基于组合色彩特征的苹果树叶片各生长期氮含量预测

为精准预测开花期、幼果期和果实膨大期苹果树叶片的氮含量,提出一种基于组合色彩特征的苹果树叶片氮含量预测模型。首先,获取苹果树叶片图像并提取R、G、B单色分量及14种色彩组合参数共计17种色彩特征,通过主成分分析提取不同时期苹果树叶片氮含量关键影响因子,消除原始变量之间的相关性,降低模型输入向量维度;其次,对建立的PCA-SVM、PCA-BP、PCA-ELM预测模型在不同时期对苹果树叶片氮含量预测效果与精度进行对比,得到不同时期最佳的预测模型;最后,利用最佳预测模型对不同时期苹果树叶片氮含量进行预测,并通过自适应遗传算法对最佳预测模型参数进行优化。试验结果表明：在不同生长时期,PCA-SVM模型的预测精度均高于PCA-BP、PCA-ELM模型;优化后PCA-SVM预测模型在开花期、幼果期和果实膨大期的平均绝对误差分别为0.640、0.558、0.544g/kg,平均绝对百分误差分别为0.057、0.050、0.064g/kg,均方根误差分别为0.800、0.747、0.737g/kg,优于优化前预测模型。该模型具有良好的预测性能和泛化能力,可以为果园精准施肥管理、提升果品品质、避免资源浪费和环境污染提供理论依据。     

基于各向异性核扩散法的杨树叶特征降维

对缺水与正常杨树苗叶片进行特征分析与降维处理。首先对样本进行光照补偿并去除奇异性;然后对样本数据空间进行归一化处理,提出采用基于各向异性核扩散法对缺水与正常样本数据空间进行降维,核参数采用最大类间距离法自适应调整;最后根据最大信噪比原则选择降维子空间维数,获得识别特征。分别对各向异性核扩散法、LE、LTSA以及PCA进行分析比较,对于叶脉较粗的杨树叶片,采用各向异性核扩散法效果较好,能保持空间的几何关系。采用SVM分类法对不同算法提取的特征进行分类,结果表明本文提出的算法提取的杨树叶特征分类效果较好。     

基于SVM-DS多特征融合的杂草识别

为解决单一特征识别杂草的低准确率和低稳定性,提出一种支持向量机(SVM)和DS(Shafer-Dempster)证据理论相结合的多特征融合杂草识别方法.在对田间植物图像处理的基础上,提取植物叶片形状、纹理及分形维数3类特征,分别以3类单特征的SVM分类结果作为独立证据构造基本概率指派(BPA),引入基于矩阵分析的DS融合算法简化决策级融合算法复杂度,根据融合结果及分类判决门限给出最终的识别结果.实验结果表明,多特征决策融合识别方法正确识别率达到96.11％,与单特征识别相比有更好的稳定性和更高的识别率.     

基于SVM的小麦叶部病害识别方法研究

为了准确识别小麦叶部常见病害,为小麦病情诊断和发展状况判断提供科学依据,设计并实现了一种基于SVM(Support Vector Machine)的小麦叶部常见病害识别方法。该方法可以实现对小麦白粉病、条锈病和叶锈病的准确识别。首先,基于中值滤波法和K均值聚类算法,实现了图像的去噪及病斑分割;然后,提取了病斑区域形状特征和纹理特征;最后,利用SVM算法对小麦叶部病害进行了分类识别。随机试验结果表明,利用所提取的特征可以有效地实现小麦叶部常见病害的识别,基于形状特征的综合识别率可达99.33%;利用SVM算法进行小麦病害叶片识别是有效的、可行的。该方法对于农作物病害智能识别的推广具有较好的借鉴意义。     

基于PCA-SVM的麦冬叶部病害识别系统

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,采用K-Means聚类分割技术分离出病斑,通过对颜色、形状和纹理特征构成的46维特征向量进行主成分分析,再运用支持向量机设计的多级分类器进行病害识别,开发出的麦冬叶部病害识别系统识别率达到了94.4%,表明了系统对麦冬病害防治,促进麦冬产业现代化发展有重要意义。     

