聚类算法在玉米叶片病斑降维识别中的应用

为了及时、准确地识别玉米病害,基于聚类识别算法,进行了玉米叶片病斑图像识别的对比试验。首先利用LLE算法对玉米图像降维以提取特征,然后采用K-均值算法、FCM算法和GK算法进行聚类分析,其中GK算法能够有效识别出玉米病斑图像,正确识别率高达95.5%。可见,GK模糊聚类算法对玉米病斑图像的识别效果较好。     

基于主分量分析的苹果叶部3种常见病害识别方法

苹果叶部的3种常见病害(斑点落叶病、花叶病和锈病)严重影响苹果的产量和质量。病害识别是病害防治的基础,传统的苹果病害识别方法不能有效选择病害的分类特征。基于主分量分析算法,提出一种叶片颜色、形状和纹理特征相结合的苹果病害识别方法。首先对苹果病害叶片图像进行预处理,降低图像干扰;然后利用改进的分水岭方法分割病斑,提取病斑图像的颜色、形状和纹理特征,组成特征矩阵;再利用主分量分析(PCA)对该矩阵进行维数约简,得到低维分类特征;最后利用BP神经网络识别苹果的3种病害类型。结果表明,该方法能够有效识别苹果的3种病害,平均识别率超过94%。     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。     

基于神经网络的大豆叶片病斑的识别与研究

综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层BP神经网络,实现了大豆叶片中病斑的自动识别与特征计算。首先通过计算机视觉技术采集叶片图像。其次,采用BP神经网络完成了对病斑图像的识别。最后,运用数字图像处理技术完成了对病斑区域相关特征值的计算。实验证明,该方法能有效地识别出病斑区域,识别率可达100%。该研究为将来病种的识别提供了理论依据。     

基于图像处理技术的玉米叶部病害识别研究

本文结合玉米作物病害的图像特征,首先进行图像的预处理,实现叶部病斑的分割;随后以6个参量来描述玉米叶部病斑的形状特征;将图像由RGB坐标向HSI坐标系统转换,提取参量描述病斑颜色特征;采用灰度共生矩阵提取玉米叶部病斑的纹理特征;引入粒子群优化算法对传统神经网络算法进行改进,使之具备准确分类并识别玉米叶部病害的能力;最后构建了玉米叶部病害图像识别系统,并通过实验与比较,证明了所构建的系统识别病害的准确度。     

基于SVM和CNN组合模型的黄瓜病斑叶片检测与识别

为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM（支持向量机）和CNN（卷积神经网络）组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明,在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%,算法实时性强,具有实际推广应用前景。     

基于特征融合与局部判别映射的苹果叶部病害识别方法

针对利用植物病害叶片图像特征识别病害类别的复杂性,提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先,在中心对称局部二值模式(CS-LBP)的基础上,设计了一种自适应中心对称局部二值模式(ACS-LBP),由此分割病害叶片的病斑图像;然后提取并融合病斑图像的纹理、形状和颜色特征;再利用局部判别映射算法对融合特征进行维数约简;最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验,结果表明,该方法能够有效识别苹果叶部病害,平均识别率高达96%以上。     

基于颜色特征和属性约简的黄瓜病害识别方法

为了减少黄瓜叶部病害给农业生产带来的损失,提高病害的识别率和精度,提出了一种基于颜色特征和属性约简算法的黄瓜病害叶片分割与识别方法。该方法首先利用最大类间方差(Otsu)阈值法对黄瓜病害叶片图像进行病斑分割;其次提取病斑图像的36个分类特征,再利用基于区分矩阵的属性约简算法进行特征选择;最后利用最近邻分类器进行病害识别。该方法在5种常见黄瓜病害叶片图像数据库上进行了病害识别试验,结果表明,识别率高达94.8%。说明,该方法对作物病害叶片图像识别是有效可行的。     

利用特征分割和病斑增强的杨树叶部病害识别

  目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点,提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响,采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓;借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征;使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像,分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度,较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像,有效避免目标叶片的背景干扰;限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果,有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显,识别能力远超过未经处理的原始病害图像识别,有助于提高杨树叶部病害的智能识别能力。图8表1参22     

