基于概率神经网络和分形的植物叶片机器识别研究

【目的】提出一种将植物叶片的形状特征与其纹理特征相结合的综合特征识别方法,有效解决了传统的植物机器识别分类特征单一且识别率较低的问题,为植物的快速机器识别提供技术参考。【方法】提取植物叶片样本的综合特征信息,以概率神经网络(PNN)为分类器对所得的特征信息进行训练,训练好的网络用来识别植物叶片的类别,从而确定相应植物的种类。【结果】有效提取了含有8个分量的植物叶片综合特征向量,通过对PNN分类器的训练,实现了30种植物叶片的快速机器识别,平均识别率达98.3%。比较测试表明,若去掉叶片纹理特征,单以其形状特征作为识别依据,平均识别率仅为93.7%。【结论】植物叶片综合特征识别方法有效弥补了传统单特征识别方法的不足,使识别效率得到了较大的提高。     

基于叶片图像算法的植物种类识别方法研究

为了提高植物种类的识别率,采用叶片图像算法。首先建立植物种类特征模型,包括植物叶片颜色特征、形状特征、纹理特征;然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系;接着对径向基函数个数、中心及宽度优化,基于梯度下降方法对权重参数计算,自适应调节学习率;最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个,其中本文算法对植物种类识别的三个组合特征平均识别率为93.5%,高于单个特征、两个组合特征的平均识别率,形状特征对识别率所起的作用最大。     

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。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于叶片图像特征数字化信息识别7种柳属植物1）

通过对7种柳属植物的350枚叶片进行实验处理,测量所需的数字化植物特征,在单一指标判别分析中,仅有“长宽比”作为识别这7种植物的最有效的单一指标;在双重指标的判别分析中,“最宽处”ד叶脉值”、“最宽处”ד短弧距”、“最宽处”ד长弧距”、“周长比”ד膜周长比”、“短弧距”ד上外距”、“长弧距”ד上外距”这6组双重指标对7种植物的识别正确率均达到100％,同为最优双重指标。试验结果表明,上述6组最优双重指标可以完全识别出这7种植物。因此,基于数字化的叶片图像特征的信息识别物种是可行的,为今后植物物种识别研究奠定了基础。     

植物外观特征自动获取及计算机辅助植物分类与识别

植物的分类与识别是植物学研究和农林业生产经营中的重要基础工作,其主要依据是植物的外观特征.现代数量分类的方法就是通过大量提取特征数据,进行聚类分析,获得分类结果,并以此为根据进行植物的鉴别.传统做法都是手工测量采集原始数据,效率较低.由于外观特征可以通过数字图片方式获得,运用计算机图像处理分析等技术采集数据并做聚类分析将大大提高效率,关键问题在于特征的自动分析和获取.在基于叶子特征的计算机辅助植物识别模型和叶缘锯齿特征提取研究的基础上,提出了计算机辅助植物分类与识别的系统方案,并对相关技术进行了分析.图5参19     

基于集成神经网络的植物叶片识别方法

针对植物叶片识别中识别精度低的问题,从叶片特征描述、分类器设计两个角度出发提出了一种基于集成神经网络的植物叶片识别方法。叶片特征由区域几何特征与纹理特征共同构成,其中区域几何特征由不变矩特征和叶片几何描述参数共同构成,叶片纹理特征利用灰度共生矩阵进行提取。在分类器设计方面,采用一种集成神经网络学习算法,用于解决多类别植物叶片分类问题,其基分类器由二类别分类器和互补分类器构成。为避免叶片特征受到旋转等因素的影响,需要对叶片图像进行预处理。在预处理后,利用集成神经网络分类器对叶片样本进行训练与识别。在Flavia叶片数据库中选取20类叶片,每类30张共计600张叶片进行试验,基于集成神经网络的植物叶片识别方法的平均识别精度为91%。与其他叶片识别方法相比,试验结果表明,此方法可以提高叶片识别的精度。     

