基于图像灰度直方图特征的草莓病虫害识别

通过作物可见光图像,对作物病虫害进行准确识别,在作物生长自动监测、精准施药等领域具有重要意义。提出一种基于图像灰度直方图特征的草莓病虫害识别算法识别草莓蛇眼病。该算法首先计算训练集草莓叶片灰度图像的直方图,然后提取直方图的8个特征(平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围)并进行归一化处理,通过支持向量机(support vector machine,简称SVM)、K-近邻(K-nearest neighbor,简称KNN)及朴素贝叶斯3种识别方法对8个特征进行训练,得到相应的病虫害识别分类器。结果表明,SVM分类器的分类效果优于其他分类器,因此本研究最终选用SVM分类器对验证集图像进行分类,得到分类正确率达90%以上。     

利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类

根据木材缺陷类型及视觉特点的不同,将木材缺陷分为6类,加上正常无缺陷木材共分7类;实验将图像样本转化为灰度图后生成680个训练样本数据集和94个测试样本数据集。在分析单一方向梯度直方图(HOG)特征及局部二值模式(LBP)采用不同核函数对木材缺陷分类性能的基础上,提出局部二值模式和方向梯度直方图融合特征对木材缺陷分类。融合特征经主成分分析并降维,利用支持向量机的4种不同核函数分别验证局部二值模式和方向梯度直方图融合特征对木材缺陷分类的性能。结果表明:利用局部二值模式和方向梯度直方图融合特征比单一缺陷特征具有更高效的分类性能;采用线性核函数及高斯核函数对局部二值模式和方向梯度直方图融合特征进行支持向量机分类,分类准确率分别可达98.9%和97.8%,木材缺陷可实现自动检测分类。     

玉米品种识别多算法模型比较研究

为了比较玉米品种图像识别中各种神经网络识别模型的性能,搭建了一套基于统计特征提取和模式识别分类算法的玉米品种识别系统。采用扫描仪获得了11个玉米品种每个品种50粒子粒图像,基于图像的统计特征,分别研究了7种人工神经网络(ANN)模型(BP、rbf、grnn、pnn、compet、sofm、ELM)的识别性能,进一步考察了极限学习机(ELM)、支持向量机(SVM)模式分类过程性能。结果表明,在同样的情况下SVM模型较ANN模型的特征识别率高,另外神经网络模型grnn和ELM识别效果较好,其他识别模型性能较差。对11个玉米品种种子的最高检出率为91.73%,另外,所采用的特征降维方法、特征维数、初始权值的随机性选择等因素都会影响模型的识别效果。这对玉米种子纯度和品种真实性检验中人工神经网络模型的构建具有指导意义。     

基于遗传算法和支持向量机的储粮害虫图像识别

建立支持向量机（SVM）模型,用遗传算法自动选择最优的核函数参数,利用该SVM与遗传算法相结合的新型算法对储粮害虫图像进行分类识别。结果表明,该方法所确定的SVM对储粮害虫具有较优的识别率,其整体性能优良。     

基于支持向量机的黄瓜叶部病害的识别研究

为了减少黄瓜叶部病害给农业生产者带来的损失,提高病害的识别率和精度,提出一种基于支持向量机的复杂背景下的黄瓜叶部病害的识别方法。采用K-均值聚类算法和LOG算子等理论,并提出一种基于超像素(super pixel)和形状上下文(shape context)的复杂背景下的黄瓜叶片图像分割算法,将黄瓜病害叶片从复杂背景中成功地分离出来;采用分水岭等算法将病斑从黄瓜病害叶片中分割出来;再根据病斑的特点,分别为黄瓜白粉病和霜霉病提取了颜色、形状、纹理3个方面的比较典型的特征参数;分别建立了黄瓜叶片白粉病检测器和黄瓜叶片霜霉病检测器,将黄瓜叶片病害检测器分为2部分,第1部分为病斑检测器,第2部分是根据病斑检测器的结果来进一步判断叶片是否患有某种病害。试验结果表明:对于黄瓜白粉病的识别,采用基于径向基核函数的SVM病斑检测器的结果进行黄瓜叶片白粉病检测的识别率较高(98.33%),说明采用径向基核函数的方法更适合于白粉病病斑检测器的设计;对于黄瓜霜霉病的识别,采用基于线性核函数的SVM病斑检测器的结果进行黄瓜叶片霜霉病检测的识别率较高(95%),说明采用线性核函数的方法更适合于霜霉病病斑检测器的设计。以上提出的基于支持向量机的方法能有效地进行黄瓜白粉病和霜霉病的识别。     