基于GA-BP神经网络和特征向量优化组合的黄瓜叶片病斑识别

针对家庭种植水培黄瓜中用户难以准确识别病害的问题,设计了一种基于图像处理的黄瓜叶片病斑识别系统。应用自适应小波对原始图像进行降噪处理,在HSV空间通过阈值分割结合形态学操作获得理想的黄瓜叶片图像,并通过自适应阈值分离病斑,提取病斑形态学、颜色和纹理原始特征参数。利用GA-BP神经网络定义原始特征参数对分类结果的灵敏度,递归剔除灵敏度较低的若干特征,降低特征参数的维数。根据优化后的特征参数组合,利用支持向量机对黄瓜炭疽病和白粉病进行识别。实验结果表明,本方法对黄瓜炭疽病和白粉病的综合分类正确率在96%以上。设计的方法有效提高了黄瓜病害的识别率,并为其他作物病害的智能识别提供了借鉴。     

基于GA-BP神经网络的温室番茄病害诊断

为了提高温室番茄病害自动识别率,采用P2P无线网络摄像机定点远程监控与数码相机采集设备相结合的方法获取材料,通过分治中值滤波算法和分水岭算法分离复杂背景下的叶片并提取病斑,提取病斑特征参数并最终选择6个颜色参数、4个形状参数、3个纹理参数,改进传统的差反向传播(error back propagation,简称BP)算法,建立遗传算法优化的误差反向传播(genetic algorithm error back propagation,简称GA-BP)番茄病害识别模型。结果表明,GA-BP模型能快速有效地识别番茄叶片病害,对番茄早疫病、晚疫病、叶霉病的识别率分别达到92.50%、91.25%、95.50%。该模型解决了BP神经网络收敛速度慢、寻优不精确的问题,高效地实现了温室番茄病害的诊断。     

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。      

基于傅里叶描述子和Hu不变矩的油茶果识别

青色油茶果及其背景色差不大,形状特征差别明显,可用于特征识别。本文提出一种基于归一化傅里叶描述子、Hu不变矩形状特征和BP神经网络识别油茶果的方法。首先将油茶果从RGB颜色空间转换到HSV颜色空间,提取H分量后进行二值化;其次通过形态学算法去除二值化图像中的噪声;然后提取其前8阶归一化傅里叶描述子作为BP神经网络特征向量进行识别。结果显示,油茶果识别率为85%。为了进一步提高识别率,提取油茶果的7个Hu不变矩特征,利用BP神经网络识别,识别率可达100%。     

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。     

基于图像识别技术的南疆红枣品种识别研究

通过Matlab图像处理和识别技术,根据不同品种的红枣的形状特征不同,分别对5种不同品种的红枣进行识别。首先对红枣俯视图像预处理提取红枣的表面轮廓,然后利用轮廓计算矩形度,圆形度,偏心率等7个几何特征和8个图像的不变距。利用PNN和BP神经网络作为分类器,对不同品种的红枣图像进行识别。结果表明,两种神经网络能够对不同品种红枣进行识别,PNN网络的平均识别率为90%,BP网络的平均识别率为80%,PNN神经网络比BP神经网络分类效果好。     

