基于深度卷积神经网络的蚕蛹雌雄自动识别

蚕蛹雌雄识别的准确率直接影响到蚕种杂交率。现有的蚕蛹识别算法多数是以高光谱或近红外相机拍摄的图片作为输入,所需成像设备价格相对昂贵,且高光谱算法的高数据量与高计算量进一步导致其具有较高的应用成本。以普通数码相机拍摄的蚕蛹图片作为识别输入,提出了基于梯度特征的深度卷积神经网络(CNN)的蚕蛹雌雄自动识别算法。设计了包含4层卷积层的CNN,首先提取蚕蛹灰度图像的高级抽象特征,同时提取蚕蛹梯度图像的梯度直方图(HOG)特征,接着将高级抽象特征和HOG特征通过级联的方式进行融合,最后在现有数据训练集上最高达到100%的识别率,测试集的识别率平均可达95%左右,最高达到97.21%。试验数据表明蚕蛹图像的梯度特征也是蚕蛹雌雄识别的重要特征。提出的算法不需要红外或高光谱图片作为输入,降低了数据采集的设备成本和识别计算量。     

草原典型牧草的特征提取与识别研究

选择四种内蒙古乌兰察布市荒漠化草原的典型牧草,对牧草图像进行颜色、形状特征提取,以实现牧草的分类识别,为提高牧草管理信息化水平,实现多牧草种类分割识别及牧草盖度、频度等检测研究奠定基础。在自然光照情况下应用高清照相机采集尺寸、形状、大小各不相同的草原原始牧草图像,对羊草(Leymus chinensis)、鹅绒委陵菜(Potentilla anserine)、阿尔泰狗娃花(Heteropappus altaicus),冷蒿(Artemisia frigida)四种牧草图像提取9种RGB颜色一、二、三阶矩特征与6种宽长比等形状特征,统计获取相应的数据库,试验表明颜色矩、形状特征参数具有显著的差异。构建一种3层BP(Back propagation,BP)神经网络模型,应用主成分分析法(principal component analysis,PCA)优选特征明显的维数,降低计算成本、提升识别效率,四种牧草平均识别率为82.5%,上述试验证明该方法能够有效地对内蒙古草原典型牧草图像进行分类识别研究。牧草自动识别技术的发展为草业管理信息化提供数据支撑,是实现现代生态草原的重要途径。     

特征提取在图像处理中的应用

特征在图像处理中起着非常重要的作用。利用特征提取技术来提取图像的特性,通过这些特征可以快速的对字符图像进行分类和识别。我们通过对不同类型的特征和特征提取技术分析,研究在不同的特征类型中哪些特征提取技术最适合的,整个分析研究以字符识别为基础来进行。     

近红外和中红外光谱技术在快速鉴别豆粕中掺入尿素聚合物的研究

本试验旨在应用并比较近红外和中红外光谱技术结合模式识别方法对掺假的豆粕进行快速鉴别。试验收集了不同批次145个纯豆粕样品,随机选取部分纯豆粕样品,掺入0.08%~5.00%的尿素聚合物,利用傅立叶变换近红外和中红外光谱技术及偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)分类方法,对掺假豆粕进行识别。结果表明:近红外光谱经变量标准化后建立的SVM分类模型训练集识别率为99.8%,测试集识别率为99.2%,检测限为1.0%;中红外光谱数据经变量标准化和一阶导数7点平滑处理后,建立的PLS-DA和SVM分类模型对样品的识别率均达到100.0%,检测限为0.08%。因此,近红外和中红外光谱技术均可对掺入尿素聚合物的豆粕快速鉴别,后者的灵敏度高于前者。     

基于图像识别技术的豆科牧草分类研究

利用计算机图像处理技术,依据植物叶片图像的形状特征对14种豆科牧草进行分类识别。通过对叶片图像进行预处理,提取出叶片的轮廓。在此基础上提取了叶片形状的全局特征和局部特征;全局特征包括叶片的横纵轴比、矩形度、圆形度等8项几何特征和7个图像不变矩特征;局部特征为叶缘粗糙度。利用PNN(Probabilisticneural network)和BPN(Back propagation network)作为分类器进行识别分类,实现了对豆科牧草叶片图像的分类。识别结果表明,PNN网络的平均识别率为85.1%、BPN网络的平均识别率为82.4%。     

