基于加权支持向量数据描述的遥感图像病害松树识别

利用安装在无人机平台上的双光谱相机所获取的可见光和近红外遥感图像,采用改进的加权支持向量数据描述多分类算法,实现病害松树识别.首先根据不同内容信息图像的特点,提取双光谱相机所获取的可见光图像和近红外图像各颜色分量作为相应像素点的颜色特征,再通过提取加窗图像块的灰度共生矩阵得到中心像素点的纹理特征,然后利用权重系数为每类样本分别作加权支持向量数据描述,实现松树状态的多输出分类识别,其中权重系数是通过建立关于训练样本中心距离的权重函数所确定.与传统的人工、航空和卫星遥感识别方法不同,利用无人机平台和双光谱相机获取遥感图像,具有可操作性强、费用低廉等优势.试验结果表明,相比传统的支持向量机和支持向量数据描述算法,改进的加权支持向量数据描述多分类算法更能准确地进行病害松树识别.     

基于SVM法线算法的特征基因提取

鉴于特征提取在基因分类中扮演的重要作用,提出了一种基于支持向量机法线算法的特征提取方法。首先,使用线性支持向量机对训练样本进行训练,求出支持向量;然后,根据SVM法线算法计算各特征的权重,来获得法线向量,剔除数据集中权重较小的冗余特征基因;最后,使用线性支持向量机分类器实现对有效特征基因子集的分类。用急性白血病数据集和结肠癌数据集进行了实验,结果表明：该方法识别效果良好,适应性强。     

基于改进支持向量机的盐碱地信息精确提取方法研究

【目的】探索无人机遥感下可以精确提取盐碱地信息的方法。【方法】以甘肃省景泰川电力提灌灌区一期灌区为研究区,采用Trimble UX5固定机翼无人机采集研究区遥感数据,提出了一种基于Ada Boost算法的改进支持向量机(SVM)分类的新方法,以实现盐碱地信息的精确提取。【结果】与传统SVM分类相比,改进SVM分类精度提升显著,总精度最高达96.55%,Kappa系数为0.957 3。改进前后不同类型盐碱地提取面积与实测面积相比,最大误差为5.4%,平均误差为2.16%。【结论】该文提出的基于改进支持向量机分类方法可有效提高遥感影像的分类精度。     

基于高光谱和频谱特征的注水肉识别方法

为实现注水肉快捷有效的识别,以猪肉为研究对象,利用高光谱技术分析了注水肉和正常肉的光谱特征,通过傅里叶变换的方法,提取样本的频谱特征参数,然后分别基于猪肉样本的全光谱、特征光谱和频谱特征参数,分别建立正常猪肉和注水猪肉的支持向量机（SVM）和BP神经网络分类识别模型,并采用验证集对模型性能进行试验验证。结果表明,基于频谱特征参数建立的神经网络分类识别模型具有最优的分类识别效果,正确识别率达98.8%;基于特征光谱建立的神经网络分类识别模型分类识别效果次之,正确识别率为96.4%;而基于全光谱建立的支持向量机分类识别模型分类识别效果最差,正确识别率只有84.5%。说明采用高光谱技术可以对注水猪肉进行快速而有效的检测识别。     

基于对抗域适应网络的土壤水分智能识别算法

【目的】使用传统卷积神经网络测量土壤含水率的识别准确率低、泛化性能差。为了满足重大工程扰动下的含水率测量需要,需提出一种适用于不同土壤类型且不受深度制约的探测方法。【方法】笔者搭建了室内实验平台,采集了延安、兰州和蓝田三个地区间隔等级为2%的8类不同土壤水分下的图像,构造了用于神经网络训练和测试的数据集。然后,基于对抗域适应算法（CDAN）,比较了ResNet、MobileNetV2、Xception和ViT四种网络,选取识别准确率最高的模型作为其特征提取器,构建基于对抗域适应的土壤含水率识别模型,对比分析含水率识别模型在不同迁移任务上的识别效果。【结果】域适应模型CDAN的测试准确率明显高于MobileNetV2、Xception和ViT等模型,对不同地区土壤含水率的测试准确率均达到68%以上,最高识别准确率为84.3%。【结论】使用域适应方法具有良好的泛化能力和识别精度,能够为开发土壤地质信息探测机器人的视觉系统提供算法支持。然而,目前的土壤含水率识别算法仅适用于实验室条件下所搭建的土壤含水率数据集,若想实现实际的工程应用,则需要进一步完善土壤含水率图像数据集,使室内搭建的算法实现...     

