基于多特征融合和稀疏表示的农业害虫图像识别方法

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG 融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。     

基于稀疏表示的葡萄干品质分级

以新疆绿色无核葡萄干为研究对象,提取颜色、形状等特征值建立稀疏表示数据字典,采用弱匹配追踪算法求得稀疏解,计算每个测试样本在数据字典上的投影,将具有最小残差的等级作为测试样本的级别,并与BP人工神经网络、支持向量机(SVM)识别结果进行比较分析。结果表明,提出的分级方法平均识别率达到96.7%,具有较好的识别率和鲁棒性。这为葡萄干等级识别提供了一种新的有效方法。     

基于稀疏表示的森林火灾火焰识别研究

为了实现森林火灾的智能识别,提出一种基于稀疏表示的林火火焰自动识别方法.以林火火焰和5类干扰物体为研究对象,每类对象从视频图像中随机选取50帧作为训练样本,150帧作为测试样本.对每幅图像提取疑似火焰区域,求取面积变化率、颜色、纹理和形状特征参数.所有训练样本的特征向量构建训练样本特征字典,对每个测试样本利用l1最小化范数计算其在训练字典上的投影系数,根据最小重构残差进行分类识别.结果表明,稀疏表示方法的识别率可达到93.56％,为林火火焰识别提供了一个有效的解决方案.     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。      

基于AlexNet的茶叶嫩芽状态智能识别研究

为确定合理有效的茶叶嫩芽采摘时间,提出一种基于AlexNet卷积神经网络的茶叶嫩芽状态智能识别方法。首先,建立自然环境下全开面、半开面和未开面三种状态茶叶嫩芽图像集;然后,训练茶叶嫩芽状态AlexNet网络识别模型;最后,利用测试集样本进行模型检测,训练集和测试集中三种状态嫩芽平均识别率分别为97.8%和88%。实验结果表明,该方法能够有效地识别自然环境下茶叶嫩芽状态,为嫩芽智能采摘提供理论依据。     

基于图像识别的小麦品种分类研究

 基于数字图像分析，利用小麦籽粒的20个形态特征和12个颜色特征对来自中国4个地点7个春小麦品种共28个样本进行分类和识别。对于不同品种和地区的样本，分别利用逐步判别分析，选取显著性较大的特征参量，建立各地区和品种的贝叶斯分类器模型。结果表明，对各地区品种识别的正确回判率和测试集的正确识别率均达到100%。将各样本按品种合并，再对合并后的样本进行品种识别，除了新克旱 9号的回判率为98.3%外，其它品种的回判率均为100%。测试集中，龙麦26和青春566正确识别率分别为97.5%和95.0%，其它品种均为100%。品种来源地识别也能达到较高的水平，甘肃、宁夏、新疆和黑龙江的正确识别率分别为88.6%、92.9%、72.9%和95.7%。说明利用籽粒图像对小麦品种进行识别高效可行。     

利用近红外光谱技术识别不同类别的茶叶

以龙井、碧螺春、祁红和铁观音4种中国名茶为对象,研究了采用近红外光谱结合K最近邻法(KNN)模式识别方法对茶叶进行识别与分类的可行性.选取6500～5500 cm-1(1538～1818 nm)波数范围内的光谱,通过标准正态变量变换(SNV)预处理后,利用KNN的模式识别方法建立识别模型.结果表明,4主成分因子建立的KNN判别模型最佳,模型对训练集与预测集中样本的识别率都达到100%.该结论为快速准确识别茶叶提供了一种新思路.     

基于多特征融合的花卉种类识别研究

花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每个种类15幅)进行训练和测试,其中240幅作为训练样本,120幅作为测试样本,并与基于不同特征组合的识别方法进行比较。结果表明:本文提出的基于多特征融合的识别方法具有较高的识别准确率,识别率可以达到92.50%。对通用花卉样本库Oxford 17 flower进行训练与测试,选取其中340幅作为训练样本,170幅作为测试样本,取得了较好的识别效果,验证了本文方法的有效性。      

基于二次迁移模型的小样本茶树病害识别

为提高小样本茶树病害识别的准确率,提出一种基于2次迁移模型的卷积神经网络茶树病害图像识别方法.首先将ResNet模型在ImageNet数据集上进行预训练,然后将预训练模型对植物病害数据集进行参数迁移训练,最后将迁移学习训练后的模型对扩充后的小样本茶树病害数据集进行2次参数迁移训练.结果表明,扩充后的数据集识别准确率较原数据集提高2.32％,再进行2次迁移学习后识别准确率又提高6.38％.通过调整训练超参数,对茶红锈藻病、炭疽病、茶网饼病、圆赤星病、藻斑病等5种茶树病害图像的识别准确率高达96.64％.在对5种茶树病害进行验证时,验证样本识别率与常规深度学习相比由93％提高至98％.2次迁移学习能够有效提高在小样本茶树病害识别下模型的识别能力,对实用化茶树病害识别具有重要的参考意义.     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

