基于支持向量机的缺陷红枣机器视觉识别

在枣的干制过程中形成的油头枣、浆头枣、霉烂枣是最常见的缺陷枣,它们整体或局部颜色偏暗、偏黑,有必要通过机器视觉技术将其识别出来.在HIS颜色空间中,提取H的均值和均方差作为红枣的颜色特征值,利用支持向量机识别缺陷红枣.实验结果表明,识别准确率可以达到96.2%,优于人工神经网络的89.4%.     

采摘机器人基于支持向量机苹果识别方法

针对目前苹果采摘机器人果实识别过程误差大、处理时间长等问题,应用支持向量机(SVM)方法对苹果果实进行识别.首先采用矢量中值滤波法对苹果彩色图像进行预处理,然后运用区域生长算法和颜色特征相结合的方法进行图像分割,最后分别对苹果彩色图像的颜色特征、几何形状特征进行提取,并用支持向量机的模式识别方法识别苹果果实.实验结果表明:支持向量机识别方法的识别性能优于神经网络方法;综合颜色特征和形状特征的支持向量机识别方法对苹果果实识别的正确率高于只用颜色特征或形状特征的正确率.     

基于支持向量机理论的植物根系图像边缘检测方法

由于传统边缘检测方法中存在噪声大、粗糙边缘和不准确边缘等缺点,因此在植物根系的研究中,采用传统的图像边缘检测方法检测出来的边缘信息都无法达到令人满意的效果.为此,基于支持向量机方法给出了一种改善的边缘检测算法.同时,提出了边缘检测算法流程,然后使用支持向量机分类方法对图像进行边缘检测;用所得到的边缘检测算法与Canny算法和Prewitt算法的性能进行了比较.仿真结果表明,给出的算法与Canny算法和Prewitt算相比,不仅边缘检测性能得到提高,而且可以一定程度地克服噪声干扰.     

基于支持向量机的鸭蛋破损检测技术

基于传统统计学理论基础的鸭蛋破损检测方法有理论缺陷,因此提出了基于支持向量机的检测方法.试验结果验证该方法具有训练样本少、学习推广能力强等优点;基于径向基核函数(RBF)的SVM对鸭蛋破损检测的识别效果最佳,总体正确率达到97.5%.     

基于机器视觉的麦田边界检测

针对不同时期麦田场景,提出了基于机器视觉的边界（田埂）检测算法。将摄像机安装在农田作业机械前方,在作业过程中采集麦田场景图像。根据麦田和田外区域的不同颜色及亮度特征,判断出田埂的位置以及田埂线的方向候补点群,使用过已知点的哈夫变换计算出田埂线的斜率。经过对多幅不同时期麦田图像的处理,证明本检测算法可以适应不同时期的麦田环境,并且具有速度快、抗干扰、准确性高等优点。     

基于径向基支持向量机的棉花虫害识别

针对棉花受棉蚜、棉叶螨、棉盲蝽、斜纹夜蛾和烟粉虱等害虫为害后叶片表面出现不同症状,利用计算机视觉技术识别棉花虫害.通过获取受害棉花叶片图像,预处理后转换至2G-R-B空间,结合Otsu算法实现色斑分割,提取色斑图像R变量、(R +G+B)/3变量的一阶矩、二阶矩和三阶矩为颜色特征,提取非色斑图像拓扑描述子和Hu不变矩为形状特征,提取2层双树复小波变换的细节图像均值和方差为纹理特征,并应用径向基支持向量机识别棉花棉蚜、棉叶螨、棉盲蝽、斜纹夜蛾、烟粉虱等虫害和正常叶片.试验结果表明,当径向基参数σ为3时,棉花虫害识别正确率达88.1％.     