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。      

基于群智能算法分类模型的番茄病害识别

作物病害分类识别模型一直受被研究对象自身特性影响,为验证智能分类器在番茄常见病害中的识别效果,选择不同群智能分类器进行分类识别。采用主成分分析(principal component analysis,简称PCA)法对样本集的31个数据进行降维,筛选7个贡献率较高的主成分作为PCA-支持向量机(support vector machine,简称SVM)模型的输入;遗传算法(genetic algorithm,简称GA)具有全局寻优特点,正交变换可使变异率、交叉率、种群规模等参数之间快速最优化,构建GA-SVM智能分类器提高识别率;由于GA-SVM分类器增加了交叉变异计算,参数确定时间相对较长,而粒子群优化(particle swarm optimization,简称PSO)算法不存在交叉变异因子计算过程,因此选择PSO-SVM群智能分类器,把种群中具有最大适应度函数值的惩罚系数(r)和核函数参数(σ~2)作为支持向量机模型的最优参数,试验证明,PCA-SVM模型对3种病害类型中的分类效果总体较好。     

基于ROI快速检测与融合特征的马铃薯病害识别

【目的】针对在原始马铃薯病害图像上提取特征时计算量大、病害识别准确率低以及传统病害区域分割算法速度慢等问题,提出了一种新的基于关键特征点的病害感兴趣区域(ROI)快速检测与融合颜色和纹理特征的识别方法。【方法】对马铃薯病害图像作适当预处理后,首先提取ORB特征点,当其特征点数目小于给定阈值时提取SIFT特征点,再对所提特征点的坐标值按水平和垂直方向排序,并通过计算K个近邻点的均值来确定病害区域的坐标并提取ROI。然后融合病害ROI的HSV颜色直方图和UPLBP纹理直方图构成总特征向量。最后采用非线性SVM识别马铃薯病害。【结果】利用该方法对240幅马铃薯叶部、果实和茎部10种混合病害图像进行识别实验,结果表明,每幅病害图像ROI检测平均时间为0.013 s,平均识别正确率达95.83%,最高达100%,平均运行时间为0.083 s。【结论】基于ORB和SIFT关键特征点的病害ROI检测方法原理简单、易实现且实时性好。本文方法可实现对10类马铃薯病害的快速识别且准确率高,为其它农作物病害识别提供了参考价值。     

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法

采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。     

基于纹理特征与改进SVM算法的玉米田间杂草识别

以玉米田间杂草图像为研究对象,对采集的杂草叶片图像进行预处理,对图像的多个纹理特征进行筛选,以支持向量机进行分类。针对传统分类器的不足,以组合核函数对其性能进行优化。仿真结果表明,构建优化的组合核函数能使分类器性能得到显著提升,且当组合核函数中径向基函数所占的权重为0.2、多项式核函数(二阶)所占的权重为0.8时识别率最高,达86.00%,可以满足杂草识别的需求。     

基于Android的苹果叶部病害识别系统设计

为快速便捷地解决苹果病害识别问题,本研究设计了基于Android的图像识别系统。采用最大类间方差法(Otsu)对病斑图形分割,提取了病斑的颜色特征,纹理特征和形状特征、运用支持向量机(SVM)对病斑进行了分类,并在服务器端建立了苹果叶部病害特征库。手机客户端采集5种苹果病害图像,上传到服务器端进行识别,并将识别结果反馈给客户端,平均正确识别率为85.33%,测试效果良好。     

基于支持向量机的交通标志人工智能检测与识别

针对人工智能检测与识别交通标志准确率不高的问题,本文提出了一种以支持向量机(SVM)为基础的多方法相融合的交通标志检测与识别方法。该方法首先采用方向梯度直方图进行交通标志的特征数据提取,然后利用网格搜索法和交叉验证方法对支持向量机模型最优化参数组合(惩罚因子C和核参数r)进行搜索,最后利用优化的支持向量机模型现实交通标志识别。实验仿真结果表明:基于支持向量机的最优化交通标志识别的准确率可达98%。     

基于小波分析的红虫识别

提出了一种能量特征与支持向量机(Support Vector Machine,SVM)相结合的红虫与水中浮游生物图像识别方法.把小波能量特征加入到原始图像中,再用Fisher线性判别法进行特征提取,同时提取图像的三层小波分解后系数的数学特征和图像颜色调和熵构造特征向量,然后采用SVM进行识别.通过对红虫及浮游生物的分类进行实验,验证了该方法的有效性,获得较高的识别率.     

