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SVM和DS证据理论融合多特征的玉米病害识别研究

针对玉米叶部病害图像的颜色、纹理、形状特征对病害影响的差异性,提出一种结合单特征下的SVM识别准确率和识别结果的融合多特征玉米病害识别方法。首先对预处理后的玉米病害图片提取颜色、纹理、形状3种特征,对应每一种特征构建一个SVM分类器,结合3个SVM分类器的平均准确率和识别结果作为证据理论的3个证据,构建D-S证据理论的基本概率分配函数(BPA),最后根据D-S证据理论决策规则进行决策级融合,依据决策条件输出最终识别结果。结果表明,结合SVM识别准确率和识别结果来对玉米的灰斑病、弯孢菌叶斑病、锈病三种病害进行识别,准确率分别为95%,85%,100%,平均准确率为93.33%,该方法对玉米叶部病害的识别更准确和稳定。     

基于D—S证据理论的决策级多特征融合苹果分级方法

针对单特征苹果分级的不确定性和低正确率,通过图像处理提取大小、形状、颜色和缺陷4类能反映苹果外观品质的主要特征,引入信息融合的思想,以单特征初步分级的结果作为证据,用D-S证据理论的方法进行决策级融合处理,实现苹果的多特征综合分级,进一步提高可靠性和分级正确率.80个测试样本的分级试验表明,苹果分级正确率达92.5％,与单特征分级相比,此方法正确识别率高、稳定性好、效果显著.     

基于SVM的多方位声散射数据协作融合鱼分类与识别

为解决基于声散射数据的鱼分类与识别问题,提出了一种基于SVM的多方位声散射数据协作融合鱼分类方法。首先,提取多方位声散射数据的小波包系数奇异值、时域质心及离散余弦变换系数特征,并进行特征融合;然后,采用支持向量机(SVM)分类器对每个方位提取的特征做出决策,并将决策结果表示成后验概率的形式,同时利用每个方位的决策概率对其他方位的决策进行加权;最后输出分类结果。采用3类鱼作为研究对象,得到不同方位数量条件下基于协作融合方法的分类正确率最终达到92%以上。试验数据处理结果表明,随着方位数量的增加,总体分类正确率呈升高的趋势,基于SVM的协作融合方法可以有效提高分类正确率。     

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。     

基于D-S证据理论的鸡蛋新鲜度多传感器融合识别

为提高无损检测在判断鸡蛋新鲜度方面的稳定性和模型适应性,通过D-S证据理论和BP神经网络将电子鼻和机器视觉两种传感器在特征层进行融合,构建了鸡蛋新鲜度的融合模型.探讨了一种可以弥补D-S证据在信息融合过程中不足的改进方法.验证试验结果表明:通过融合优化,不确定性的基本概率赋值下降到0.01以内,解决了单一检测方法检测模...     

基于D-S证据理论的猪舍环境状态识别研究

针对猪舍环境因子复杂且难以精确控制,提出一种基于D-S证据理论的数据融合算法对猪舍环境状态识别。首先,采集各个传感器的特征值,引入模糊隶属度函数确定概率分配函数;其次,采用改进K-L证据间距离,通过分配各个证据源融合权重来解决证据冲突问题;最后,将分配权重后的概率分配函数使用分布式融合机制得到最后识别结果。结果表明:D-S证据理论融合输出最高为0.629 3(状态Ⅲ),相比于下一项的0.119 8(状态Ⅱ)差值为0.509 5,识别效果显著,具有较高的实际应用价值。     