基于机器视觉的玉米叶片透射图像特征识别研究

【目的】建立玉米品种的叶片透射图像特征数据库,研究特征随品种的变化规律,分析各类特征的识别效果,为进一步研究玉米生长期间的机器视觉品种识别提供依据。【方法】以生产中推广的21个常规玉米品种为供试材料,分别采集拔节期、小喇叭口期、大喇叭口期、抽雄开花期4个生育时期的玉米叶片。在灯箱内,采集每一叶片的高画质透射图像,共计420张。基于Matlab R2009a开发了“玉米叶片特征提取与识别软件”,包括图像预处理、特征提取、神经网络识别和阈值选取4个功能模块。依据开发的特征识别平台,对玉米叶片透射图像进行图像预处理和特征提取。提取形态类、颜色类和纹理类共计48个特征,特征数据量共计20 160条。分析48个特征品种间的变异系数,研究玉米叶片透射图像特征随品种的变化规律。建立BP神经网络模型进行综合识别,分析不同时期单特征的识别效果,寻找玉米叶片透射图像中品种区分能力较强的重要特征。进一步分析不同时期3大类特征及其组合的识别效果。【结果】在玉米的4个生育时期,叶片透射图像3类特征品种间的变异系数差异比较明显,颜色类特征变异系数最大,其次是纹理类特征变异系数,形态类特征变异系数最小,并且这种差异随着玉米的生长十分稳定。在玉米的4个生育时期,叶片透射图像48个特征的品种识别率差异比较明显,为9.52%-29.33%。R分量的标准差、短轴长、H分量的标准差、等面圆直径、H分量的平均值、V分量的标准差、B分量的标准差、不变矩6、椭圆度、S分量的平均值、外接凸多边形面积、B分量的平均值、平滑度、S分量的峰度、S分量的标准差的识别率较高,平均识别率在18%以上。单类特征中,颜色类特征识别率最高,平均86.76%;纹理类特征次之,平均为78.05%;形态类特征最低,平均为68.67%。颜色类特征和纹理类特征识别的稳定性较高,纹理类特征识别效果更稳定一些。组合特征中,形态+颜色特征组合识别率最高,平均识别率为92.29%;颜色+纹理类特征组合次之,平均为90.29%;形态+纹理类特征组合识别率最低,但平均识别率也达到了87.43%。在拔节期,3类特征组合的识别率无明显差异,且都在91%以上。在小喇叭口期,颜色+纹理特征组合识别率大幅上升,形态+颜色特征组合识别率小幅下降,形态+纹理特征组合识别率下降较大,但是仍然维持在82%以上。在其他3个时期,形态+纹理特征组合和颜色+纹理特征组合识别率差别不大,并且形态+颜色特征组合识别率相对较高。【结论】研究结果为玉米叶片透射图像特征的研究与应用提供了比较系统全面的数据,为生长期间玉米品种的识别提供了新的方法和量化依据,也必将在其他作物的识别方面发挥很好的借鉴作用。     

玉米叶片病害彩色图像识别的降维和聚类方法

应用流形学习算法研究玉米叶片病害图像的识别。首先分别利用PCA、LLE、LE算法对玉米病害灰度图像和彩色图像进行降维,以得到高维空间中的低维特征,然后采用K-means算法进行聚类分析。结果表明:LLE算法作为玉米病害灰度图像识别的特征提取算法,识别率为76.5%;对玉米病害彩色图像进行识别,识别率达到99.5%以上。研究最终提出1种在RGB彩色空间用流形学习算法进行玉米叶片病害彩色图像识别的方法。     

基于区分矩阵的属性约简算法的作物病害识别方法

利用作物叶片症状进行作物病害识别是植保中的一个重要研究内容。提出了一种基于区分矩阵属性约简的黄瓜病害叶片图像分割与病害识别方法。首先,利用最大类间方差法对黄瓜病害叶片图像进行病斑分割;其次,提取病斑图像的36个分类特征;再次,利用基于区分矩阵的属性约简算法对36个特征进行特征选择;最后,利用最近邻分类器进行病害识别。在3种常见黄瓜病害叶片图像数据库上的试验结果表明,该方法是有效可行的,能够为基于病害叶片的作物病害识别系统研究提供参考。     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。     

基于L-M神经网络的储粮害虫分类识别

基于图像处理的储粮害虫检测过程中,需要解决多种害虫多特征、混合度大的综合分类问题.本文提出采用基于L-M算法的多层前馈神经网络对害虫进行分类识别.实验表明,该神经网络和害虫分类识别系统拟和程度很高,并且采用的L-M算法,在网络训练速度及识别精度方面,都优于传统的BP算法.因此基于L-M算法的神经网络在害虫的在线识别方面有应用价值.