基于多特征融合的植物叶片识别研究

植物叶片识别作为植物自动分类识别的重要分支,有着很高的实际应用价值。针对当前叶片特征描述存在的局限和叶片识别准确率较低的实际,以叶片图像为研究对象,首先对图像进行预处理,在提取叶片几何特征和纹理特征的基础上,设计描述叶片轮廓的距离矩阵和角点矩阵,通过计算基于几何特征、纹理特征和角点距离矩阵的综合相似度对叶片进行精确识别。对Flavia数据集中的32类共计960幅叶片图像进行训练和测试,结果表明,基于叶片图像多特征融合的识别方法对叶片特征描述能力更强,识别准确率更高,对Flavia数据集的识别率可达97.50%,具有较好的识别效果。     

基于光谱特征变量的湿地典型植物生态类型识别方法——以北京野鸭湖湿地为例

光谱特征变量的选择对于湿地植被识别的精度和效率有着直接的影响作用.以华北地区典型的淡水湿地——野鸭湖湿地为研究区,采用Field Spec 3野外高光谱辐射仪,获取了野鸭湖典型湿地植物的冠层光谱.以野外高光谱数据为基础,首先利用一阶导数与包络线去除的方法,分析和对比不同植物生态类型的光谱特征,选定了用于识别植物生态类型的光谱特征变量,选定的8个光谱特征变量为红边位置WP_r、红边幅值Dr、绿峰位置WP_g、绿峰幅值Rg、510 nm附近的吸收深度DEP-510和吸收面积AREA-510、675 nm附近的吸收深度DEP-675和吸收面积AREA-675.其中,7种植物生态类型的一阶导数光谱特征差异较小,吸收特征差异性相对较大.除WP_r和WP _g外,沉水植物Rg和Dr平均值最低,湿生植物的Rg平均值最高,达到0.164,栽培植物的Dr平均值最高,达到0.012.7种植物生态类型在675 nm附近的DEP-675和AREA-675均高于510 nm附近的DEP-510与AREA-510,除去栽培植物,随着水分梯度的变化,其他6种植物生态类型的吸收深度和吸收面积都表现出先升高后降低的趋势.然后利用单因素方差分析(One-way ANOVA)验证了所选光谱特征变量的区分度,在P≤0.01的置信水平下,选取的8个光谱特征变量都能够较好的区分7种植物生态类型,区分度的最小值为13,最大值为18,并且吸收特征参数的区分度优于一阶导数参数.最后应用非线性的反向传播人工神经网络(BP-ANN)与线性判别分析(FLDA)的类型识别方法,利用选定的8个光谱特征变量进行湿地植物生态类型识别,取得了较好的识别精度,两种方法的总分类精度分别达到85.5％和87.98％.单因素方差分析(One-way ANOVA)和不同分类器的分类精度表明,所选的8个光谱特征变量具有一定的普适性和可靠性.     

几种典型荒漠植物冠层光谱特征比较研究

选取古尔班通古特沙漠南缘柽柳、梭梭和乌兰布和沙漠东北缘霸王、四合木、白刺、油蒿、红砂等7种荒漠植物为对象,通过获取各植物的冠层光谱反射率,采用光谱学分析法,提取光谱吸收特征参数,确定荒漠植物识别的最佳波段。结果表明,各荒漠植物的波谷波长位置接近,吸收波段特征有一定的相似性。具体看,梭梭和柽柳的波谱吸收特征更相近,其他5种植物更相近。应用二阶导数方法,在350~1 350 nm建立了5个具有植物生化意义的谱带,并得到典型荒漠植被识别的12个最佳波段。研究成果不仅可以为荒漠植被遥感识别和分类提供参考,也为荒漠植被生态监测提供一定科学依据。     

多特征与局部线性嵌入融合算法在植物识别中的应用研究

针对植物识别过程中叶片旋转状态下的识别需求,采用植物多特征提取与局部嵌入融合算法,应用支持向量机(SVM)建立分类器对植物叶片进行分类辨识。结果表明:基于分块的局部二值模式(LBP)算法可以提取植物叶片的纹理特征;使用局部线性嵌入(LLE)算法,对高维的LBP特征进行降维,减少了分类识别时间,同时能够达到更好的聚类效果,有效地提高识别率;所提出的植物叶片识别方法对旋转状态下的叶片具有良好的实用性。     