基于显著区域和PHOG的黄瓜病害识别方法研究

快速准确地识别黄瓜病害类型是黄瓜病害防治的前提,针对现有基于病害叶片图像的黄瓜病害识别方法中的病斑分割和特征提取难题,提出一种基于显著区域和方向梯度直方图的黄瓜病害叶片图像分割与识别方法。首先,利用叶片图像的亮度和颜色低阶特征,结合多尺度分析确定原始采用病害叶片图像的显著图;其次,利用K-均值算法分割显著图,得到病斑图像;再提取病斑图像的方向梯度直方图特征;最后利用支持向量机(support vector machine,简称SVM)进行病害识别。在4种常见黄瓜病害叶片图像数据库上进行测试,平均正确识别率大于90%。结果表明,该方法能够准确分割和识别复杂背景下的黄瓜病害叶片图像,为田间开放环境下实现黄瓜病害的快速自动识别提供了依据。     

基于智能算法的甘蔗定位切割方法

针对传统的基于图像的甘蔗茎节识别算法主要有中值决策、列灰度及拟合的边缘检测方法、图像滤波方法以及图像分割方法等,传统方法的检测准确率偏低,难以满足识别要求。提出了一种基于改进型粒子群优化算法的混合核函数的支持向量机分类识别模型,对甘蔗的茎节进行分类识别。传统的PSO算法由于粒子群的趋同性,导致前期收敛很快,后期十分缓慢,并且容易陷入局部最优解,也就是常说的早熟。将混沌优化算法与PSO算法进行结合,改造判断解决早熟的收敛方法以改进CPSO算法。传统SVM分类识别模型采用单个核函数,而局部核函数具有较好的学习能力,但不具备较好的泛化能力,相反,全局核函数具有较好的泛化能力,但不具备较好的泛化能力。将局部核函数和全局核函数按照一定规则和条件进行混合,构造一种新型混合核函数,试验验证结果表明,本研究的甘蔗定位识别方法有效。     

基于Contourlet变换与LSSVM的玉米种子识别算法

基于Contourlet变换与最小二乘支持向量机(least squares support vector machine,LSSVM),提出了一种玉米种子高精度识别算法。该算法首先对玉米种子图像进行多层Contourlet分解,结合指数函数和反正弦函数,提出了一种新型的阈值函数模型对高频分解系数进行去噪处理;其次,将低频分解系数与去噪后的高频分解系数进行重构,得到去噪后的玉米种子图像;最后采用LSSVM对去噪后的玉米种子图像进行识别,采用径向基函数模型作为LSSVM核函数模型。试验结果表明,对去噪后的图像进行LSSVM识别的精度优于直接对图像进行LSSVM、SVM识别的精度。     

结合灰度纹理和支持向量机分类的三江源草地信息提取

以三江源地区地形地貌特征、草场分布较为典型的班玛县为例,以HJ环境星多光谱影像为主要数据,基于支持向量机SVM超平面理论,结合灰度共生矩阵寻找最适宜的分类核函数,选取了三江源地区草地信息提取的最适宜SVM分类模型,并与传统的监督分类方法最大似然法和SVM分类方法进行比较,进行三江源草地分类方法的优化。结果表明,与传统监督分类方法相比,除Sigmoid核函数外,其余结合方法的分类精度均有所提高,其中结合纹理和高斯核函数的SVM分类模型有着较理想的识别效果,精度达到91%,Kappa系数为0.856 0,能为三江源地区草地可持续利用以及生态系统恢复提供基础数据。     

基于典型相关分析全局和局部特征融合 的植物识别方法

同类叶片图像的复杂多样性增加了植物识别研究的难度,导致利用叶片图像进行植物识别的识别率不高,因此提出一种基于典型相关分析(CCA)全局和局部特征融合的植物识别方法。首先,采用有较好的光照及旋转不变性的梯度直方图(HOG)和边缘轮廓Fourier描述子作为植物识别的特征;然后利用CCA在特征层将HOG和Fourier描述子相融合,构成更具分类鉴别力的一个特征向量;最后利用K-最近邻分类器进行植物识别。在ICL叶片图像数据库上的试验结果表明了该方法的有效性。