基于BP神经网络的木材近红外光谱树种识别

利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。     

基于字典学习的马铃薯叶片病害图像识别算法

为实现马铃薯叶片病害识别,达到及时防治的目的,设计了一种基于压缩感知理论的马铃薯病害图像分类方法。采用K-奇异值分解算法(K-SVD)分别构造了马铃薯早疫病、晚疫病、灰霉病叶片图像病害字典,通过正交匹配追踪算法求解测试样本在不同病害字典下的稀疏系数矩阵,并进行图像重构,求解重构均方根误差。利用不同类别字典本身的差异性,测试样本重构时,误差最小的字典即为测试样本所属病害种类。与支持向量机识别算法相比,该方法能够自学习图像特征,大大降低了图像分割和特征提取复杂度。经对比测试,采用字典学习理论进行分类,马铃薯3种叶片病害单一病斑图片综合识别率达到95.33%,高于支持向量机分类识别算法(识别率92%)。     

基于语音识别的农产品价格信息采集方法

【目的】将语音识别技术应用到农产品价格信息采集中,面向非特定人和限定词汇量的汉语普通话连续语音识别,提出一种适合于农产品价格采集环境的语音识别鲁棒性方法;以隐马尔科夫模型为基础,训练出适合该环境下的声学模型,以缓解因测试环境和训练环境不匹配而导致的识别率降低,进一步提高识别率。【方法】在数据采集和处理阶段,首先根据要识别的限定词汇按照一定的语法规则构建转换文法,利用该文法生成的脚本指导训练集和测试集录音;然后选择不同的农产品价格采集环境和不同的说话人进行语音采集,并进行准确的人工切分,最后构建出语音语料库;在模型训练阶段,选择自左向右无跳转结构的连续混合密度隐马尔科夫模型,对训练集中的数据提取39维的MFCC特征向量,用于模型训练。首先以单音素为建模单元,并分别训练基于隐马尔科夫模型的男声模型、女声模型及男女混合声学模型;然后,考虑到单音素稳定性差和易受协同发音现象影响等因素,以上下文相关的三音素为识别单元建模,重新训练上述模型;针对三音子建模单元带来的模型数量大量增加,进而造成的训练样本不足问题,采用决策树状态聚类方法来改善该问题;决策树的构建过程中,利用语音学知识,根据声母发音方式、发音部位的不同以及韵母构成、韵头的不同,划分出若干声韵母集合实现了二值问题集的设计;在此基础上,用增加混和高斯分量的方法来进一步使得模型描述更加精确;最后,为了解决信道的乘性噪声问题,在采用上述策略的同时利用CMN和CVN方法来缓解测试环境与训练环境不匹配问题,最终训练得到了相应的男声模型和女声模型。在测试阶段,对采用上述各方法后得到的不同模型,分别采用相同的测试集进行试验,得出不同方法下的句子识别率、词识别率以及精准度。【结果】三音子声学模型的识别性能明显优于单音素声学模型,女声模型和男声模型的性能均优于男女混合声学模型,决策树聚类方法对识别率的提高不明显但可以明显减少三音子模型的数量,混合高斯分量的增加对识别率具有一定提高但同时带来计算量的增加,CMN和CVN方法可以明显提高系统的识别性能。通过对不同地点和不同说话人进行测试,最终识别率男性为95.04%,女性为97.62%。【结论】语音识别技术应用到农产品价格信息采集过程中是可行的。本文提出了一种农产品价格采集环境下提高语音识别率的方法,试验证明通过该方法训练出的模型具有较好的识别性能,本研究方法为日后应用系统的开发奠定了基础。     

基于高光谱成像技术识别苹果轻微损伤的有效波段研究

为了筛选出适用于开发苹果轻微损伤自动分级仪器的有效波段,以200个烟台富士苹果为对象进行研究。首先获取400～1 000 nm波长范围内完好和轻微损伤后0、0.5、1 h的苹果高光谱图像,然后提取完好与损伤样本感兴趣区域的平均光谱反射率数据,再利用载荷系数法（x LW）、连续投影法（SPA）和二阶导数（second derivative）法提取特征波长,分别提取3、9和20个特征波长,并根据特征波长建立基于遗传算法优化的BP神经网络（GA BP）和支持向量机（SVM）损伤识别模型。结果显示,三种基于特征波长提取方法建立的SVM模型对测试集的识别率（分别为77.50%、91.88%、96.88%）均高于BP GA模型（分别为75.63%、90.63%、93.75%）,因此,SVM被确定为最佳苹果轻微损伤识别模型。最后,利用每一特征波长分别作为变量建立SVM模型。结果发现,波段811 nm识别率达到90.63%,优于其他波段,被确定为苹果轻微损伤识别的最优波段。     

