基于深度学习的植物图像识别方法研究

传统植物图像识别研究主要集中在植物叶片图像。研究将深度神经网络学习运用于植物识别领域,突破局部叶片图像的限制,对常规植物图片进行识别。该方法运用google Net的深度卷积神经网络结构,通过图像旋转、镜像、随机裁剪等数据预处理方法扩充训练集,再利用SGD(随机梯度下降法)进行模型算法优化,生成对50种常规植物图像的识别模型。结果表明,该模型在测试集上能够达到平均90%的准确率。     

基于CS-SVM的谷子叶片病害图像识别

利用图像识别方法对常见的谷子叶片病害进行判别,为制定合理的病害防治措施提供科学依据。试验采集了谷瘟病、白发病、红叶病、锈病共4种谷子叶片病害的原始图像,运用基于超绿特征的最大类间方差法对谷子叶片病害进行分割,提取谷子叶片病害颜色、形态、纹理等共计19个特征,采用蚁群优化算法选择了8个特征。运用布谷鸟算法(cuckoo search,CS)优化支持向量机(support vector machine,SVM)的惩罚因子c和径向核函数g,利用SVM对谷子叶片病害进行自动判别。结果表明,当c=80.2662,g=1.8467时,谷子叶片病害和叶片的平均识别率达到99%,表明基于CS-SVM的图像识别方法可对4种谷子叶片病害进行准确分类。     

基于植物叶片图像的植物病害检测方法

对植物病害准确、快速的识别是对植物病害采取防治措施的基础,同时对灾害评估也具有积极意义。在判别局部保持映射(DLPP)的基础上,提出了1种植物病害识别方法。该方法试图找到1个映射矩阵,使得高维数据映射后,在低维子空间同类样本之间的距离最小,而异类样本之间的距离最大,由此提高算法的识别率。采用该算法对3种常见玉米叶部病害的图像进行分类试验,并与其他植物病害识别算法进行比较。结果表明,DLPP对玉米病害的识别是有效可行的,识别精度高达85.5%。     

基于判别映射分析的植物叶片分类方法

流形学习的一个目标是寻找一个映射,使得邻域内不同类数据点之间的边界最大化.观察数据点映射后在子空间内使得同类数据点更聚集,而不同类数据点更分类.基于这个目标,提出了一种判别映射分析的算法,并将其应用于叶片分类中,该算法能够得到数据较优的判别分类特征,适用于样本分类.在瑞典植物叶片数据库上进行了试验验证,结果表明该方法是有效可行的.     

基于字典学习的马铃薯叶片病害图像识别算法

为实现马铃薯叶片病害识别,达到及时防治的目的,设计了一种基于压缩感知理论的马铃薯病害图像分类方法。采用K-奇异值分解算法(K-SVD)分别构造了马铃薯早疫病、晚疫病、灰霉病叶片图像病害字典,通过正交匹配追踪算法求解测试样本在不同病害字典下的稀疏系数矩阵,并进行图像重构,求解重构均方根误差。利用不同类别字典本身的差异性,测试样本重构时,误差最小的字典即为测试样本所属病害种类。与支持向量机识别算法相比,该方法能够自学习图像特征,大大降低了图像分割和特征提取复杂度。经对比测试,采用字典学习理论进行分类,马铃薯3种叶片病害单一病斑图片综合识别率达到95.33%,高于支持向量机分类识别算法(识别率92%)。     

中草药石楠叶片图像识别的研究

本设计结合MATLAB图像工具箱以及数字图像处理技术,对中草药石楠叶片图像进行相关的图像形态处理,实施图像分割、边缘检测等大量的对比实验,完成了对中草药石楠叶片的异常与否的检测;运用MATLAB软件编程开发了叶片缺陷识别系统。     

基于叶片图像处理和稀疏表示的植物识别方法

基于植物叶片图像的植物识别方法研究在保护生态环境方面具有十分重要的意义。针对植物叶片的复杂、多样性而导致很多基于特征提取的植物识别方法识别率不高的问题,提出了一种基于改进稀疏表示的植物识别方法。该方法利用最近邻准则实现稀疏表示,通过稀疏表示系数实现植物识别。该方法的创新点是将叶片图像识别问题转化为求解待识别样本关于训练样本的稀疏表示问题,是直接对原始叶片图像进行操作,而不需要进行特征提取和选择过程,由此提高了算法的识别效率。在6种叶片图像数据集上的试验结果显示,该方法对叶片图像识别是可行的,识别率高达94%以上。该方法为非线性、复杂叶片图像识别提供了一种途径。     

基于数学形态学的植物叶片图像分割方法研究

传统的边缘检测算子均属于线性滤波方法.数学形态学是一种非线性滤波方法,能够保持图像的基本形状特征,在图像处理各个领域广泛应用.仅用边缘检测算子或者数学形态学处理都不能得到理想的分割效果.根据边缘算子检测的结果,进行形态学滤波、数学形态学运算,采取不同的结构元素反复实验对植物叶片边缘信息进行提取.不用传统目测方法而是通过定量的分析实验结果,表明了边缘检测基础上进行形态学处理的分割方法的有效性.     