基于深度特征的稻田苗期杂草识别方法研究

稻田杂草主要在水稻秧苗封行前与其竞争水肥光等资源,也为病虫害提供滋生条件。由于目前主要防控方式为除草剂无选择性地喷施,造成大量的农药浪费和环境污染。由于除草剂针对杂草的靶向喷施可大量减少农药使用量,笔者提出了一种基于深度卷积特征的稻田苗期杂草识别方法,采用支持向量机(Support Vector Machine,SVM)和k最近邻算法(K-Nearest Neighbor Classifier,KNN)两种算法针对6种杂草的深度卷积特征进行识别。实验结果表明:基于SVM深度特征分类准确度高于KNN算法,两种算法针对苗期杂草深度特征识别精度都高于94%,可满足田间杂草除草剂靶向喷施的应用需求。     

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。     

大豆田间杂草的光谱识别研究

精确施药的关键是快速正确识别杂草。为此,利用ASD野外便携式光谱仪,在田间测量了大豆、马唐和稗草植株冠层在350～2 500nm波长内的光谱数据,经过数据预处理,数据分析波长选为350～1 300nm和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法 ,用线性、多项式、径向基和多层感知核函数对大豆和杂草建立二分类模型。结果表明:三阶多项式核函数SVM分类模型的正确识别率最高,达到85%以上,且支持向量比例较小;以二分类模型为基础,利用投票机制建立了大豆、马唐和稗草的一对一多分类SVM模型,正确识别率达83%;田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中的应用潜力很大。此研究为田间杂草识别及传感器的建立提供了研究思路和应用基础。     

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。     

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。     

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%.     

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。     

基于图像处理的日光温室黄瓜病害识别的研究

根据日光温室黄瓜病害的彩色纹理图像的特点，将支持向量机和色度矩方法用于识别黄瓜病害。在进行分类时，首先以色度矩作为特征向量，然后将支持向最机分类方法应用于黄瓜病害的识别。通过黄瓜病害纹理图像识别实验分析表明，以色度矩作为病害彩色纹理图像的特征向量简便、快捷、分类效果好；支持向量机分类方法在黄瓜病害训练样本较少时也具有良好的分类能力和泛化能力，非常适合于黄瓜病害的分类问题。不同分类核函数的相互比较分析表明，线性核函数最适合黄瓜病害识别。     

基于SVM的温室黄瓜病害诊断研究

针对温室黄瓜霜霉病、角斑病、白粉病这3种常见病害图像的特点,提出了将支持向量机方法应用于黄瓜这3种病害识别中.首先选择HIS颜色空间作为图像特征提取的空间,以避免光照强度对图像获取的影响,然后利用支持向量机分类方法进行病害的识别.实验分析表明,HIS颜色系统基本上消除了图像获取时,光照强度对图像的影响;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.不同分类核函数的比较结果是径向基核函数的SVM方法对黄瓜这3种病害的识别率达到了90%以上,最适于黄瓜3大病害的分类识别.     

基于纹理特征和SVM的QuickBird影像苹果园提取

为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。     

基于无人机-卫星遥感升尺度的土壤水分监测模型研究

土壤水分是研究土壤-植物-大气循环系统中能量与物质交换的关键,通过尺度转换方法将无人机遥感数据上推以修正卫星数据,可有效改善卫星遥感反演模型精度。本文以河套灌区为研究对象,分别采用重采样和TsHARP升尺度法,引入多元线性回归(MLR)、BP神经网络(BPNN)和支持向量机(SVM)算法构建不同土壤深度下无人机-卫星升尺度土壤含水率反演模型。研究结果表明：重采样升尺度法在不同土壤深度下模型整体精度由高到低依次为SVM、MLR、BPNN,其中在土壤深度0～60 cm下采用SVM模型最优,R²达到0.571,RMSE为0.022%;TsHARP升尺度法在不同土壤深度下模型整体精度由高到低依次为BPNN、SVM、MLR,其中在土壤深度0～60 cm下采用BPNN模型最优,R²达到0.829,RMSE为0.015%。与升尺度修正前对应土壤深度模型对比,两种升尺度方法均能明显提高卫星遥感对土壤含水率的反演精度,但TsHARP升尺度法整体优于重采样法;重采样法的R²由0.413提升至0.571,RMSE由0.026%降至0.022%...