权重约束AdaBoost鱼眼识别及改进Hough圆变换瞳孔智能测量

针对传统鱼眼瞳孔直径测量方法耗时、耗力,且数据主观性强的问题,该文提出基于权重约束AdaBoost和改进Hough圆变换的鱼眼瞳孔直径智能测量方法。首先,利用工业相机采集实验板上的鱼图像,从正负鱼眼图像样本中训练出基于权重约束AdaBoost算法的鱼眼分类器;然后,采用该分类器对试验图像进行检测,将检测到的鱼眼局部图从整体图中分离出来;最后,采用改进的Hough圆变换检测出鱼眼的瞳孔,并计算得到瞳孔直径。对100条金鲳鱼进行试验,鱼眼分类精度达97.1%,瞳孔正确检测率达94.2%,相比改进前分别提升了1.7个百分点和10.5个百分点,与人工测量瞳孔直径值的平均偏差为6.5%,比改进前低了5.9个百分点,总的平均测量时间为324.371 ms,比改进前减少了10.707 ms。试验证明:该文提出的方法能够精确、实时、自动地测量出鱼眼瞳孔的直径,有效避免了传统测量方式的复杂性和测量数据的主观性,可为鱼体生长状况评估、良种选育提供重要参考。     

AdaBoost classifiers for pecan defect classification

One of the constraints in the adoption of machine vision inspection systems for food products is low classification accuracy. This study attempts to improve pecan defect classification accuracy by using machine learning classifiers: AdaBoost and support vector machine (SVM). X-ray images of good and defective pecans, 100 each, were segmented and features were extracted. Twenty classification runs were made to adjust parameters and 300 classification runs to compare classifiers. The Real AdaBoost classifier gave average classification accuracy of 92.2% for the Reverse water flow segmentation method and 92.3% for the Twice Otsu segmentation method. The Linear SVM classifier gave average classification accuracy of 90.1% for the Reverse water flow method and 92.7% for the Twice Otsu method. Computational time for the classifiers varied by two orders of magnitude: Bayesian (10⁻⁴ s), SVM (10⁻⁵ s), and AdaBoost (10⁻⁶ s). AdaBoost classifiers improved classification accuracy by 7% when Bayesian accuracy was poor (less than 89%). The AdaBoost classifiers also adapted well to data variability and segmentation methods. A minimalist AdaBoost classifier, more suitable for real time applications, using fewer features can be built. Overall, the selected AdaBoost classifiers improved classification accuracy, reduced classification time, and performed consistently better for pecan defect classification.     

Automated Counting of Rice Planthoppers in Paddy Fields Based on Image Processing

A quantitative survey of rice planthoppers in paddy fields is important to assess the population density and make forecasting decisions. Manual rice planthopper survey methods in paddy fields are time-consuming, fatiguing and tedious. This paper describes a handheld device for easily capturing planthopper images on rice stems and an automatic method for counting rice planthoppers based on image processing. The handheld device consists of a digital camera with WiFi, a smartphone and an extrendable pole. The surveyor can use the smartphone to control the camera, which is fixed on the front of the pole by WiFi, and to photograph planthoppers on rice stems. For the counting of planthoppers on rice stems, we adopt three layers of detection that involve the following：（a） the first layer of detection is an AdaBoost classifier based on Haar features;（b） the second layer of detection is a support vector machine（SVM） classifier based on histogram of oriented gradient（HOG） features;（c） the third layer of detection is the threshold judgment of the three features. We use this method to detect and count whiteback planthoppers（Sogatella furcifera） on rice plant images and achieve an 85.2% detection rate and a 9.6% false detection rate. The method is easy, rapid and accurate for the assessment of the population density of rice planthoppers in paddy fields.     

基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测

除选择合适的建模方法外,选择合适的特征选择算法来优选建模特征对提高作物病害的遥感监测水平具有重要作用。选取陕西省关中平原西部小麦白粉病为对象,基于Landsat 8遥感影像共提取了18个特征变量,通过相关性分析(correlation analysis,CA)和最小冗余最大相关(minimum redundancy maximum relevance,mRMR)2种特征选择算法筛选出了2组不同的特征变量,分别将其输入Fisher线性判别分析(Fisher linear discriminant analysis,FLDA)、支持向量机(support vector machine,SVM)和AdaBoost 3种方法,构建小麦白粉病发生严重程度监测模型,并对其进行精度验证与对比分析。结果表明,2种AdaBoost模型对小麦白粉病发生严重程度的总体监测精度分别比FLDA模型和SVM模型高出27.9%、27.9%和14.0%、9.3%,mRMR算法筛选特征所建FLDA、SVM及AdaBoost监测模型的总体监测精度分别比CA筛选特征所建模型高出7.0%、11.7%和7.0%,且mRMR算法筛选特征结合AdaBoost方法所建监测模型的精度和Kappa系数分别为88.4%和0.807,为所有模型中最高。说明将AdaBoost方法用于作物病害遥感监测效果较好,在作物病害监测模型的特征变量选择中mRMR算法比常用CA算法更具优势。研究结果可为其他作物病害遥感监测提供方法参考。     

