基于改进支持向量机算法的农业害虫图像识别研究

为提高农业害虫图像识别效果,采用改进支持向量机算法.首先通过交叉验证优化惩罚因子,Manhattan距离确定核函数选择;然后建立农业害虫图像的特征模型,包括颜色特征、纹理特征、形状特征;接着对害虫图像多特征融合识别,各种害虫的颜色特征、纹理特征、形状特征所分配的权值通过Fisher计算,避免害虫识别误判的发生.试验仿真...     

基于多特征融合和水平集的碧根果品质检测

碧根果在生产加工过程中易酸败,误食会对人体造成多方面危害。针对此问题,提出一种基于多特征融合和水平集的碧根果品质检测方法。以薄壳碧根果为研究对象,首先,对采集的原始图像进行预处理,解决目标对象与背景区域比例不匹配问题;然后,通过改进边缘指示函数的自适应距离正则化水平集算法（Distance regularized level set evolution, DRLSE）对图像进行感兴趣区域（Region of interest, ROI）分割,最后提取图像灰度直方图统计特征、灰度共生矩阵、Tamura和局部二值模式等多特征,并进行融合分析,建立支持向量机（Support vector machine, SVM）判别模型,实现碧根果无损品质检测。试验采集了200个正常、酸败碧根果样本图像,对其进行图像酸败及多特征分析。结果表明,采用本文方法判别碧根果酸败的分类准确率高达96.15%,在此基础上识别碧根果酸败程度,平均识别率为90.81%。     

基于衍射重构技术的作物真菌病害孢子微型检测装置

为了解决现有孢子检测系统体积大、成本高等问题,提出了一种基于衍射重构技术的作物真菌病害孢子检测方法。根据惠更斯-菲涅尔原理、角谱理论,利用衍射成像复合重构计算设计了一种包含富集、进样机构的真菌病害孢子检测系统。该系统可以定时完成富集、进样、拍摄、重构和检测等操作,并通过重构算法实现对真菌病害孢子原像的重建,根据重构后的图像提取面积(Area)、细度(Thinness ratio)两个重要形态学特征,对稻瘟病孢子进行检测识别。实验结果表明,所设计装置对稻瘟病孢子的检测结果与人工显微镜识别结果高度线性相关,决定系数为0. 99,平均检测误差为5. 91%,具有较好的准确性。     

基于介电特征的苹果霉心病检测方法

针对苹果霉心病无法有效根据外表进行识别,且传统检测方法具有设备复杂、成本高昂等问题,本研究通过采集苹果介电参数构建苹果霉心病检测模型,从而实现简单快速的苹果霉心病无损检测.基于LCR测量仪采集220个苹果的108项介电指标(9个频率下的12项介电指标)作为原始参数,使用数据标准化、主成分分析算法等对数据进行预处理,并利...     

基于纹理和颜色特征的甜瓜缺陷识别

为了提高硬皮甜瓜缺陷分类的正确率,提取基于纹理和颜色的综合特征,采用支持向量机分类器构造了甜瓜缺陷的自动检测系统。对甜瓜图像可疑区进行了纹理分析,提取灰度共生矩阵的4个特征参数,经过比较实验得出,对比度和角二阶矩2个参数对甜瓜瓜蒂、花萼、擦伤和霉变有明显的可区分性。在可疑区域上提取了由R、G、B分量及其算术运算组成的12种颜色特征,通过实验筛选出4种具有较好区分性的颜色特征。实验结果表明,由这些优选出的纹理与颜色特征组成的综合特征及支持向量机分类器对甜瓜缺陷的识别正确率达到92.2%。     

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。     

基于支持向量机的甘薯冷害光谱检测方法

针对甘薯早期冷害不易检测,导致甘薯品质下降,易感染其他病害等问题,建立了基于光谱技术的甘薯冷害无损检测方法。基于类可分性准则的关键特征排序法选择有效特征光谱波长,利用支持向量机算法对数据集进行训练评价,检测特征光谱波长的准确性以及甘薯早期冷害发生情况。通过对5个甘薯品种共400个样品进行实验,以训练数据与测试数据5∶5比例检测甘薯冷害准确率高达99.52%,以7∶3比例测试结果高达99.63%。实验结果证明特征光谱波段选择正确,表明光谱技术可以有效识别甘薯冷害,此研究为甘薯贮存分类等后续工作提供了技术方法支持。     

玉米籽粒的特征选择算法——基于支持向量机与遗传算法

在基于数字图像的玉米品种自动识别的研究中,寻找对识别贡献大的新特征项,对玉米品种识别率的提高具有十分重大的意义.把遗传算法和支持向量机算法相结合,设计了具体的基于支持向量机和遗传算法的玉米籽粒特征选择算法,利用这种算法优选提取出的玉米籽粒特征,从玉米籽粒的胚部和冠部的颜色特征与形状特征中找出了对玉米品种识别贡献较大的新特征.     

基于高光谱和频谱特征的注水肉识别方法

为实现注水肉快捷有效的识别,以猪肉为研究对象,利用高光谱技术分析了注水肉和正常肉的光谱特征,通过傅里叶变换的方法,提取样本的频谱特征参数,然后分别基于猪肉样本的全光谱、特征光谱和频谱特征参数,分别建立正常猪肉和注水猪肉的支持向量机（SVM）和BP神经网络分类识别模型,并采用验证集对模型性能进行试验验证。结果表明,基于频谱特征参数建立的神经网络分类识别模型具有最优的分类识别效果,正确识别率达98.8%;基于特征光谱建立的神经网络分类识别模型分类识别效果次之,正确识别率为96.4%;而基于全光谱建立的支持向量机分类识别模型分类识别效果最差,正确识别率只有84.5%。说明采用高光谱技术可以对注水猪肉进行快速而有效的检测识别。     

基于SVM的储粮害虫图像识别分类

粮虫图像识别属于小样本、参数多和特征之间混合度大的分类问题,因此分类器的设计是自动检测系统的关键环节.为此,采用网格搜索法,以SVM交叉验证训练模型的识别率为判别准则,对支持向量机分类器的参数和进行优化.应用SVM分类器对粮仓中危害严重的9类粮虫进行了自动分类,识别率达到93%以上.结果证实了基于SVM的分类器可进一步提高粮虫识别的精度.     

