共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
基于可见光机器视觉的棉花伪异性纤维识别方法 总被引:1,自引:0,他引:1
为提高皮棉质量和皮棉中异纤的检测精度,提出了一种基于机器视觉的棉花伪异性纤维识别方法。皮棉经过开松装置被制成薄棉层,检测通道两侧的相机对棉层进行拍摄,并将采集到的棉层及异纤和伪异纤图像保存到工控机,通过图像分块及阈值分割等算法,提取伪异纤目标区域,统计获取区域的数个颜色、形状和纹理特征,基于特征数据,分别使用BP神经网络、一对一有向无环图策略线性核函数支持向量机和径向基核函数支持向量机对两大类棉花杂质进行分类识别。实验结果表明,99.15%的伪异纤目标可被准确识别,径向基核函数支持向量机在棉花异纤和伪异纤分类识别中,总分类正确率为95.60%,能够满足在线检测的要求。 相似文献
11.
基于改进蚁群算法的棉花异性纤维目标特征选择方法 总被引:4,自引:0,他引:4
为提高基于机器视觉的棉花异性纤维在线分类的精度和速度,提出一种基于改进蚁群算法的棉花异性纤维图像目标特征选择方法。采用初始选择概率预处理方案,设置特征初始概率,降低了冗余特征影响,缩短了算法搜索时间;利用分段变异运算及取优舍劣策略,对棉花异性纤维的颜色、纹理、形状3类特征进行分段变异,避免了算法局部收敛,选出了全局最优特征集。实验结果表明,改进的蚁群算法比基本蚁群算法优化能力更强,搜索时间更短,优化得到的棉花异性纤维特征子集的特征个数比原特征集减少了2/3,分类正确率由84%提高到93%。 相似文献
12.
13.
14.
15.
关晓艳李亚 《农业装备与车辆工程》2022,(11):58-63
为了提高有遮挡车牌的识别准确率,提出一种改进深度残差网络(Deep residual network,ResNet)损失函数的车牌识别方法。首先运用图像平滑处理技术对图像特征进行增强,其次利用边缘检测算法实现对车牌的定位,然后基于先验知识按照标准车牌中各个字符的比例对车牌进行分割。在此基础上,运用改进后的Res Net网络对有遮挡车牌样本库进行训练以及识别,并采用同样样本大小的无遮挡车牌样本库进行对比实验。实验结果表明,改进后的Res Net网络采用有遮挡车牌样本库训练的模型具有较好的识别准确率,且更具有鲁棒性。 相似文献
16.
17.
18.
基于卷积神经网络的油茶籽完整性识别方法 总被引:2,自引:0,他引:2
针对现有油茶籽色选机无法识别碎籽的问题,提出一种基于卷积神经网络的油茶籽完整性识别算法。以油茶籽完整性识别为目标,构建油茶籽图像库;基于油茶籽完整性识别任务要求,通过对Alex Net网络进行优化得到适合油茶籽完整性识别的卷积神经网络模型,该网络具有4层卷积层、2层归一化层、3层池化层和1层全连接层。为了提高网络分类准确率和实时性,从网络结构简化和超参数优化两方面对卷积神经网络进行优化,最终网络结构(CO-Net)的分类准确率、训练收敛速度和泛化性能均得到了提高。实验结果表明,优化后的网络对油茶籽完整性识别准确率达98.05%,训练时间为0.58 h,模型规模为1.65 MB,单幅油茶籽图像检测平均耗时13.91 ms,可以满足油茶籽在线实时分选的要求。 相似文献
19.
为有效辨别雏鸡性别,提高养鸡效益,针对部分雏鸡的泄殖腔特征不明显、采集雏鸡泄殖腔图像易受光线影响的问题,提出了一种基于卷积神经网络和图像深度特征的雏鸡性别自动鉴别方法。以翻肛法采集的雏鸡泄殖腔图像为研究对象,利用卷积神经网络构建待识别雏鸡泄殖腔的深度特征和雏鸡泄殖腔的深度特征向量集合库;将待识别雏鸡泄殖腔的深度特征与雏鸡泄殖腔的深度特征集合库进行相似度比较,并对比较结果进行排序;将排序结果中排在前n个与待识别雏鸡泄殖腔图像最接近的深度特征,与待识别雏鸡泄殖腔的深度特征进行特征融合,再通过卷积神经网络进行识别。结果表明,本文方法在测试数据集的识别准确率达到了97. 04%,在生产环境下识别准确率达到了96. 82%,相比常规的卷积神经网络方法,本文方法提高了雏鸡性别的识别准确率。 相似文献
20.
基于迁移学习的卷积神经网络植物叶片图像识别方法 总被引:10,自引:0,他引:10
为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型(AlexNet、InceptionV3)在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。 相似文献