基于改进主成分分析和AdaBoost算法的运动虾苗识别方法

针对虾行为量化过程中运动虾苗较难检测与识别的问题,该文以南美白对虾虾苗为例,提出了一种基于改进主成分分析(principal component analysis,PCA)+AdaBoost算法的运动虾苗自动识别方法。在室内自然光条件下,利用工业相机采集承装容器中虾苗的灰度图像。提取图像中大小为100×100像素的不同运动状态的虾苗图像,首先使用改进PCA算法进行主成分分析,并进行特征提取。根据特征参数的分布情况,对其进行归一化处理,利用归一化的特征构建多个弱分类器,利用Adaboost方法将弱分类器构建成强分类器。最后,利用强分类器对运动虾苗进行识别。试验结果表明,在150幅不同运动状态虾苗测试样本中,基于改进PCA+Adaboost方法的识别正确率98%,平均每个样本识别时间为0.027 898 s,满足行为量化中的自动识别要求。     

基于改进AdaBoost算法的秸秆识别与覆盖率检测技术

针对目前秸秆覆盖率自动识别准确率低的问题,提出了一种秸秆图像畸变校正与Otsu算法阈值分割相结合的图像处理算法,并采用该方法计算田间秸秆覆盖率。首先,通过单目摄像头采集免耕播种机的作业环境信息,采用改进的AdaBoost算法对目前工作环境是否为免耕地进行自动判断;其次,对现场采集的秸秆覆盖图像进行预处理,通过彩色空间距离化、图像增强等方式提高图像中秸秆的可识别特征;然后,建立逆向映射模型并结合最邻近插值的方法解决图像畸变问题;最后,裁剪出用于秸秆识别的图像部分,通过Otsu算法进行阈值分割、计算秸秆覆盖率。通过实验对AdaBoost算法分类与秸秆覆盖率的检测效果进行验证,结果表明,运用AdaBoost算法能有效识别免耕播种机的工作环境,采用本文图像处理算法计算田间秸秆覆盖率,与实际测量误差在5％以内。     

基于RSM和BP—AdaBoost—GA的红茶发酵性能参数优化

为明确自行设计的滚筒式红茶发酵机性能参数,以无量纲化的综合评分为发酵品质评价指标,采用响应面法和基于改进型神经网络的遗传算法(BP-AdaBoost-GA)对影响发酵品质的3个因素(发酵温度、发酵时间、翻拌间隔)进行优化,并对2种方法的优化效果进行比较。结果表明,各因素对发酵品质的影响重要性顺序为:发酵温度、翻拌间隔、发酵时间;采用响应面法优化,当发酵温度、发酵时间、翻拌间隔分别为25℃、150 min、20 min时,综合评分预测值和实际值分别为0.863和0.856,相对误差为0.8%;而采用BP-AdaBoost-GA优化,当发酵温度、发酵时间、翻拌间隔分别为27℃、170 min、25 min时,预测值和实际值分别为0.871和0.868,相对误差为0.3%;BPAdaBoost预测模型的决定系数和相对分析误差分别为0.994和18.456,高于响应面法的0.988和9.577,且预测均方根误差较低,为0.017。在红茶发酵工艺的参数优化中,采用BP-AdaBoost-GA方法能比响应面法更好地拟合模型,以及在全局变量范围内推导最优发酵条件。     

基于人工智能的小麦高效育种信息交互系统构建

小麦是人类社会重要的粮食资源之一,因此基于人工智能技术构建高效育种信息交互平台对于高质高产的小麦种植具有重要的战略价值。高效育种信息交互平台的搭建关键在于核心数据的准确识别与分类,基于此该研究提出了一种Naive Bayes（朴素贝叶斯）-AdaBoost策略,应用于小麦育种信息数据的分类与识别,并实现构筑交互平台。在该策略中AdaBoost主要用于对Naive Bayes的弱分类器进行迭代,形成强分类器,同时过滤并优化核心词汇,达到提高分类识别准确度的目的。结果显示,与传统Naive Bayes方法相比该方法准确率提高了12.2个百分点,识别的准确率达到99.2%,而此时基于Naive Bayes、决策树、支持向量机3种方法的准确率分别为87.0%、86.6%和85.6%。结果表明,该研究所提方法在面对复杂数据分类识别的场景中具有较大的应用潜力。     

基于特征融合的前方车辆检测

近年来,由于交通事故发生率逐渐上升,智能交通系统受到研究人员的广泛关注。前方车辆检测作为其中的重要组成部分,能够及时提醒驾驶人员潜在的危险来减少交通事故的发生。基于图像处理技术,针对目前车辆检测方法中鲁棒性差、误检过多的问题,提出一种基于HOG和Haar-like特征融合算法,将提取的特征输入AdaBoost级联分类器进行车辆检测。实验结果表明,本文方法对不同天气情况和道路情况都有很高的准确率和精度且鲁棒性好。     

不平衡类分布下多分类问题的提升算法

模式识别在实际应用中常碰到类分布不平衡的多分类问题,该情形下的分类器性能采用传统的精度指标评价意义不大,需要采用代价指标和ROC曲线分析来评价。传统的分类器对不平衡问题分类性能很差,利用AdaBoost算法在机器学习中对样本权重的调整,将不平衡的错分代价加入到样本权重,使分类器更多关注重要的少数样本类,可以提高不平衡类分布下多分类性能。模拟试验也表明了该方案的有效性。