基于颜色差异性的植物叶片病害图像分割方法

针对植物叶部病害图像的复杂性,结合植物叶部病害彩色图像的特点,提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法。对采集的植物叶部病害图像,利用GrabCut算法对其进行背景分割,去除田间复杂环境背景;对其采用中值滤波和图像锐化处理,以尽可能保留图像的病害区域和边缘细节;再对处理后的图像,分别转换到基于生理特性的Lab颜色空间和YUV空间,结合Otsu方法,分别对图像的Lab灰度图及YUV空间的单通道灰度图进行二次分割;对二次分割的两幅图进行与操作,将其转换到RGB空间,即可得到最终的分割结果。利用该方法对常见的大豆、玉米、油菜、黄瓜等多种植物常见的多种叶部病害彩色图像进行了分割试验。结果表明,该方法取得了比较精确的分割图像,并且在抗噪性能、边缘细节保护和分割效率等方面也有很好的效果。     

植物花粉图像识别系统研究--Ⅰ. 图象处理及特征提取

本文论述了植物花粉图象识别系统设计中的图象处理及特征提取等问题。该系统设计采用VisualC 6.0 编程工具,在Windows95平台上实现了花粉图象的采集、变换、增强、边缘检测和分割等,并可提取花粉图象的轮廓、结构和纹理等识别特征,为花粉图象识别系统的核心部门——分类器的设计奠定了基础。     

基于区域分割匹配的图像识别方法研究

提出了一种基于区域分割匹配的图像识别(RegionRec)方法,能从复杂的图像中识别对象。该方法通过简化的脉冲耦合神经网络(SimPCNN)对识别对象的模型图像和测试图像进行彩色图像分割,然后在它们之间进行基于区域的匹配。为了减少光强度影响,引入了一种基于归一化RGB的颜色空间变换。该方法使用一系列自适应阈值,以去除离群点。实验结果表明:RegionRec方法具有可接受的识别结果,而且与现有的方法相比,基于区域分割匹配的图像识别RegionRec具有较高的识别准确率。     

基于激光点云数据的复杂植物叶片重建方法

植物叶片是植物最重要的器官之一,重建高精度的复杂叶片模型对于后续研究具有重要意义。但由于现实中复杂叶片的点云数据存在噪声、孔洞等问题,所以不易重建出高精度的叶片模型。基于激光点云数据的复杂植物叶片重建方法,该方法首先对原始点云数据进行去噪处理,然后采用三角剖分方法生成网格,再对网格进行优化处理,最后对存在孔洞的地方进行修补。结果表明,本方法能够根据激光点云数据快速重建出复杂植物叶片的高精度模型。     

基于三角形折叠的植物叶片曲面网格简化方法研究

为在保留植物器官形态重要特征的前提下,适度精简原始三角网格数据,以满足计算机三维建模及应用的需要。通过改进Isler等基于三角形折叠的网格简化方法,提出了能够有效解决简化过程中出现网格交叉、大钝角三角形和狭长三角形现象的算法,构建精简叶曲面网格的新方法,并使用三维激光扫描仪采集得到的烟草叶片结构数据对该方法进行评价。结果显示当冠层简化比例为90.3%时,渲染效率提高86.1%,并且简化后叶片仍然逼近原始结构。结果表明:使用该算法不但能显著减少叶曲面三角形网格的数目,而且能很好地保留叶曲面形态特征。该算法可应用于不同形态类型叶片的简化,包括褶皱度很大的叶片。该研究可为植物冠层可视化与植物冠层光环境模拟等方面提供有力的支持。     

基于HSI颜色空间的植物叶片病斑提取方法

为了提高病斑图像的分割精度,提出了1种在色调-饱和度-强度(hue-saturation-intensity,HIS)颜色空间中植物叶片病斑提取的方法。使用高精度光学设备采集样本图片,用中值滤波对图像进行平滑处理,去除干扰;将图像由红绿蓝(RGB)颜色空间转换到HSI颜色空间,对色调(hue,H)、饱和度(saturation,S)分量阈值分割去除绿色像素,提取植物叶片病斑区域。结果表明,基于HIS颜色空间的植物叶片病斑提取方法是有效可行的。     