基于资源一号02C高分辨率数据的农业区土地利用分类

利用最小二乘支持向量机良好的非线性划分能力,基于资源一号02C高分辨率遥感数据,结合图像形状、纹理特征等信息,对农业区土地利用类型进行快速分类提取,结果表明:资源一号02C高分辨率数据可以快速有效地实现土地类型划分,加入特征信息后的图像分类精度大幅度提高,而最小二乘支持向量机的分类结果也十分理想,总体分类精度达到82.53%,Kappa系数达到0.807 1,高于传统图像分类方法,为利用国产高分辨率卫星进行土地类型划分提供了快速可行的方法。     

浅析LMD和支持向量机在旋转机械故障诊断中的应用

旋转机械长期处于连续运转状态,很容易发生故障。而其一旦出现故障,不仅会影响企业生产的经济效益,甚至还会引发重大事故。因此,对旋转机械进行状态检测及故障诊断有着重要现实意义。课题组提出了一种基于LMD和支持向量机相结合的故障诊断方法。这一方法首先运用LMD信号处理方法进行故障特征提取,然后采用支持向量机对提取的特征进行状态识别、分类。课题组以滚动轴承为例,阐述了基于LMD和支持向量机的旋转机械故障诊断的应用。     

小麦腥黑穗病害的模式识别诊断方法研究

针对小麦腥黑穗病害的形状和纹理特征选取了最有利于病害分类的6个特征参数,并分别利用最小距离法、BP神经网络和支持向量机3种模式识别方法实现了对小麦腥黑穗病害的诊断研究。对包括小麦网腥黑穗病、小麦印度腥黑穗病以及小麦矮腥黑穗病共48个孢子病害图像进行了分类诊断实验。实验表明,支持向量机法对小麦腥黑穗病的分类识别能力优于最小距离法和BP神经网络,当核函数是Sigmoid时,支持向量机法性能最优,总体识别率达到93.9%。     

基于支持向量机和色度矩的植物病害识别研究

针对植物病害彩色纹理图像的特点，提出将支持向量机和色度矩分析方法相结合应用于植物病害识别中。首先利用色度矩提取植物病害叶片的特征向量，然后利用支持向量机分类方法进行病害的识别。黄瓜病害纹理图像识别实验分析表明，利用色度矩提取病害彩色纹理图像特征简便、快捷、分类效果好；支持向量机分类方法在病害分类时训练样本较少，具有良好的分类能力和泛化能力，适合于植物病害的分类。不同分类核函数的相互比较分析表明，线性核函数最适于植物病害的分类识别。     

可变步长网格搜索法结合LIBSVM预测风机故障研究

针对风机的智能故障诊断,采用了一种可变步长网格搜索法寻优结合LIBSVM工具箱实现风机故障智能识别的方法。LIBSVM的信号特征输入选用风机振动信号的小波能量谱,用交叉验证法验证识别准确率,用LIBSVM仿真建立支持向量机分类模型,最后用测试样本测试,发现基于该方法可以保证支持向量机识别率并且可以有效减少运算量。     

基于高光谱的水稻稻曲病早期监测研究

为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机...     

基于支持向量机的水电机组故障诊断

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量-故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

基于SDAE-DATN的联合收割机跨设备故障检测

【目的】解决联合收割机单机故障样本收集困难,满足设备故障状态精确检测需求。【方法】课题组提出了一种基于栈式去噪自编码器（stacked denoising auto-encoder, SDAE）与深度对抗迁移网络（deep adversarial transfer network, DATN）的联合收割机跨设备故障检测方法。该方法利用随机噪声分量优化栈式自编码器网络,进而设计融合SDAE的DATN模型,自动捕获不同设备间的域不变特征,实现联合收割机跨设备故障精确检测。【结果】该方法可跨设备实现联合收割机正常运行工况下发动机转子故障、轴承故障与机匣故障的检测,且识别准确率为93.65%,显著高于已有同类模型。课题组所建的SDAEDATN模型能够准确、稳定实现联合收割机跨设备故障检测,对提升农业机械智能化水平具有重要意义。【结论】1）基于随机噪声优化的SDAE模型,可提升编码器鲁棒性,学习更具代表性的状态特征信息。2）融合SDAE的DATN模型,可完成源域和目标域间故障检测模型的自适应优化,有效完成联合收割机跨设备迁移检测任务。     