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。      

基于植株整体形状特征的杂草识别算法的研究

为解决传统基于植物叶片形状特征的杂草识别中识别率不高的问题,该文以生长中期的生菜与四种伴生杂草稗草、小飞蓬、鬼针草和车轴草为主要研究对象,提出了一种基于植株整体形状特征的杂草识别算法。实验结果表明,利用BP神经网络对单株植物进行识别,准确率达99.20%以上,对多角度拍摄的单株生菜图像的识别准确率为98.60%,对生菜与杂草的混合图像的识别准确率达99.10%,大大提高了杂草识别率,同时本算法对其他一些作物也有一定的适用性。     

河南外来入侵植物及防除研究

报道了河南外来入侵植物 13科 2 6属 30种 ,分别介绍了其中分布广、危害大的 18种植物的识别特征、繁殖方式、生境、河南分布现状、危害、控制及防除方法。     

基于iebook软件的植物识别图解的设计与实现

植物识别图解精选常见的96个科537种野生植物,以形态描述为基础,设计美学为创意,从中文名、拉丁学名、别名、科属、形态特征、生境、应用等方面进行了精炼而直观的描述。运用iebook软件,并结合美图秀秀软件对植物图片和文本进行编辑处理,设计成一部集文字、图片、声音、动画于一体的便于查询检索和学习浏览的植物识别图解。图解的构建为学生进一步正确认识植物、研究和开发利用植物提供必要的参考。     

基于根系与繁殖特征的风轮菜自我身份识别研究

[目的]克隆植物作为拥有遗传单一,亲缘性高等种群特点的一类植物,广泛分布于陆地生态系统并常占据优势地位,自然生境中的克隆分株常由于各种原因遭到破坏从而形成多个个体植株,但相邻克隆分株之间具有怎样的相互作用,它们之间是否存在自我识别以及这种识别是否会对有性繁殖产生影响尚不明确.因此探究克隆植物分株间自我识别响应特征,对理...     

一种新型卷积神经网络植物叶片识别方法

为提高植物叶片识别的准确率及减少计算代价,在Pytorch框架下提出一种融合了深度卷积生成式对抗网络(DCGAN)和迁移学习(TL)的新型卷积神经网络叶片识别方法。首先,对植物叶片图像进行预处理,通过DCGAN对样本数据库扩充;其次,利用迁移学习将Inception v3模型应用于图像数据处理上,以提高植物叶片识别的准确率;最后,通过对比实验对该方法的有效性进行验证。结果表明:该方法可以获得96.57%的植物叶片识别精度,同时参数训练的迭代次数由4000次缩短到560次。     

嵌入式植物自动识别系统的设计与实现

采用嵌入式技术和图像处理技术,通过提取叶片相对稳定的形状特征实现对植物种类的识别分类。系统基于Ubuntu 10.04,采用Qt Creator1.3.1在北京博创公司的UP-NETARM2410-S开发板上进行了实现。功能包括植物叶片的采集和图像拍摄、图像预处理（图片灰度处理及轮廓提取）、图像特征提取（包括叶片的圆形度、偏心率等特征）、图像识别这4个步骤。实验结果表明:该系统可以比较准确地实现对银杏Ginkgo biloba,樟树Cinnamomum camphora,无患子Sapindus saponaria等9种植物叶片的识别分类。图6表1参13     

试论植物识别教学方法

识别植物是植物教学中的重点和难点,通过教学实践表明,把植物识别教学和植物经济用途分类结合起来,使学生知道植物在生活中有什么用,然后再进行植物识别教学,学生比较容易接受。本文按植物的经济用途将植物进行分类,将其分为药用植物、香料植物和食用植物三大类,在分析植物的经济价值的过程中,使学生学会识别这些植物。     

基于大数据分析的植物标本取样方法研究

植物识别是利用植物的前提。随着图像处理与识别技术的迅速发展,植物种类识别App应运而生。虽然这些App能够识别植物,但存在一些误差,导致识别结果不够准确。为了解产生误差的可能原因,本文以花伴侣作为识别App,通过不同的取样方法,探讨植物标本取样因素对识别率的影响。测试结果表明,基于大数据分析的标本取样,以全株局部含花的样本识别效果最佳,不同植物器官的样本照片在识别上存在显著差异,不同拍摄设备、不同背景条件下拍摄的植物样本照片识别效果也有一定差异。