基于PCA_SVR的油菜氮素光谱特征定量分析模型

研究了采用光谱分析技术对油菜植株全氮进行定量分析的方法.采用逐步回归法对氮素的光谱特征波长进行选择,为克服光谱变量间多重共线性的影响,对变量进行了主成分分析(PCA),为提高模型的拟合优度,应用支持向量机回归(SVR)建立油菜氮素的定量分析模型.对不同氮素水平的油菜冠层光谱数据进行分析,结果表明,406、460、556、634、662、675nm的光谱反射率与油菜含氮量呈极显著相关.植株全氮SVR模型预测值与实测值的相关系数为0.89,模型的检验误差(RMSE)为2.51.     

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PCA—SVM的棉花出苗期杂草类型识别

为了实现棉田中不同类型杂草的机器视觉识别,提出基于主成分分析和支持向量机的棉花出苗期杂草识别方法。该方法通过提取棉田图像中棉花和杂草的颜色、形状、纹理等特征,并利用主成分分析(PCA)降低特征变量空间维数,结合支持向量机,实现对棉田杂草类型分类。通过120个棉花杂草测试样本分类试验结果发现,经PCA降维得到的前3个主成分分量能有效减少支持向量机的训练时间和提高分类正确率;通过对比发现前3个主成分分量与径向基核函数支持向量机相结合效果最好,其训练时间为91 ms,平均分类正确率达98.33%。     

基于PCA-GA-SVM的甘蔗收获机运行状态识别

由于甘蔗收获机在收获过程中智能化水平较低,依靠人工操作很容易对甘蔗收获机的运行状态产生误判,从而造成物流通道堵塞、能源浪费、收割效率低。针对这些问题,提出一种基于主成分分析(PCA)、遗传算法(GA)和支持向量机(SVM)状态识别模型。首先,通过实地采集甘蔗收获机刀盘轴、行走轴、切段轴和风机轴扭矩和行驶速度特征信息,然后通过PCA进行数据降维,最后利用GA优化参数C、γ,使用每个特性信息来训练SVM,对甘蔗收获机运行状态进行分类。结果表明:PCA-GA-SVM状态识别模型对甘蔗收获机运行状态的识别准确率为93.75%,建模时间为3.688 s,与SVM(81.25%,9.487 s)、PCA-SVM(87.5%,5.817 s)和GA-SVM(90%,8.969 s)进行对比,该模型具有最高准确识别率和最快建模速度,具有较大的应用价值。     

叶片类截面数据特征点精确识别方法

利用小波模极大值方法可很好地对特征进行识别,并能抑制噪声的影响.利用该方法对叶片截面数据进行特征识别时,某些重要的局部特征在细尺度下会消失,导致数据特征点不能完整识别,针对该情况提出特征尺度因子的概念,以了解数据中所含特征的差异性.特征尺度因子越大意味着可分解尺度数越多,相反则意味着可分解尺度数越少,当数据点的特征差异较大时,可将其分为几段分别进行识别,最后再将各段特征点汇总.实验证明,特征尺度因子可以很好地体现特征的信息并指导特征识别,有效保证了数据中特征个数的完整性.     

基于被动水声信号的淡水鱼混合比例识别

针对淡水鱼混合比例识别问题,以鳊鱼和鲫鱼为研究对象,通过水听器采集不同混合比例下的淡水鱼被动水声信号,利用butter函数进行信号预处理,分别提取短时平均能量、短时平均过零率、4层小波包分解频段能量、平均Mel频率倒谱系数、基于功率谱的主峰频率和主峰值等特征,构建特征向量,建立了基于主成分分析的支持向量机混合比例识别模型。分析了不同混合比例的淡水鱼水声信号之间的显著性差异,研究了主成分个数对模型识别率的影响。结果表明,平均Mel频率倒谱系数对淡水鱼混合比例识别效果最优,主成分个数为19时,平均识别正确率为96. 43%,Kappa系数为0. 96。     