基于CT图像的苹果苦痘病与磕碰伤识别

对苦痘病进行持续、准确、量化的无损检测,以及育种专家对新品种苹果的抗苦痘病表型研究,都需要苦痘病准确识别技术的支持。针对磕碰伤对苦痘病识别产生干扰,降低了识别准确率问题,基于苹果CT图像,提出了一种苹果苦痘病和磕碰伤识别方法。首先,采用最大类间方差法、区域标记、中值滤波等方法,对337帧苹果CT图像进行图像分割和伤病区域定位;其次,对伤病区域进行特征提取,提取其形状特征、纹理特征和位置特征共18种特征信息;然后,利用多元逐步回归和类距离可分离性判据2种方法分别选取特征信息,将2种方法选出的相同特征作为本文的选用特征信息;最后,分别使用遗传算法优化的支持向量机和默认参数的支持向量机,对苹果苦痘病和磕碰伤进行识别。识别结果表明,经过遗传算法优化的支持向量机的总体识别准确率高于93%,默认参数的支持向量机算法的总体识别准确率高于84%。遗传算法优化后的支持向量机的识别准确率明显优于默认参数的支持向量机的识别准确率。     

基于支持向量机的水电机组故障诊

针对水电机组故障样本少的问题,本文将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量—故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

基于可见光机器视觉的棉花伪异性纤维识别方法

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。     

基于Sentinel-2的青铜峡灌区春小麦和苜蓿早期识别

【目的】基于决策树分类算法对青铜峡灌区春小麦和苜蓿进行早期识别。【方法】在实地调研的基础上,结合Sentinel-2遥感影像,构建能够不断融入遥感数据的决策树分类算法,对青铜峡灌区春小麦和苜蓿进行早期识别。【结果】4月上旬,由于春小麦和苜蓿生长特征较为相似,春小麦和苜蓿的总体分类精度分别为69%和75%。此后,随着观测数据的不断融入,分类精度逐步提升,5月14日二者的分类精度即可达到90%以上。5月31日利用全部5期卫星影像数据时,春小麦的总体精度可达到94%,Kappa系数为0.75,苜蓿的总体精度可达到97%,Kappa为0.86。2023年青铜峡灌区春小麦种植面积为24 000 hm²,苜蓿种植面积为2 000 hm²。其中,春小麦种植结构较为复杂,既存在集中连片的大规模种植,也存在大量面积较小的碎片化种植带。【结论】基于Sentinel-2遥感数据的决策树分类方法,可在4月上旬获取初步分类结果,在5月中旬苜蓿第1次收割之前对青铜峡灌区春小麦和苜蓿进行较为准确的识别。     

基于改进二叉树支持向量机的离心泵工况识别方法

为保证离心泵的安全高效运行,需要对离心泵的运行工况进行识别研究.首先,使用测试函数对比研究了经验模态分解、集合经验模态分解和互补集合经验模态分解3种振动信号特征提取方法,基于性能最优的特征提取方法提取不同工况下运行的离心泵振动信号特征数据.然后,对支持向量机模型进行改进,提出了一种使用k-means聚类算法优化的二叉树支持向量机模型,并将改进模型应用到离心泵4种不同运行工况的识别中.同时,使用其他2种多分类支持向量机模型作为对比.研究结果表明:3种特种提取方法中,互补集合经验模态分解无模态混叠迹象性,噪声干扰小,性能表现更好;改进支持二叉树向量机模型分类准确率可达82.17%,对设计的4种工况具有很好的分类效果;改进支持二叉树向量机模型结构简单,训练时间短,实时性好,综合性能优于其他2种模型.     

基于SVM的拖拉机齿轮箱多故障诊断方法研究

针对拖拉机齿轮箱多故障诊断需求,介绍了支持向量机(SVM)的分类原理,提出了利用SVM多类分类法解决多类故障同时出现情况下故障识别的难题,并给出了解决方法:把同时发生的两个故障看作第3种故障,再通过SVM多类分类方法进行故障识别.最后以拖拉机齿轮箱故障为例,进行仿真试验,结果令人满意.     

基于Google Earth Engine的黄土高原覆膜农田遥感识别

为了建立覆膜农田遥感识别技术体系,本研究选取甘肃省定西市安定区团结镇作为黄土高原地膜覆盖旱作农业代表性区域,基于Google Earth Engine云平台和Landsat-8反射率数据,采用特征重要性分析优选纹理特征,利用参数优化后的随机森林算法提取覆膜农田区域并选出最佳特征组合方案,最后通过对比随机森林、支持向量机、决策树和最小距离分类4种算法的分类结果来评价不同分类算法的性能。结果表明:优化关键参数后的随机森林算法能够显著提高遥感影像的分类精度;单一特征方案中,基于光谱特征的分类精度最高,且加入指数和纹理特征可提高总体识别精度;利用随机森林特征重要性分析选取的优选纹理特征分类性能优于全部纹理特征,基于"光谱+指数+优选纹理"特征方案的识别结果最佳,总体精度和Kappa系数达95.05%和0.94;与支持向量机、决策树和最小距离分类相比,随机森林优势明显,总体精度分别高3.10、7.74、50.78个百分点。本研究实现了对地形复杂地区覆膜农田空间分布较为精准的识别。