对多幅作物叶片进行分割试验,并对比不同分水岭的分割效果,结果表明该方法得到的区域数最少,能有效提取黄瓜叶片病斑,并且抑制过分割。 相似文献
4.
5.
作物病害叶片症状是病害类型识别的依据,与作物病害发生相关的环境信息是作物病害预测的依据。由于病害叶片症状和环境信息的复杂多样性,使很多作物病害检测方法的准确率不高。针对大田作物病害检测难题,提出一种基于卷积神经网络(convolutional neural networks,简称CNN)和双向长短时记忆网络(BiLSTM)相结合的跨深度学习模型的作物病害检测方法。首先,利用CNN提取作物病害叶片图像的分类特征,利用BiLSTM提取病害发生的环境信息的特征;然后,利用注意力机制对2种特征进行融合;最后,利用Softmax分类器进行病害检测。在作物病害相关数据库上进行试验,识别准确率为92.35%。结果表明,该方法优于传统的病害检测方法和基于长短时记忆神经网络(LSTM)的检测方法。该方法能够准确检测出作物病害,有助于提高大田作物病害检测系统的准确率和鲁棒性。 相似文献
6.
针对作物病害图像的病斑分割问题,提出一种直觉模糊C均值(Intuitional Fuzzy C-means,IFCM)聚类算法。通过引入隶属度、非隶属度和犹豫度3个参数来表示模糊集,从而定义了用来表示模糊集的模糊度的直觉模糊熵(IFE)这一概念,对传统的FCM算法进行改进,克服了FCM算法分割时计算目标函数容易陷入局部极小值,而且聚类数目需要提前设定初值的缺点。将预处理过的作物(以黄瓜为例)病害叶片图像作为研究对象采用该改进算法进行病斑图像分割,得到了很好的分割效果。与其他分割方法进行比较,结果表明该算法分割出来的作物病斑图像准确率高达94%以上,分割效果明显。 相似文献
7.
作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。 相似文献
8.
9.
10.
基于可形变VGG-16模型的田间作物害虫检测方法 总被引:2,自引:1,他引:1
由于田间害虫种类多,大小、形态、姿态、颜色和位置变化多样,且田间害虫的周围环境比较复杂,使传统田间害虫检测方法的性能不高,而现有基于卷积神经网络的作物害虫检测方法采用固定的几何结构模块,不能有效应用于田间多变的害虫检测。该研究在VGG-16模型的基础上构建了一种可形变VGG-16模型(Deformable VGG-16,DVGG-16),并应用于田间作物害虫检测。在DVGG-16模型中,引入可形变卷积后能够适应不同形状、状态和尺寸等几何形变的害虫图像,提高了对形变图像的特征表达能力,然后利用1个全局平均池化层替代VGG-16模型中的3个全连接层,以加快模型的训练。通过DVGG-16模型与VGG-16模型对比试验发现,DVGG-16模型提升了对田间害虫图像的形状、大小等几何形变的适应能力,在不改变图像空间分辨率的情况下,实现了对不规则田间害虫图像的特征提取,在实际田间害虫图像数据库上的检测准确率为91.14%。试验结果表明,DVGG-16模型提升了VGG-16模型对害虫多样性图像的特征表达能力,具有一定的图像形变适应能力,能够较准确地检测到田间形状变化多样的害虫,可为田间复杂环境下作物害虫检测系统提供技术支持。 相似文献