基于支持向量机的缺陷红枣机器视觉识别

在枣的干制过程中形成的油头枣、浆头枣、霉烂枣是最常见的缺陷枣,它们整体或局部颜色偏暗、偏黑,有必要通过机器视觉技术将其识别出来.在HIS颜色空间中,提取H的均值和均方差作为红枣的颜色特征值,利用支持向量机识别缺陷红枣.实验结果表明,识别准确率可以达到96.2%,优于人工神经网络的89.4%.     

基于支持向量机的玉米品种识别

选取郑单958、辽单565、京科25玉米品种作为研究对象,从玉米籽粒的数字图像中提取与玉米籽粒的颜色、形状、尺寸等有关的6个形态结构参数,利用支持向量机(SVM)算法进行训练识别,同时与BP人工神经网络(NN)方法进行比较,结果表明,SVM算法识别效率较高,达到92.3%.     

采摘机器人基于支持向量机苹果识别方法

针对目前苹果采摘机器人果实识别过程误差大、处理时间长等问题,应用支持向量机(SVM)方法对苹果果实进行识别.首先采用矢量中值滤波法对苹果彩色图像进行预处理,然后运用区域生长算法和颜色特征相结合的方法进行图像分割,最后分别对苹果彩色图像的颜色特征、几何形状特征进行提取,并用支持向量机的模式识别方法识别苹果果实.实验结果表明:支持向量机识别方法的识别性能优于神经网络方法;综合颜色特征和形状特征的支持向量机识别方法对苹果果实识别的正确率高于只用颜色特征或形状特征的正确率.     

基于机器视觉和支持向量机的温室黄瓜识别

针对复杂温室环境中的成熟黄瓜,采用脉冲耦合神经网络分割黄瓜图像,利用数学形态学方法处理,把黄瓜从图像背景中分离出来;提取各连通区域的4个几何特征值和灰度共生矩阵基础上的3个纹理特征值,作为最小二乘支持向量机(LS-SVM)的输入特征向量;利用训练好的分类器判别图像中的黄瓜。试验结果表明:用于试验的70幅黄瓜图像,正确识别率达82.9%,基于脉冲耦合神经网络分割结合LS-SVM的方法,适合复杂背景的温室黄瓜识别。     

基于支持向量机的水资源开发利用

基于支持向量级模型良好的泛化能力，构建了区域水资源开发利用程度的支持向量机评价模型。针对评价标准，采用均匀分布随机函数，在三个标准间内插10个样本，形成共30个样本用于支持向量机的训练，实现了对西安市水资源开发利用程度的综合评价。实例研究表明，运用支持向量机分类模型进行区域水资源开发利用问题研究，评价结果合理、可靠，可以为区域水资源开发利用评价提供一种新的方法。     

基于支持向量机的植物图像分割

图像分割是计算机视觉领域的特别在小样本、高维情况下,具有较好的泛化性能.为此,以植物图像为例,结合数字图像处理技术,采用支持向量机法实现了植物叶片图像与背景图像的分割.实验证明,与传统的分割方法比较,该方法是高效和准确的.     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

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。     

水田田埂边界支持向量机检测方法

提出了基于支持向量机的水田田埂边界线的检测算法。采用支持向量机分类算法代替传统的图像分割算法,分割水田图像,提高了在不同光照条件下田埂边界检测的鲁棒性。图像预处理阶段引入超像素分割算法,大大减少了后续图像处理的计算量,并为支持向量机的模型训练提供大量的样本。选取足够数量的超像素样本,提取其颜色特征和纹理特征,构成19维的特征向量,并作为训练支持向量机模型的输入。使用训练好的支持向量机模型识别新图像中的水田田埂区域,模型评价指标F1分数达到90. 7%。采用霍夫变换提取田埂边界,在NVIDIA的Jetson TX2硬件平台上,算法总运行时间在0. 8 s以内,有效满足了水田直播机的实时性要求。     

支持向量机在斑潜蝇虫害叶片光谱分析中的应用

测量了斑潜蝇虫害叶片的可见光反射光谱。运用图像处理技术计算出虫害叶片的破损率;采用光谱分析方法选出对叶片破损程度敏感的波长点。运用支持向量机(SVM)和多光谱法,建立基于敏感波长的受害叶片反射光谱分类模型并进行分类试验。试验结果表明,多光谱法分类精度为90%,SVM为93.8%(多项式核函数)和96.9%(RBF核函数),高于多光谱法。     

基于颜色信息和形状特征的棉桃识别方法

为了给机械手自动采摘棉桃提供运动参数,提出了一种棉桃识别方法,可以从背景环境中准确识别棉桃,获取棉桃准确的位置信息。通过对棉花不同部分颜色数据的分析,建立了基于色差信息的识别模型,为进一步提高识别准确性,利用形状特征建立动态Freeman编码方法去除噪声。实验结果表明这种方法具有良好的棉桃识别效果,识别率达到85%。     

基于改进yolov8的棉花虫害检测算法

传统的棉花病虫害检测方法依赖于植物保护专家或经验丰富的农民,这种方法费时费力,并且对于人眼难以观察到的微小病变识别准确率较低。如何利用深度学习方法提高识别的准确率和效率,降低人力成本,并且能够对微小病变进行准确识别提出了新的挑战。针对此问题,提出一种准确率高和实时性好的基于改进YOLOv8的棉花虫害检测算法。首先,使用DCNv3结构,替换YOLOv8 C2模块中的Bottleneck结构中的普通卷积,形成新的模块记为C2f-DCNv3;其次,在Head的最后一个C2f-DCNv3模块后面加入高效通道注意力,在提升模型的精度的同时保持能够实现实时检测。在开源的CottonInsect棉田昆虫识别研究图像数据集上的实验结果表明：所改进方法的mAP为0.706,Inference Time为0.6ms,模型大小为5.7M,相较于原模型YOLOv8n,mAP提升3.0,Inference Time提升0.1ms,模型大小基本保持不变,实现了对于棉花虫害准确且高效的识别。     

