基于支持向量机的水稻纹枯病识别研究

[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。     

基于权重系数的木材图像增强及识别

为了进一步提高机器识别木材的准确性,提出基于权重系数的木材图像增强方法。将采集的图像利用离散小波变换分为4个不同的子带,对LL子带采用权重系数检测相似的像素点,对LH、HL和HH子带利用局部方差法进行定向筛选,对上述子带均采用傅里叶系数作差法,同时结合阈值进行混淆判断;对LL子带采用方向自适应滤波消除混淆,对LH、HL和HH子带采用自适应小波收缩消除混淆,最后经过小波逆变换得到增强后的重建图像。选取榆木木片和树皮为识别对象,对其图像进行增强处理,然后利用BP神经网络进行识别。结果表明,本研究方法较传统的图像增强方法提高了榆木木片和树皮的识别率。     

基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究

传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。     

基于图像处理和SVM探索木材与树皮的新识别参数

木材工业生产中,需将树皮和木材分离,进而提高木材的使用效率。运用木材和树皮的5个特征参数和数字图像处理技术对榆木(光秃大果榆Ulmus macrocarpa var. glabra)、柳木(杞柳Salix integra)和松木(樟子松Pinus sylvestris var. mongolica)的木材与树皮图像进行分类识别,其中均方差比是本文提出的识别参数。通过对图片进行数字图像处理,得出参数的最大值和最小值, 利用多项式函数和非线性函数对木材和树皮识别,再对参数进行评估,筛选出最佳参数。结果表明,参数均方差比识别率最高分别达到97.7%和 94.7%,且多项式函数的识别效果高于非线性函数的识别效果。     

林火烟雾图像自动识别中的模式分类器选择

探索了支持向量机（SVM）方法解决由脉冲耦合神经网络（PCNN）提取的林火烟雾图像特征后的计算机视觉模式识别问题。针对由于林火烟雾图像的纹理特征不突出,即便用特殊方法提取出来的特征向量也维数较高,对后续分类器性能提出较高要求并且分类效果存在很大的未知性等问题,通过实验,对3种人工神经网络分类器和支持向量机分类器的烟雾图像特征甄别效果进行了详细对比。结果表明:基于支持向量机的分类器在复杂的森林背景情况下对烟雾有很好的分辨能力,其识别准确率达到94.26%,并且在识别准确率和分类速度两方面都超过了作为对照的3种神经网络分类器。      

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。      

基于支持向量机的油菜缺素诊断研究

针对油菜常见的缺素现象,提出将支持向量机应用于油菜缺素种类识别。首先,确定支持向量机 分类过程中所用的特征值,选择RGB 和HSV 颜色空间中的分量作为颜色特征,选择能量、熵、对比度、相关 性的均值和方差作为纹理特征;其次,将支持向量机用于分类模式识别,并与神经网络分类识别进行比较,仿 真结果表明：支持向量机的分类精度高,性能更好;最后,通过遗传算法对支持向量机参数进行优化,可以看 到最终的分类准确率有所提升,起到了优化的效果。     

基于专家系统的穴盘苗品种识别算法设计与试验

为提高穴盘苗品种识别准确率,确保全自动穴盘苗移栽的实施,设计基于专家系统的识别算法。首先对采集穴盘苗图像进行K均值聚类算法图像分割、二值化和形态图像处理,获得0.6L-0.4(R+B+G)/3、0.3b-0.7a、H+0.2S、0.3L-0.7a等4个颜色特征值向量和长宽比、椭圆扁率、矩形度、傅里叶描述子等4个形状特征向量。然后对图像特征进行语义转换,构建穴盘苗知识模型,并设计苗的知识库及推理机,推理采用了不确定推理算法及学习算法。系统采集了120盘10个品种的穴盘苗,采用专家系统识别试验,成功率达到了98.3%,而相同样本采用支持向量机(support vector machine,简称SVM)的识别率是84.0%,采用粒子群优化支持向量机(particle-swarm optimization SVM,简称PSOSVM)的识别率是86.3%,采用反向传递(back propagation,简称BP)神经网络的识别率是62.0%,证明基于专家系统的识别方法可以满足自动移栽作业要求。     

一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性，提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机，得到RBF网络较优的初始结构和参数；随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明，混合学习算法学习效率高，网络性能优良，应用于函数逼近时效果优良．     

基于多传感器数据融合的早期林火识别

针对我国林火监测现状,为加强近地面监测中的早期林火发现,提出采用多传感器数据融合算法对早期林火进行识别的方法。通过设计林火仿真试验,采集CO₂浓度、CO浓度、烟雾浓度与空气温湿度等多传感器数据,并通过初步分析从中选取关键贡献率传感器数据。然后分别采用BP神经网络算法、神经模糊系统算法与支持向量机算法对数据进行识别与分析, 并在每个算法中均设置三输入与九输入2种不同输入向量数以进行比较。最后通过定义的识别性能评价参数对识别效果进行比较,得出支持向量机算法在一定范围内能较好地实现对早期林火的识别。     