基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练...     

基于近红外光谱的寒地水稻稻瘟病检测数据分析

为克服传统稻瘟病目测诊断正确率低的缺陷,以感染了稻瘟病的寒地水稻植株为研究对象,通过近红外光谱技术采集到了健康植株与染病植株不同部位光谱特征:叶瘟病3种病害等级光谱特征;谷粒瘟5种病害等级光谱特征和穗茎瘟4种病害等级光谱特征分析结果表明,得出的结论是,不同情况的植株都有各自的近红外光谱波段,这一结论为将来利用近红外光谱技术实现寒地水稻稻瘟病的实时检测奠定先期基础。     

基于拉曼光谱的稻叶瘟病害程度划分研究

随着植保变量喷施作业机械的研究和应用,急需一种高效的病害程度识别技术。为此,针对水稻稻叶病运用拉曼光谱仪采集正常及受病害叶片的光谱特性,通过绘制折线图及受试者工作特征曲线进行水稻受病害程度分析,并运用动量因子BP神经网络优化算法,建立了寒地水稻稻叶瘟的病害程度检测模型。结果表明:优化的BP神经网络算法网络预测集的均方误差为0. 002 409 6、相关系数为0. 998 2。该方法可以较好地区分水稻正常叶片、稻叶瘟重度和轻度叶片,是一种高效的病害程度识别技术。     

基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。     

水稻病害孢子多光谱衍射识别与病害源定位方法研究

水稻真菌病害主要依赖真菌孢子在空气中进行传播。然而各种水稻病害孢子的形态相近,传统孢子捕捉仪和显微图像法难以对其进行区分。为了能够准确识别目标病害孢子并进行病害源定位,提出了一种水稻病害孢子多光谱衍射识别与病害源定位方法。为了解决传统衍射方法无法识别形态相似的缺点,设计了一种大视场、无透镜的多光谱衍射成像传感器。通过分析病害孢子衍射指纹图谱,解析稻瘟病菌、稻曲病菌孢子多光谱衍射成像特征规律。融合孢子的形态特征和吸收特性,提出指纹分离强度和相对峰差两个特征参数,建立孢子的多光谱衍射识别模型。通过仿真计算实验分析孢子传播规律,耦合环境信息建立孢子传播过程中的扩散模型。在无定向风及有定向风条件下分析孢子的空间分布情况,提出病害爆发源迭代质心定位算法。实验结果表明,本文方法对水稻病害孢子的识别率达到98.5%,对无定向风条件下的定位误差最低为4.9%,对有定向风条件下的定位误差最低为7.1%。     

基于核函数支持向量机的植物叶部病害多分类检测方法

现有植物病害图像检测方法存在检测病害单一的问题,因此,本文针对叶片的链格孢病、炭疽病、细菌性枯萎病、尾孢菌叶斑病4种病害和健康叶片,提出了基于核函数支持向量机的多分类检测方法。根据植物叶部病害图像具有多变的特点,首先通过受病叶片图像预处理增强病害部分与健康部分的对比度,使病害部分更加明显。然后在Lab彩色空间模型下的a、b分量上进行叶片分割并提取特征,采用K均值聚类方法,增强分割聚类效果。最后采用基于核函数的支持向量机多分类方法对4种病害进行检测识别并分类。为提高检测准确度,用500次迭代评估出最大精度,考虑交叉验证系数的影响,将样本的40%作为验证数据,60%作为训练数据,采用径向基核函数对其进行训练。该方法将传统的2种叶片病害识别扩大至4种,实验结果证实对4种病害的识别率最高达到89.5%,最低也达到了70%,证明了该方法的有效性。     

基于高光谱的水稻稻曲病早期监测研究

为了快速、精准地感知水稻稻曲病的发生,实现稻曲病大面积早期监测,利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据,对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练,建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型,通过验证样本来检验识别模型的准确性,达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好,总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分,贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型;其中非线性分类的效果优于线性分类的效果,总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机...     

基于改进MobileNetV3的水稻病害识别模型

针对水稻病害识别方法准确度低、模型收敛速度缓慢的问题,本文提出了一种高性能的轻量级水稻病害识别模型,简称为CA（Coordinate attention）-MobileNetV3。通过微调的迁移学习策略完善了模型的训练,提升了模型收敛速度。首先创建10个种类的数据集,其中包含9种水稻病害和1种水稻健康叶片。其次使用CA模块,在通道注意力中嵌入空间坐标信息,提高模型的特征提取能力与泛化能力。最后,将改进后的MobileNetV3网络作为特征提取网络,并加入SVM多分类器,提高模型精度。实验结果表明,在本文构建的水稻病害数据集上,初始的MobileNetV3识别准确率仅为95.78%,F1值为95.36%;加入CA模块后识别准确率和F1值分别提高至96.73%和96.56%;再加入SVM多分类器,通过迁移学习后,改进模型的识别准确率和F1值分别达到97.12%和97.04%,参数量和耗时仅为2.99×106和0.91s,明显优于其他模型。本文提出的CA-MobileNetV3水稻病害识别模型能够有效识别水稻叶部病害,实现了轻量级、高性能、易部署的水稻病害分类识别算法。