基于EM和K-means混合聚类方法的植物叶片病害区域自动提取

针对植物病害区域如何准确提取的问题,文中提出了一种基于EM和K-means混合聚类的方法。该方法在目标与背景具有较明显差异的情况下,可以有效地将叶片目标提取出来,并对较复杂背景也具有一定的甄别效果,优于其他经典方法。利用植物病害区域的褪绿特点,用K-means方法结合Lab颜色空间,利用Lab颜色空间颜色分布的均匀性,提取A分量作为参考分量,将病害区域从叶片目标中提取出来。通过Matlab仿真实验,结果表明,基于EM和K-means混合聚类方法的植物病害区域提取是可行的。     

基于NURBS的植物叶片几何建模

植物叶片属于非刚性物体,形态比较复杂,对其快速准确的建模对于虚拟植物生长可视化研究具有重要意义。笔者以板蓝根叶片为例探讨了基于少量三维实测数据,结合OpenGL求值器机制和NURBS函数建立叶片几何模型,研究了叶片几何模型的建立过程。     

基于集成神经网络的植物叶片识别方法

针对植物叶片识别中识别精度低的问题,从叶片特征描述、分类器设计两个角度出发提出了一种基于集成神经网络的植物叶片识别方法。叶片特征由区域几何特征与纹理特征共同构成,其中区域几何特征由不变矩特征和叶片几何描述参数共同构成,叶片纹理特征利用灰度共生矩阵进行提取。在分类器设计方面,采用一种集成神经网络学习算法,用于解决多类别植物叶片分类问题,其基分类器由二类别分类器和互补分类器构成。为避免叶片特征受到旋转等因素的影响,需要对叶片图像进行预处理。在预处理后,利用集成神经网络分类器对叶片样本进行训练与识别。在Flavia叶片数据库中选取20类叶片,每类30张共计600张叶片进行试验,基于集成神经网络的植物叶片识别方法的平均识别精度为91%。与其他叶片识别方法相比,试验结果表明,此方法可以提高叶片识别的精度。     

植物叶片染色质免疫共沉淀方法的优化

以拟南芥成熟叶片为材料,探索3种不同型号超声破碎仪器的染色质免疫共沉淀(Ch IP)超声破碎条件.根据超声破碎结果推荐使用Covaris M220 Focused-ultrasonicator仪器,并将该仪器破碎条件设置为10%duty cycle、75 Watts Intensity Peak Incident power、200 cycle per Burst、7℃bath temperature、破碎时间12 min时,可获得约500 bp的DNA片段.同时,为检测不同H3K9ac抗体用量对染色质免疫沉淀效率的影响,通过半定量和实时荧光定量PCR检测确定初始量0.25 g的拟南芥叶片所需H3K9ac抗体的最适用量为3μL.此外,以不同衰老程度的水稻旗叶为材料,根据上述破碎条件,进一步优化超声破碎时间,同样可以获得合适的DNA片段,根据优化的样品与抗体用量比例,通过免疫沉淀可以获得适用于后期实时定量PCR(Ch IP-q PCR)和高通量测序(Ch IP-seq)分析的DNA样品.     

基于Fourier描述子和LBP相结合的植物叶片识别方法

针对植物叶片的复杂性导致基于叶片植物识别的识别率较低的问题,提出一种基于Fourier描述子和局部二值模式(local binary pattern,简称LBP)相结合的植物叶片识别方法。首先,利用Canny算法提取叶片的边缘图像,计算其中心-边缘距离序列的傅里叶变换,得到叶片图像的改进Fourier描述子;然后,提取叶片图像的局部二值模式特征;再利用判别典型相关分析算法将植物叶片的Fourier描述子和LBP特征进行融合,得到1个有利于分类的联合映射矩阵,由此将2类特征映射为1个低维特征向量;然后利用K-最近邻分类器进行植物识别。在公开的智能计算实验室(intelligent computing laboratory,简称ICL)叶片图像数据库上进行分类试验,识别率高达94%以上。结果表明,提出的方法是有效可行的,该研究能够为植物物种自动识别系统提供技术参考。     

基于概率神经网络和分形的植物叶片机器识别研究

【目的】提出一种将植物叶片的形状特征与其纹理特征相结合的综合特征识别方法,有效解决了传统的植物机器识别分类特征单一且识别率较低的问题,为植物的快速机器识别提供技术参考。【方法】提取植物叶片样本的综合特征信息,以概率神经网络(PNN)为分类器对所得的特征信息进行训练,训练好的网络用来识别植物叶片的类别,从而确定相应植物的种类。【结果】有效提取了含有8个分量的植物叶片综合特征向量,通过对PNN分类器的训练,实现了30种植物叶片的快速机器识别,平均识别率达98.3%。比较测试表明,若去掉叶片纹理特征,单以其形状特征作为识别依据,平均识别率仅为93.7%。【结论】植物叶片综合特征识别方法有效弥补了传统单特征识别方法的不足,使识别效率得到了较大的提高。