基于特征优化和LS-SVM的棉田杂草识别

为了提高杂草识别的精度和效率,提出了一种基于特征优化和最小二乘支持向量机（LS-SVM）技术的棉田杂草识别方法。在对原始图像灰度化、滤波去噪和阈值分割等处理的基础上,提取植物叶片的6个几何特征和7个Hu不变矩,用粒子群优化（PSO）算法对形状特征进行优化选择,缩减LS-SVM训练样本数据,然后用训练好的分类器进行杂草识别。实验结果表明,该方法在有效缩减形状特征的同时,能够保持高于原始特征集的识别率,平均正确识别率达到     

基于图像处理和蚁群优化的形状特征选择与杂草识别

利用叶片形状特征区分杂草和作物是杂草识别的一个重要方法。为了提高杂草识别的精度和效率,通过形态学运算和基于距离变换的阈值分割方法分离交叠叶片,从单个叶片中提取包括几何特征和矩特征的17个形状特征,用蚁群优化（ACO）算法和支持向量机（SVM）分类器进行特征选择和分类识别,选取有利于分类的较优特征并实现特征的优化组合。棉田杂草试验结果表明,该方法能实现分类特征的有效缩减,经优化组合得到的最优特征子集用于杂草识别的准确率达95%以上,识别率高,稳定性好,对识别杂草时如何兼顾准确率和实时性具有参考意义。     

豌豆苗期田间杂草识别与变量喷洒控制系统

以图像实时控制器CVS-1456为核心设计了图像实时识别与变量喷洒系统.在普通光照下分别采集包含豌豆苗、土壤背景、杂草(刺儿菜)等的原始图像,分析其颜色模型,根据色差分量R-B颜色特征采用LabVIEW和IMAQ Vision编程实现杂草实时识别.基于Canny算子对识别的杂草进行边缘检测,并提取目标杂草的面积、密度和形心位置3个特征参数为变量喷洒定位提供依据.随机试验表明:基于R-B色差分量对豌豆苗期复杂背景下刺儿菜杂草平均正确识别率达到83.5％,均方差0.066,该方法准确可靠.     

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.     

基于多特征融合的田间杂草分类识别

提出了一种基于模糊BP综合神经网络的田间杂草分类识别方法。对分类特征进行模糊化处理,充分考虑了杂草的分类特征本身存在的不确定性。使用遗传算法对网络结构进行优化处理,提高了该综合神经网络的收敛性和稳定性。并基于特征级数据融合方法进行杂草识别。对田间7种杂草进行识别的实验结果表明,7种杂草的混合识别率达到94.2%;另外,对玉米及其伴生杂草进行分类测试,混合识别率达到96.7%,具有较好的识别精度。     

基于概率神经网络的玉米苗期杂草识别方法的研究

提出了一种基于计算机视觉技术和概率神经网络技术的玉米幼苗和杂草识别方法.首先利用类间方差最大自动阈值法对杂草图像的修正的超绿特征进行二值化处理;然后提取目标对象的形状特征参数作为输入向量,由概率神经网络(PNN)分类器识别出玉米幼苗.试验结果表明,该方法的有效性,对不同田间环境的玉米幼苗与杂草的准确识别率分别为92.5%和95%,效果优于使用BP网络.     

基于支持向量机的玉米田间杂草识别方法

提出了一种基于图像处理和支持向量机(SVM)技术的玉米和杂草识别方法.首先根据玉米与杂草、土壤彩色图像的特征提出一类图像灰度化方法,并通过对灰度图像的除噪处理有效地分离目标对象.然后从处理好的图像中提取出目标对象的形状特征参数作为输入特征向量,进而提出玉米田间杂草识别的支持向量机方法.试验结果表明了方法的有效性,通过适当选取核函数识别率可达到98.3%.     

基于DPLS和LS—SVM的梨品种近红外光谱识别

为了实现不同品种梨的快速光谱鉴别,采用主成分分析法(PCA)对光谱数据进行聚类分析,得到3种不同品种梨的特征差异,主成分分析表明,以所有建模样本主成分PC1和PC2做出的得分图,对不同种类梨具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于梨品种敏感的特征波段,用特征波段图谱作为输入建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。3个品种梨各70个共210个分别建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。对未知的24个样本进行预测,LS-SVM模型品种识别准确率达到100%,DPLS模型的校正及验证结果与实际分类变量的相关系数均大于0.980,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于0.100,品种识别率为100%。表明提出的方法具有很好的分类和鉴别作用,提供了梨的品种快速鉴别分析方法。     

基于多光谱图像和 SVM 的玉米田间杂草识别

为解决变量喷洒对杂草识别速度与正确率的要求,提出了一种基于多光谱图像和SVM 的杂草识别新方法。通过多光谱成像仪获得玉米与杂草图像,采用 IR-R 的多光谱融合并结合 Otsu 分割法完成背景分割;随后对植被图像进行目标分割与形态学处理,提取出所有植被叶片图像,在此基础上提取了叶片11个形状特征参数和纹理特征参数。为提高算法的实时性,对叶片的特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。结果表明,降维后对于未知预测样本的识别正确率达到85％,用时0．001415 s。与直接利用支持向量机的90％的识别率和0．105165 s的用时相比,该算法在满足识别率的同时,用时更少,为田间杂草的快速识别提供了一种新方法。     

卷积神经网络在黄瓜病害识别中的应用

针对传统的图像处理方法对于黄瓜病害的识别存在依赖人工提取特征以及识别精度较低等问题。本研究将卷积神经网络(convolution neural network,CNN)应用于黄瓜叶部病害识别,利用卷积层对原始病害图像进行特征提取,使用池化层对卷积层输出特征图进行压缩,从而减少模型训练时间,SoftMax分类器对识别结果进行分类。利用本研究方法在黄瓜病害叶片数据集上进行识别验证,结果表明该方法具有较高的识别率,能够满足黄瓜病害程度自动识别系统的需求。