多变环境下基于多尺度卷积网络的猪个体识别

【目的】通过实现复杂多变环境下非接触式猪个体身份识别,提高畜牧行业的生产效率。【方法】以猪舍环境下猪的脸部图像为基础,提出了一种基于多尺度卷积神经网络在多变环境下的猪个体身份识别模型。利用改进的多尺度网络结构,该模型实现了深度和宽度的扩展,网络深度达到了86层。网络不仅使用了对称和非对称的两种方法拆分卷积核和多通道的方法并行提取猪脸特征,还利用网络融合技术和Batch Normalization结构过滤掉通道中的冗余信息。避免了深层网络参数激增,增强了模型对猪脸特征的提取能力并提高模型的识别速度。利用预处理后的11 695张猪脸数据集训练并验证模型,通过设置7组不同环境下的对比实验,分析改进的模型在复杂环境下的识别效果。【结果】86层的基于多尺度分类网络的识别模型权重大小和每轮样本的训练时间分别为498.4 M和66 s,比16层的VGG网络权重小1140 M,每轮训练速度快8 s。利用7组测试集的对比实验的结果表明,提出的模型在7种环境下的识别率都高于其他网络,尤其是在真实养殖环境下识别率高达99.81%。当猪脸图像中出现遮挡和旋转的情况时,提出的模型识别率皆高于92%。【结论】提出的针对脸部特征的猪个体身份识别模型是有效的,并在多变环境下具有较高的识别率和鲁棒性,为实现一体化管理及追踪溯源的研究提供参考。     

基于深度学习技术的在线教学效果评价研究

目的针对在线教学模式的特点,重点探讨面部表情与教学效果之间的联系,利用深度学习技术,提出一种面部表情自动识别模型,实时掌握在线课堂学习状态。方法在对在线教学效果和面部表情关联关系分析的基础上,构建基于深度学习方法的面部表情识别模型,利用TensorFlow,在Jaffe数据集中进行模型验证和测试。结果实验结果表明,面部表情识别模型在进行100次迭代运算后,模型网络达到收敛的程度。在训练集中,模型识别率达到98.76%;在测试集中,模型准确率和F1值都达到1;能够正确识别、区分愤怒、厌恶、恐惧、高兴、悲伤、惊讶、中性7种面部表情。结论提出的模型能够获取在线课堂中学生面部表情的变化,帮助教师实时掌握学生的学习状态,促进在线教学质量的提高,对在线教学质量评价具有一定的应用价值。     

基于卷积神经网络和小样本的茶树病害图像识别

以常见且特征相似的茶轮斑病、炭疽病和云纹叶枯病为对象,研究在小样本情况下利用卷积神经网络进行病害图像识别问题。运用7种模式的预处理方法对茶树叶部病害图像样本进行处理,并采用Alex Net经典网络模型进行学习实验,比较、分析其训练及识别效果。结果显示,模式7训练模型精度为93. 3%,平均测试准确率为90%,且对茶轮斑病、炭疽病和云纹叶枯病的正确区分率分别为85%、90%和85%,在预测值和真实值一致性方面优于其他预处理方法。在小样本情况下,该预处理方法可有效区分、识别3种易混病害,且识别精度高,性能好。     

基于计算机视觉的库尔勒香梨脱萼果识别研究

[目的]针对库尔勒香梨的图像,对香梨脱萼果和宿萼果进行分类及识别研究。[方法]利用Matlab软件进行图像数据获取、灰度化、中值滤波,利用动态阀值分割二值化图像;为弥补二值化后图像中出现的孔洞,基于数学形态学算子填充孔洞。设计神经网络参数,然后利用试验样本对BP神经网络进行训练和测试。[结果]所提出的方法能够获得很高的正确识别率,能够有效地将脱萼果识别出来。[结论]用BP神经网络来分类识别香梨脱萼果可以达到较好的效果。     

一种植物病害图像识别卷积网络架构

针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题,提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet,旨在对多种类的植物病害图像达到高精准的识别准确率.引入Focal损失函数对DenseNet网络进行改进,使得训练模型的注意力集中于难分类的样本.FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题.采用的数据集有87 867张植物病害图像,图像包含同种植物的多种病害,并涉及38种植物病害.对图像进行预处理、数据增强后,将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验.实验结果表明,FI-DenseNet网络的收敛速度更快且识别准确率最高,测试集识别准确率为98.97％,FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络,可为植物病害智能诊断提供参考.     

基于颜色和纹理特征的柑橘自动分级

以柑橘为供试对象,研究了计算机视觉分级中的柑橘图像采集和图像信息处理方法。利用单个摄像机对每个柑橘从4个侧面采集4幅图像,利用4幅图像特征的平均值作为该样本的最终特征,研究基于果实颜色和表面纹理的柑橘图像快速处理分级技术。以人工感官鉴评结果作为分级标准,以训练好的概率神经网络对60个柑橘样本进行了分级试验。结果表明:系统对各级水果的识别成功率略有不同,对一级果和四级果的识别率最高,二级和三级果的识别率稍低,整体识别率约为85%。