基于RealSense深度相机的多特征树干快速识别方法

针对农业机器人在果园定位和导航中,环境背景复杂、光照强度变化大等问题,本文提出了一种基于RGB-D相机并利用颜色、深度、宽度和平行边特征的树干快速识别方法。首先,使用RealSense深度相机获取果园的彩色图像和深度数据;然后,将彩色图像转换为HSV颜色空间,再对HSV颜色空间中的S分量进行超像素分割,并将颜色特征和深度特征相近的相邻超像素块进行合并;随后,对深度图像进行树干宽度特征检测,对宽度置信率大于阈值的物体看作是待处理物体;最后,对待处理的物体进行平行边特征检测,在待处理物体边缘区域选择感兴趣区域窗口（ROI）进行边缘检测,搜索可能的树干边缘直边,当物体边缘的置信率R_B大于设定的阈值T_LB时,则识别为树干。通过对树干的多特征提取,有效提高了在不同环境下树干识别准确率。利用移动机器人平台在果园环境进行试验测试,以检验在强光照、正常光照和弱光照条件下树干识别算法的性能。试验结果表明,本文的树干识别算法在强光照、正常光照和弱光照条件下,树干识别的准确率分别为92.38%、91.35%和89.86%,每帧图像平均耗时分别为0.54、0.66、...     

基于GIS和PCA降维的森林景观格局等级特征分析

森林景观空间格局及其内在等级特征辨识是森林资源管理和生态环境规划的重要基础。以新疆天山北坡西段霍城林场为对象,以森林资源二类调查资料和DEM数据为基础,基于GIS和PCA降维方法,通过景观等级分类和景观指数分析,对林区森林景观空间格局及其等级特征进行了研究。结果表明:天山北坡森林景观格局存在明显的等级特征,在不同等级上森林景观破碎化严重,斑块大小空间变异强烈;随着森林景观等级细化,森林核心斑块大小、破碎化、景观丰富度、空间邻近程度等指标变异加强;在较高等级水平上,斑块密度(PD)、平均斑块面积(AREA_MN)、景观形状指数(LSI)、周长-面积分形维数(PAFRAC)等指数对概括森林景观空间格局具有决定性。森林景观资源保护和精细化管理应注重对景观破碎化、丰富度、斑块空间邻接度等指标的考虑及调控,进而为林区景观格局优化、森林景观资源健康经营与管理提供有力参考。     

基于近红外光谱技术的醋醅中常见杆菌快速识别

醋醅中微生物群落及其代谢产物是镇江香醋独特口感和风味形成的关键因素。研究醋醅微生物的快速识别方法,有利于监控醋醅微生物的群落组成及其动态变化情况,保障发酵产品品质。利用近红外光谱技术对醋醅中5种形态相似的常见杆菌进行快速检测。首先采集5种杆菌菌落的近红外光谱信息,并利用PCR方法对5种杆菌进行生物学鉴别(分别为地衣芽孢杆菌、短小芽孢杆菌、嗜酸乳杆菌、枯草芽孢杆菌和醋酸杆菌),然后利用K-最近邻法和最小二乘支持向量机法建立5种杆菌的近红外光谱识别模型,结果表明当主成分为4时,LS-SVM模型对应的校正集识别率为100%,预测集识别率为97.50%。     

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。     

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SVM和D—S证据理论的多特征融合杂草识别方法

针对单一特征识别杂草的低准确率和低稳定性,提出一种支持向量机( SVM)和D-S证据理论相结合的多特征融合杂草识别方法.在对田间植物图像处理的基础上,提取植物叶片的颜色、形状和纹理等3类视觉特征,分别以3类单特征的SVM分类结果作为独立证据构造基本概率指派(BPA),运用D-S证据组合规则进行决策级融合,根据分类判决门...     

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%。