基于BP神经网络模型的果实蝇自动分类系统

果实蝇属昆虫危害水果和蔬菜,造成产量下降,影响对外贸易,对其识别是检疫工作中的重要部分,现有的人工辨识方法受时间、知识等因素影响不能准确、有效辨识。提出了一种基于BP神经网络模型的果实蝇分类方法,采用几何形态测量学中的标记点法对果蝇翅进行特征提取,通过方差分析确定了用于果蝇鉴定的11个主特征,建立3层BP神经网络模型,结合Levenberg-Marquardt BP训练函数对数据集进行训练,得到完整的可用于果实蝇分类的BP神经网络。实验表明,该方法能够对实蝇进行有效的辨识,对桔小实蝇、瓜实蝇、具条实蝇和南亚果实蝇等高风险果实蝇辨识的准确率分别是90.0%、93.3%、90.0%和96.7%,总体准确率为92.5%,具有良好的应用前景。     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

基于卷积神经网络的小样本树皮图像识别方法

针对在树皮图像分类过程中图像训练数据数量少、识别准确率低的问题,提出一种基于卷积神经网络的小样本树皮图像识别方法。以5种常见树种的树皮图像作为研究对象,在基于卷积神经网络的Inception_v3模型基础上,对原始数据集进行数据增强的一系列操作,扩大数据集的数量;在此基础上,对所有数据集进行白化处理,以降低数据之间的冗余性,使得特征之间相关性较低;采用ReLU激励函数和Dropout方法,防止训练时引起的过拟合现象;同时,在模型的最后添加3层全连接层,增强模型的特征表达能力,采用softmax分类器。最终确定了一个10层CNN模型:5个卷积层、2个池化层、3个全连接层。结果表明,上述网络模型对数据集的识别准确率为94%,并且为验证本研究方法的可行性,分别在MNIST数据集、ImageNet数据集、CIFAR-10数据集进行测试,识别准确率分别为92%、90%、93%。因此,提出的方法在小样本的识别试验中具有较高的识别准确率和一定的可行性。     

基于反射光谱的江淮分水岭区域典型农作物识别

对江淮分水岭区域观测的8种农作物冠层光谱进行数据重采样和植被指数计算,分析了4种常用指数和6种常用传感器对农作物的识别能力,同时采用识别效率最高的数据变换形式构建了BP神经网络模型。结果表明:8种农作物的反射光谱曲线存在较大差异;6种传感器对农作物的识别能力由大到小依次为ETM+、QUICKBIRD、IKONOS、MODIS、ASTER、HRG;模拟得到的ETM+和QUICKBIRD的近红外与红光波段反射率计算的归一化植被指数(NDVI)和简单比值植被指数(SR)对农作物的识别能力较强;在不同的数据变换形式中,对农作物识别精度最高的是一阶微分(FD,波长间隔6 nm),识别精度达87.3%;以FD(波长间隔6 nm)为输入数据集构建BP神经网络模型,当隐含层节点数为15时,识别精度最高,达90.0%。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法.首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类.实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作.     

基于深度学习的5种树皮纹理图像识别研究

目的针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。方法本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。结果对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。结论本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。      

基于改进BP网络的小麦品种识别

为了提高小麦品种的识别准确率,以河北农业大学选育的6个小麦品种为研究对象,对小麦籽粒图像进行中值滤波阈值分割等方法预处理后,对形态、颜色、纹理3个方面进行特征提取。其次利用BP神经网络对单个品种的小麦进行识别,然后结合主成分分析(PCA)法降维研究一次性识别多类小麦品种,最后为避免神经网络的局限性,利用PSO算法优化网络权值参数。结果表明:BP网络对单个小麦品种具有非常好的识别效果,其中河农7069品种的识别准确率达100%;结合PCA法降维后小麦品种平均的识别准确率为91.582%;利用PSO算法优化网络后识别准确率增加至94.3%,达到了更好的识别分类效果。     

基于颜色特征的草莓成熟度识别技术研究

草莓成熟度识别技术是草莓采摘机器人顺利完成采摘任务的关键。本研究以"丰香"草莓为研究对象,首先提取不同成熟度草莓的颜色特征,计算草莓图像在HIS颜色空间模型下H分量的均值和方差;然后计算草莓果实红色部分着色面积所占比例;最后,建立BP神经网络,以H分量的均值、方差和草莓红色着色面积比作为BP神经网络的输入,训练完成后,判断待测样本的成熟度等级。通过本研究实验方法划分成熟度等级与经验丰富的果农判断结果对比,实验正确率可以达到90%以上。