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。     

基于支持向量机的机械系统多故障分类方法

提出了一种利用支持向量机(SVM)对机械系统故障进行分类的新方法；以二值分类为基础，开发了基于支持向量机的多值分类器。并以齿轮的多种故障分类为例，进行了实际应用验证。结果表明，该方法具有很好的分类能力和较高的计算效率，不需要对原始数据进行预处理就可达到满意的效果，可以满足在线诊断的要求，适合于机械故障诊断中的多故障分类。该方法的应用，为故障诊断技术向智能化方向发展提供了新的途径。     

基于机器视觉和支持向量机的温室黄瓜识别

针对复杂温室环境中的成熟黄瓜,采用脉冲耦合神经网络分割黄瓜图像,利用数学形态学方法处理,把黄瓜从图像背景中分离出来;提取各连通区域的4个几何特征值和灰度共生矩阵基础上的3个纹理特征值,作为最小二乘支持向量机(LS-SVM)的输入特征向量;利用训练好的分类器判别图像中的黄瓜。试验结果表明:用于试验的70幅黄瓜图像,正确识别率达82.9%,基于脉冲耦合神经网络分割结合LS-SVM的方法,适合复杂背景的温室黄瓜识别。     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

基于双目视觉的种植前期农田边界距离检测方法

针对目前基于全球导航卫星系统技术的农机自动驾驶地头转弯方法的局限性,提出了基于双目视觉的农田田埂边界的识别和测距方法,对具体方法的可行性、适用性及约束条件进行了分析。针对光照变化大、重复纹理多的农田环境,双目立体匹配的代价计算步骤采用了Census变换和截断梯度融合的方法、代价聚合步骤采用了多尺度代价合并的分割树算法,可快速得到良好的视差图。针对农田地面不平坦及作物生长高度不均的实际情况,对视差图构建的三维点云进行了自适应阈值点云提取和干扰消除等操作,实现了田埂边界的识别。另外,根据农田信息,对计算的平均边界距离进行了校正。实验表明,此算法可以实现早期作业农田的边界距离检测,对前方5～10 m的田埂识别率达到99%,测距精度随着检测距离的减小而提高,5 m时的测距误差约0.075 m。在NVIDIA Jetson TX2硬件平台上,算法运行时间约0.8 s,对于行驶速度小于1.5 m/s的农机可满足作业的实时性要求。     

径流预测的支持向量机应用探讨

支持向量机是近年来提出的一种新的机器学习算法，它能针对在样本有限的情况，采用结构风险最小化准则，把学习问题转化为一个二次规划问题来获得最优解，从而克服了神经网络易陷于局部极小值的缺点。尝试将支持向量机算法应用于径流预测，并与BP神经网络方法的预测结果进行了对比，证明SVM方法预测径流量精度要略优于BP神经网络方法。     

基于支持向量机模型的水质评价研究

将支持向量机方法应用到水质评价中,建立了RBF核函数支持向量机评价模型。根据石头口门水库水质特征,选择溶解氧、化学需氧量、高锰酸盐指数等五项指标作为输入因子进行评价,并与综合水质评价法、模糊综合评价法比较。研究结果表明石头口门水库主要为Ⅱ类和Ⅲ类水,呈汛期较差、非汛期较好的变化规律。通过实例验证,说明支持向量机方法能够较好的解决分类评价问题,评价结果良好,符合客观事实,具有很好的研究价值和推广前景。     

基于支持向量机的中国节水灌溉面积预测研究

为了了解未来几年中国节水灌溉面积的发展趋势,需要建立节水灌溉面积的预测模型。在对2000-2010年中国节水灌溉面积的统计数据进行归一化处理的基础上,采用支持向量机算法建立了回归预测模型。其中,2000-2009年的数据为训练样本,2010年的数据为检验样本。仿真预测与实际预测的结果表明该预测模型在所有预测样本点的相对误差的绝对平均值仅为0.14%,能满足对节水灌溉面积进行预测的需要。采用该模型对中国未来5年的节水灌溉面积进行了预测,指出了中国节水灌溉面积在"十二五"期间有加速增长的趋势。该研究结论对于了解未来中国节水灌溉的发展状况和制定相关规划具有重要的参考价值。     

基于小波分析的支持向量机径流预测模型及应用

针对径流年内、年际变化幅度大、单一方法难以预测的特点,提出基于小波分析的支持向量机径流预测模型。该模型从时频分析角度出发,把月径流序列分解成不同的频率成分,分别采用支持向量机进行预测。以淮河支流沙河上游某水库月径流预测为研究实例,得出了较满意的预测结果。通过与其它方法预测结果的对比分析,验证了模型的有效性,为径流预测提供了一条新途径。