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...     

基于多分类器DS证据理论融合的水果识别研究

针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法.该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结...     

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。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

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。     

基于图像处理和BP神经网络的玉米叶部病害识别

为快速诊断识别玉米叶部病害,及时采取防治措施,提高玉米产量,本文将图像处理技术和BP神经网络算法引入到玉米叶部病害识别诊断中。对田间采集的玉米叶部病害样本图像进行背景去除、灰度化处理、阈值分割、噪声去除等预处理操作,实现叶部病害图像的分割;通过提取病害图像颜色特征和形状特征的17个参量,作为BP神经网络的输入,实现了玉米叶部常见六种病害的分类识别。实验结果表明,6种玉米叶部病害的平均识别率为93.4%,取得较好的识别效果,具有一定的实用价值。     

基于多特征融合与支持向量机的葡萄病害识别

以葡萄的黑腐病、轮斑病、褐斑病为研究对象,以应用小样本数据集和避免使用病斑形状特征进行病害识别为研究目标,研究了基于机器视觉和机器学习的葡萄病害识别方法。对葡萄病害图像进行预处理后,提取了RGB颜色矩、HSV颜色直方图特征、GLCM纹理特征、HOG特征共4种特征集,采用级联融合方式得到2 037维葡萄病害特征,并利用支持向量机算法进行识别训练和测试。结果表明,采用4种特征融合的方式在小样本集下能够获得较好的识别准确率,优于仅使用颜色或者纹理特征的识别方法,且能取代融入病斑的形状特征识别方法。     

基于核K—均值聚类算法的植物叶部病害识

针对植物叶部病害图像的特点,首先对采集到的玉米病害彩色图像采用矢量中值滤波法去除噪声,然后提取玉米病叶彩色图像的纹理特征和颜色特征作为特征向量,利用Mercer核,把输入空间的样本映射到高维特征空间进行K-均值聚类以及植物病害识别.试验涉及的4种玉米病害识别正确率达82.5%,核K-均值聚类方法适合玉米叶部病害分类.     

基于复杂环境的番茄叶部图像病虫害识别

针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机(SVM)的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征(CCL),采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。     

小麦叶部病害彩色图像特征提取研究

针对小麦叶部病害智能识别系统,提出了基于颜色、纹理和形状特征的特征提取方法。首先,针对RGB和HIS颜色空间,定义这两种颜色空间的转换公式,并提取14个颜色特征;其次,利用灰度共生矩阵方法得到16个纹理特征;再次,借助于不变距理论获取13个形状特征;最后,以4种小麦叶部病害为研究对象进行试验。结果表明:本文提出的特征提取方法,系统识别率较高,符合实际应用的要求。     

基于动态集成的黄瓜叶部病害识别方法

对作物病害类型的准确识别是病害防治的前提。为提高病害识别的准确度,以黄瓜叶部病害识别为例,提出一种基于动态集成的作物叶部病害种类的识别方法。首先利用图像分块策略提取病害图像的75维颜色统计特征,然后采用不一致度量方法对构建的10个BP神经网络单分类器进行差异性度量,并按照差异性大小进行排序,最后根据分类器的可信度,动态选择差异性大的分类器子集对病害图像进行集成识别。在由512幅白粉病、霜霉病、灰霉病和正常叶片4类黄瓜叶片组织图像构成的测试集上,所提方法的识别错误率为3.32%,分别比BP神经网络、SVM、Bagging、Ada Boost算法降低了1.37个百分点、1.56个百分点、1.76个百分点、0.78个百分点。试验结果表明:所提方法能够实现黄瓜叶部病害种类的准确识别,可为其它作物病害的识别提供借鉴。     

基于特征融合和SVM的稻谷品种识别

为快速有效地识别稻谷品种,提出一种基于特征融合和SVM的稻谷品种识别方法。采集华南双季稻区4种不同的籼稻品种(象牙香占、江航丝苗、小农占和五优234),采用图像处理的方法对稻谷图像进行灰度化、二值化和形态学处理等预处理操作,提取稻谷图像的形状特征和颜色特征,建立单特征模型和融合特征模型,构建SVM分类器,进行稻谷品种识别试验,并进行模型选择和讨论。结果表明,两两品种差异性显著的6个形状特征参数为:面积、长轴长、短轴长、离心率、周长和形状因子;形状特征模型对于不规则形状和大小的谷粒品种具备较好的识别能力;与BP神经网络识别模型相比,SVM模型的识别率更高、时间更短。基于特征融合和SVM的稻谷品种识别获得较高的准确率99.50%和较短的识别时间0.165 s,可满足稻谷在线识别与质量检测的精度和实时性要求。     