基于SVM的家蚕中毒分类识别研究

本文使用机器视觉和机器学习技术开展了家蚕中毒的自动识别研究,主要内容包括：首先选择健康和中毒家蚕图像为识别对象,构建了家蚕中毒识别图像数据集,其次对图像进行中值滤波、尺寸缩放和阈值分割等处理以增强图像特征差异,并利用RGB和HSV两种颜色模型求解图像样本的颜色矩,提取出基于灰度共生矩阵的纹理特征,使用机器学习中的经典算法支持向量机（SVM）创建出分类识别模型,在数据集上的平均识别率为93.54%。本文结果验证了使用机器视觉和机器学习技术开展家蚕中毒识别的可行性,为后续研究提供参考。     

步态识别技术研究综述

步态识别是生物特征识别技术的一个新兴领域,旨在根据人们走路的姿势进行身份识别。本文对步态识别过程的步态检测、步态特征提取、步态分类与识别三个阶段进行了综述,分析了现有步态识别算法的特点,总结了步态识别研究存在的问题及未来研究方向。     

虹膜识别专利技术综述

虹膜识别技术是生物特征识别技术的重要研究分支。本文立足于专利文献,对国内外有关虹膜识别技术的专利申请进行统计和分析,并对主要申请人进行了统计,最后总结了虹膜识别技术的技术脉络和研究方向。     

基于PCA和SVM的人脸识别

主成分分析(PCA)是人脸识别中特征提取的主要方法,支持向量机(SVM)具有适合处理小样本、非线性和高维数问题,利用核函数且泛化能力强等多方面的优点。文章将两者结合,先用快速PCA算法进行人脸图像特征提取和选择,用所选择的人脸特征向量训练多个支持向量机(SVM),最后用训练好的支持向量机(SVM)进行人脸识别的分类。在ORL人脸数据库上进行了实验,取得了满意的识别效果。     

基于PCA和SVM的人脸识别

主成分分析(PCA)是人脸识别中特征提取的主要方法,支持向量机(SVM)具有适合处理小样本、非线性和高维数问题,利用核函数且泛化能力强等多方面的优点.文章将两者结合,先用快速PCA算法进行人脸图像特征提取和选择,用所选择的人脸特征向量训练多个支持向量机(SVM),最后用训练好的支持向量机(SVM)进行人脸识别的分类.在ORL人脸数据库上进行了实验,取得了满意的识别效果.     

基于Multi-Light模型的奶牛个体识别研究

为了解决大规模智能化奶牛养殖场对奶牛个体识别存在模型大、识别速度慢的问题,试验构建了一种用于识别奶牛个体的多尺度轻量化卷积神经网络(Multi-Light)模型,将拍摄的奶牛图像经过标注后利用DeepLab V3模型从复杂背景中分割出单头奶牛图像;在Multi-Light模型中引入空洞卷积,保证该模型参数量不变的同时增强提取图像全局信息的能力;加入多尺度卷积模块增强该模型对不同尺度特征点的检测能力,在该模型中使用短路连接以保证特征不丢失,提升模型的识别精度;此外,利用通道注意力机制提高了该模型识别精度,同时使该模型具有更多的非线性;最后将分割得到的奶牛图像数据集输入Multi-Light模型进行训练。结果表明：Multi-Light模型对奶牛个体识别的精度达98.51%,高于其他经典模型对奶牛个体的识别率;与轻量级模型对比,Multi-Light模型的大小为5.86 MB,在具备高识别精度的前提下参数量较少。说明试验所搭建的Multi-Light模型克服了传统方法中需要对特征进行人为提取、提取特征方法不够鲁棒、识别模型参数量大及识别速度慢的缺点,为奶牛个体轻量化识别提供了参考。     

对矿山地球物理信息的采集方式及机理的探究

井下地球物理信息是决定采矿方法和灾害防治的根本数据来源,十分重要。目前类似矿井人员识别跟踪系统的数据传送均采用一般窄带通信方式。用这种方式在井下对车辆识别进行常规测试时,识别准确率比地面测试有所下降,并产生信息误报。为从根本上解决问题,而引入扩频技术,采用直扩工作方式,达到彻底抑制干扰的目的,保证了信号的准确性。     

基于P3电位的目标检测研究

P3波反映受试者对刺激的接受、处理以及反应等认知过程,不受刺激的物理特性影响,在现实中具有广泛应用场景。本文设计了基于P3电位的目标检测系统,在预处理模块中,采用带约束的ICA、时间滤波和去趋势方法去除噪声、伪迹和基线漂移;在特征提取模块中,利用多维经验模态分解方法提取预处理后的EEG信号特征;最后,在模式分类模块中,训练过的LDA方法来分类从每段EEG中提取出的特征向量。对城市真实场景下的特种车辆的检测进行了实验,分类准确率达到97%。实验采用单次刺激信号提取,大大提高了目标检测的速度,具有实际应用价值。     