基于K均值聚类的绿色苹果识别技

针对颜色和背景相近的绿色苹果,提出了一种基于K-均值聚类的苹果图像识别算法.该算法以8×8像素的正方形区域为分割单位.选择颜色差R-B作为颜色特征,选择灰度均值m,标准偏差σ和熵e作为纹理特征,形成特征向量空间.采用间隙统计法确定苹果图像的最佳聚类数. 将特征向量空间和最佳聚类数作为输入,运用本文算法对苹果图像进行聚类和分割.对200幅图像识别实验结果表明,在顺光和逆光情况下,算法均能实现果实与背景的有效分割,果实识别的正确率高于81%.     

基于改进遗传算法的棉花异性纤维目标特征选择

为提高基于机器视觉的棉花异性纤维在线分类的精度和速度,提出了一种基于改进遗传算法的特征选择方法.采用分段式染色体管理方案实现对多质特征空间局部化管理;利用分段交叉和变异算子避免出现无效染色体,提高搜索效率;通过自适应调整交叉和变异概率实现强搜索能力和快收敛速度的动态平衡.实验结果表明,该方法比基本遗传算法搜索能力更强、收敛速度更快,所得最优特征子集较小,更适用于棉花异性纤维在线分类.     

基于颜色特征的棉田中铁苋菜识别技

基于不同的颜色特征,利用机器视觉技术自动识别棉田中铁苋菜.分别对棉花和杂草铁苋菜的色差法(R-G,R-B,G-B)、超绿法(2G-R-B)、色度法(H)等5种特征图像进行对比,确定色度法利用最大方差进行二值化的效果最佳.创建与二值图像相对应的0、1双精度型矩阵,并分别与R、G、B三基色分量图相乘,获取前景是R、G、B三基色分量图,背景是黑色的灰度图像.分析棉花、铁苋菜前景R、G、B的标准差,确定R的标准差与B的标准差差值小于5作为判断铁苋菜的阈值.识别结果表明,棉花的判断准确率为71.4%,铁苋菜的判断准确率为92.9%,总体准确率为82.1%.     

基于计算机视觉的新疆棉种颜色分选系统设计

设计了一套基于机器视觉的脱绒棉种在线分选系统,采用种子平抛和气吹分离的方式实现了新疆地区红棕色棉种与黑色棉种的自动分选。研究了无序状态下的种子图像采集方法,并通过区域细分的方式解决了无序种子与气流喷嘴的对应关系。提出了种子位置跟踪和分离算法,实现了对棉种图像处理结果的延时分离操作。实验结果表明:在传送带速度为0.50 m/s时,分选精度为88.6%,选出率为80.7%。     

基于线激光截面成像的棉花白色异性纤维检测方法

针对棉层表面散布绒毛或游离的纤维细丝,而异性纤维表面光洁无毛的特点,提出了一种基于线激光的样本截面图像获取方法,获取并显示了其微观结构在激光照射下的图像差异.在此基础上,根据激光照射下二者周围有无高亮度的星点,以及星点的分布特征,提出了一种棉花中白色异性纤维的识别算法.实验结果表明,该方法对棉花中典型白色异性纤维的识别率达到了86.9％.     

基于SVM和AdaBoost的棉叶螨危害等级识别

针对自然条件下棉叶螨虫害等级识别难的问题,在自然条件下以普通手机采集棉叶图像作为实验对象,首先使用大津法和连通区域标记算法,将棉花叶片图像与背景分离,然后,提取不同棉叶螨危害等级棉叶图像的颜色、纹理和边缘特征数据,使用支持向量机(Support vector machine,SVM)单独进行分类实验,得到平均识别正确率为76. 25%,最后,采用SVM和AdaBoost相结合的算法,生成最优判别模型,实现对棉叶螨危害等级的识别,平均识别正确率为88. 75%。对比实验表明,提出的棉叶螨危害等级识别方法比BP神经网络的平均识别正确率高13. 75个百分点,比单独采用SVM算法高12. 5个百分点,比单独采用AdaBoost算法高8. 75个百分点,SVM和AdaBoost相结合的算法可较好地对棉叶螨危害等级进行识别,为棉叶螨数字化防治和变量喷药提供了数据支持。     

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.     

基于改进蚁群算法的棉花异性纤维目标特征选择方法

为提高基于机器视觉的棉花异性纤维在线分类的精度和速度,提出一种基于改进蚁群算法的棉花异性纤维图像目标特征选择方法。采用初始选择概率预处理方案,设置特征初始概率,降低了冗余特征影响,缩短了算法搜索时间;利用分段变异运算及取优舍劣策略,对棉花异性纤维的颜色、纹理、形状3类特征进行分段变异,避免了算法局部收敛,选出了全局最优特征集。实验结果表明,改进的蚁群算法比基本蚁群算法优化能力更强,搜索时间更短,优化得到的棉花异性纤维特征子集的特征个数比原特征集减少了2/3,分类正确率由84%提高到93%。