基于改进MobileNetV3的水稻病害识别模型

针对水稻病害识别方法准确度低、模型收敛速度缓慢的问题,本文提出了一种高性能的轻量级水稻病害识别模型,简称为CA（Coordinate attention）-MobileNetV3。通过微调的迁移学习策略完善了模型的训练,提升了模型收敛速度。首先创建10个种类的数据集,其中包含9种水稻病害和1种水稻健康叶片。其次使用CA模块,在通道注意力中嵌入空间坐标信息,提高模型的特征提取能力与泛化能力。最后,将改进后的MobileNetV3网络作为特征提取网络,并加入SVM多分类器,提高模型精度。实验结果表明,在本文构建的水稻病害数据集上,初始的MobileNetV3识别准确率仅为95.78%,F1值为95.36%;加入CA模块后识别准确率和F1值分别提高至96.73%和96.56%;再加入SVM多分类器,通过迁移学习后,改进模型的识别准确率和F1值分别达到97.12%和97.04%,参数量和耗时仅为2.99×106和0.91s,明显优于其他模型。本文提出的CA-MobileNetV3水稻病害识别模型能够有效识别水稻叶部病害,实现了轻量级、高性能、易部署的水稻病害分类识别算法。     

多颜色空间中玉米叶部病害图像图论分割方法

为了提高农田自然背景下玉米叶部病害诊断精度,提出了一种多颜色空间下的玉米叶部病害的图论分割方法.该方法在不同的颜色空间中引入图论进行分割,分别在单一颜色空间下将玉米病害的分割问题转换为图的分割问题,再通过有效的融合方法对初始的分割结果进行信息融合.通过对玉米叶部病害图像的分割实验表明,该方法的分割效果较好.在多种颜色空间下进行玉米叶部病害的图论分割方法是可行的、有效的.     

支持向量机在黄瓜病害识别中的应用研究

探讨了采用支持向量机对黄瓜病害进行分类的方法;提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量,利用支持向量机分类器,选取4种常见核函数,以Matlab7.0为平台对10类常见病害进行识别.结果表明,SVM 方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM 分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM.     

基于图像处理的温室黄瓜霜霉病诊断系统

为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。     

基于核相互子空间法的番茄叶部病害快速识别模型

近年来,基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异,通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征,引入核相互子空间法（KMSM）,建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数,将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间;然后对映射的高维空间进行主成分分析,建立非线性病害特征空间;最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像,以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明,当每类样本集数量为350张时,本研究所提出的CCHKMSM模型识别率达到100%,模型训练时间为0.1540 s,平均识别时间为0.013 s;同时,在样本数量150张到1000张的测试区间内,模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型,与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中,通过对原始图像切割分块后,对各病害的平均识别率为96.21%。试验结果表明,本研究提出的CCHKMSM模型识别准确率高且计算量小,其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低,具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。     

玉米籽粒特征提取及主成分分析

玉米种子的形态特征、颜色特征及纹理特征参数对玉米种子的质量评定和品种的识别有着决定性的作用,然而对种子的所有特征进行提取,并用其作为判别标准不仅计算量大而且因为数据存在相关性而影响准确率。本文针对这个问题对玉米种子的特征进行提取后并用主分量分析方法进行特征优化,利用此结构构建的特征库实现径向基SVM对玉米品种的识别,验证其准确率高达97%。     

基于多传感器信息融合的水工闸门故障诊断

针对水工闸门安全检修困难、检修效率低的问题,提出了一种基于支持向量机（Support vector machine,SVM）和改进D-S证据理论的信息融合水工闸门故障诊断方法。该方法通过提取不同传感器诊断信号小波包信息熵特征构建特征子空间,然后在每个特征子空间构建诊断子网络,最后使用改进证据理论对每个诊断子网络的输入进行决策层融合,从而水工闸门的多信息融合诊断结果。闸门故障诊断实验结果显示,信息融合的闸门故障诊断方法可有效识别弧形闸门故障种类,其故障诊断准确率达到了98.33%,同时诊断可靠度高,各类故障的诊断不确定度均小于1%。实验结果验证了智能故障诊断方法用于水工闸门领域的可行性,对于改进水工闸门故障检修方式,推动水利工程智能化的发展具有重大意义。