基于深度学习的草坪杂草识别与除草剂喷施区域检测方法

本文以狗牙根草坪及其伴生杂草毛花雀稗、白三叶以及莎草为研究对象,提出了一种基于深度学习的草坪杂草识别及除草剂喷施区域检测方法。通过将原图划分为若干格子区域,利用神经网络模型对格子图片进行杂草识别,实现杂草定位并进而确定除草剂喷施区域。为探究不同神经网络模型对杂草识别的效果,选取VGGNet模型、GoogLeNet模型和ShuffleNet模型,分别以F₁值、准确率和识别速度进行对比分析。验证集下所有模型的F₁值都高于0.97,表明本研究中的三个模型对于杂草都有较好的识别效果。其中,GoogLeNet模型为杂草识别最优模型,拥有最为均衡的识别率和识别速度。其在测试集的平均准确率和识别速度分别为98.75%和36.9 fps,能够用于草坪实时杂草识别应用。结果表明,本研究提出的草坪杂草识别与除草剂喷施区域检测方法具有高度的可行性和较优的应用效果,可用于基于除草剂精准喷施的草坪杂草防控。     

近红外光谱结合线性判别快速无损鉴别婴幼儿和中老年奶粉

应用近红外光谱分析技术(NIRS)并结合线性判别,对中老年和婴幼儿2种不同年龄阶段奶粉品种进行鉴别。对奶粉样本的原始光谱进行一阶微分处理后,采用Kennard-Stone法对80个样本进行挑选,选出60个作为训练集,剩余的20个作为预测集。采用留一交叉验证评价算法,选取最优主成分数2建立模型,并对测试集进行预测,正确率为100%。说明提出的方法具有很好的分类和鉴别作用,为婴幼儿奶粉的品种快速无损鉴别提供了一种新方法。     

基于MATLAB的车牌识别系统的研究与实现

车牌识别作为智能交通系统的重要部分,能实现对车辆的自动监测,对交通系统的自动管理有着重要的意义。本文在计算机图像识别和处理的相关原理上,首先对车牌识别系统中的图像的预处理、车牌字符分割及识别等关键技术进行研究,并在此基础上开发了一个基于MATLAB的车牌识别系统。通过测试结果表明,设计的车牌识别系统有较好的识别效果。     

基于AlexNet的Oxford花卉识别方法

介绍了对Alex Net深度卷积神经网络进行优化的一种方法 ,该方法能够更好的实现非刚性物体的识别,并以Oxford的102种花卉用于训练和测试,构建了一个新的卷积神经网络模型,后对测试结果进行逐步优化。原Alex Net网络测试识别精度为61.2%,优化网络结构及网络顺序后精度提高到66.3%,解决类间不平衡问题后测试精度提高为71%。结果表明,本文提到的算法可以提升大约10%的精度。     

基于MATLAB的梅花鹿面部识别研究

图像识别是现今计算机视觉中一个重要的研究方面,而特征提取是其中的关键技术,线性判别分析算法是最常用的算法之一。文章介绍了计算机图像处理技术的预处理过程,包括与处理过程中的小波分解、二值化、直方图均衡化等,并对其灰度值进行对比。同时提出一种解决小样本在特征提取时的解决算法SLDA。结果表明:该算法对解决小样本问题有明显改善,为后续进行特征提取、目标检测提供了技术支持。     

基于三个特征点的人体跌倒检测

设计了视频监控跌倒检测系统,采用人体姿态分析,通过人体轮廓提取、星形骨架提取、人体部位识别等步骤对视频图像进行处理,首先检测出三个特征点。由特征点构成了跌倒判断的特征向量。根据三个特征点相对位置的变化和特征向量与水平地面的夹角,来区分跌倒与正常人体活动的差别。以3个志愿者的步行、坐下和蹲下三类最具代表性动作为实验样本,采用上述方法进行测试。实验结果表明系统能有效检测跌倒,总体成功率超过90%,对正常活动的误报率仅7.5%。     

电子鼻技术在原料乳风味检测中的应用

检测牛奶中风味物质,确定原料奶的来源对乳制品质量控制是非常重要的。利用电子鼻技术开展了不同奶厂来源奶的识别研究,采用Wilks统计量对电子鼻传感器获取数据的特征优化,分别使用了Bayes算法、最小二乘支持向量机在不同厂来源奶的识别中进行了应用。试验结果表明Bayes算法、最小二乘支持向量机可以对8个不同厂家的牛奶进行分类识别。