排序方式: 共有105条查询结果,搜索用时 15 毫秒
11.
支持向量机在水质评价中的应用 总被引:7,自引:3,他引:7
徐劲力 《中国农村水利水电》2007,(3):7-9
介绍了支持向量机算法的原理,建立了基于支持向量机的水质评价多层次分类检测模型,通过提取水质评价标准中的物质成分为特征参数,利用几个SVM分类器的串联组合,实现对水质的分类和识别,同时,引入类权重因子,解决训练样本类别数量不平衡而导致的错分问题,实验结果显示该方法提高了水质评价的准确性和效率。 相似文献
12.
纹理一致性影响着实木地板档次,针对目前实木地板纹理分类速度慢、精度低的问题,提出一种适合区分直纹、抛物纹、乱纹3类纹理的在线检测方法。方法首先对纹理图像进行缩小,运用视觉心理学的Tamura方法提取粗糙度、对比度、方向度、线性度、规整度、粗略度等6个纹理特征;同时在原图像提取反映图像全局信息的灰度均值、方差、熵等3个统计量;然后,运用主成分分析法(PcA)对3类纹理9个特征进行降维融合操作;最后,采用线性判别分析方法(LDA)构建3类纹理的辨识模型。采用200幅实木地板纹理图像进行实验,当主成分个数为7时,分类正确率稳定达到85%,较传统Tamura方法的83%和全局基本统计量的70%有所提高;特征提取时间为0.5548S,比缩小前图像的Tamura特征提取时间55.7000S明显减低,而分类正确率没有明显变化。 相似文献
13.
基于机器视觉的鲜食玉米品质检测分类器设计与试验 总被引:5,自引:4,他引:1
设计一种基于机器视觉的鲜食玉米品质检测分类器。利用计算机视觉技术,通过小波分析方法对不同角度拍摄的鲜食玉米图像进行纹理特征分析;在获取玉米图像纹理特征的基础上,采用最大熵函数对纹理图像的分离度进行度量,并结合重量判据设计鲜食玉米品质检测分类器,实现对不同品种、尺寸以及破损程度的鲜食玉米进行分类,有效剔除病虫害污染的玉米产品。该设备可有效减少因工人主观经验水平的参次不齐等主观因素导致产品质量检测分类不均的现象。经实验验证,该品质检测分类器能够有效完成不同重量、尺寸的鲜食玉米的产品品质检测与分类,有效分类率可达到99%以上。 相似文献
14.
15.
基于Adaboost算法的田间猕猴桃识别方法 总被引:5,自引:5,他引:0
实现猕猴桃自动化采摘的关键是自然环境下果实的准确识别。为提高田间猕猴桃果实的识别效果,基于Adaboost算法,利用RGB、HSI、La*b*3个颜色空间中的1个或多个通道构建6个不同的弱分类器,用采集的猕猴桃果实和背景共300个样本点进行训练生成1个强分类器。然后选择655个测试样本点进行验证,强分类器分类精度为94.20%,高于任意弱分类器。对80幅图像中215个猕猴桃进行试验,结果表明:Adaboost算法可有效抑制天空、地表等复杂背景的影响,适合于自然场景下的猕猴桃图像识别,识别率高达96.7%。该技术大大提高了猕猴桃采摘机器人的作业效率。 相似文献
16.
在水电机组故障诊断系统中,轴心轨迹是判断机组状态的一个重要特征。而水电机组实际运行中轴心轨迹故障样本数量较少,依据其进行故障智能诊断无法准确完成,需结合相应频谱特性才可做出诊断。论文针对此问题,采用改进的支持向量机(support vector machine,SVM)多故障分类算法,建立了多故障轴心轨迹分类器,并应用于水电机组的故障诊断。结果表明,改进的SVM在样本数较少时取得较好的分类效果,样本数为16和50时,分类准确率达到了96.3%和91.2%,;并且在分类数增多时,分类准确率得到提高,而样本数增多时,分类准确率骤减。该故障分类器可实现多故障的识别和诊断,并且具有算法简单和对多故障轴心轨迹图形分类能力强的优点。该研究可为水电机组少样本轴心轨迹故障的智能诊断提供参考。 相似文献
17.
随着遥感应用的不断推广,各应用领域对遥感图象的监督分类结果的精度要求越来越高。在监督分类中有两个非常关键的问题:一是训练样本选取;二是分类器选择。本论文应用监督分类中的不同分类器对塞罕坝机械林场进行树种分类,对其结果进行分析比较,选择合适的分类器提高分类精度。 相似文献
18.
19.
抗菌肽是生物体内诱导表达具有广谱抗菌活性的小分子多肽。这些多肽是生物体非专一性的免疫应答产物,是生物体内免疫系统的重要成分。目前国内关于猪源抗菌肽的研究,主要针对于猪的小肠中的抗菌肽,而猪血中抗菌肽的提取及抗菌活性研究在国外虽已有少量报道,在国内却未见报道。由于猪血液中白细胞是免疫系统中起主要作用的免疫细胞,而其中性粒细胞约占白细胞总量的70%,从猪血液中性粒细胞中分离提取抗菌肽也就比较合理。因此本实验采用从猪血液中性粒细胞中分离提取小分子多肽,根据小分子多肽抗菌活性特点进而分离鉴定出抗菌多肽。同时,通过优化提取工艺,提高抗菌肽的得率和含量。 相似文献
20.
基于多层感知神经网络的水稻叶瘟病识别方法 总被引:1,自引:2,他引:1
为实现水稻叶瘟病的快速诊断,综合利用图像处理技术和神经网络来进行叶瘟病斑的识别研究。该文设计了3个多层感知分类器来进行病斑识别准确率的对比验证,分别采用叶片正常区域和病斑区域的纹理特征、颜色特征以及纹理和颜色的组合特征作为不同分类器的输入单元;输出层采用1个单元用于输出病斑区域和正常区域的识别结果。首先,该文将采集到的RGB图像转换成灰度图像,利用灰度共生矩阵分别提取叶片正常区域与病斑区域的能量、对比度、熵、逆差距作为纹理特征;紧接着,将RGB彩色空间转换至HIS和Lab空间,分别提取病斑区域和正常区域的L、a、b值作为颜色特征。最后,采用不同的BP神经网络分类器进行病斑区域识别。该文共采用120副图像作为待测对象,试验结果表明,采用颜色和纹理的组合特征进行识别,准确率要比单独使用纹理特征和颜色特征高10%~15%。本文的研究结果为进一步实现水稻病害自动诊断打下了基础。 相似文献