共查询到20条相似文献，搜索用时 31 毫秒
1.
马铃薯典型病害图像自适应特征融合与快速识别 总被引：3，自引：0，他引：3
针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。 相似文献
2.
为了区分玉米叶片重金属胁迫种类,提出一种基于高光谱的铜铅胁迫识别方法。分别以叶片0.1~2.0阶分数阶导数(FOD)光谱中红边位置与任意两波长处的光谱值构建玉米叶片的红边铜铅敏感指数(RECLSI)集群,计算各集群中指数与胁迫类型的相关系数,以相关系数最大值、最小值对应的RECLSI构建铜铅识别特征(CLIF),在CLIF的二维分布出现与胁迫类型相关的聚类时建立胁迫识别界限(SIB),从而实现铜铅胁迫识别。研究表明：各RECLSI集群中指数与胁迫类型相关系数的最大值、最小值随FOD光谱阶次的增加分别呈先升后降、先降后升的趋势,其中相关系数最大值、最小值的极点分别出现在1.3、1.4阶FOD光谱对应的RECLSI集群中;0.7~1.5阶FOD光谱的CLIF二维分布呈现出与胁迫类型相关的聚类,根据CLIF-SIB能够不同程度地实现铜铅胁迫识别;1.2阶FOD光谱的CLIF-SIB识别效果最好,试验集精度为100%,验证集精度为81.25%。基于FOD光谱的CLIF-SIB玉米叶片铜铅胁迫识别方法在部分阶次能够获得良好且稳定的识别结果,具有可行性和有效性。 相似文献
3.
基于高光谱与电子鼻融合的番石榴机械损伤识别方法 总被引：2，自引：0，他引：2
提出了一种基于高光谱与电子鼻融合的水果机械损伤识别方法。分别采用高光谱仪与电子鼻对无损伤、轻度机械损伤和重度机械损伤的番石榴进行采样,提取特征信息后,运用主成分分析(PCA)、线性判别分析(LDA)、欧氏距离分析(ED)和模糊C均值聚类(FCM)对高光谱仪、电子鼻以及高光谱与电子鼻融合3种识别方法的识别效果进行了对比。PCA和LDA的分析结果表明,高光谱与电子鼻识别番石榴机械损伤是可行的,但单独采用这两种识别方法均无法对番石榴机械损伤程度进行分级。采用高光谱与电子鼻融合方法,结合LDA分析可以较好地识别番石榴机械损伤程度,比单一识别方法具有更好的识别效果。此外,LDA比PCA对番石榴机械损伤识别效果更佳。根据PCA、LDA和ED分析结果可以推测多源信息融合的分类识别方法既可获取更多的样本信息,提高相同样本之间的聚类性,又可较多地保持单一分类识别方法得到的不同样本之间的最大距离。根据FCM分析结果,高光谱识别、电子鼻识别和高光谱与电子鼻融合识别3种方法对番石榴机械损伤识别的正确率分别为89.74%、82.05%和97.44%,验证了多源信息融合方法对提高水果机械损伤识别效果的可行性。 相似文献
4.
基于多特征降维的植物叶片识别方法 总被引：1，自引：0，他引：1
植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。 相似文献
5.
基于PCA—SVM的棉花出苗期杂草类型识别 总被引：3，自引：0，他引：3
为了实现棉田中不同类型杂草的机器视觉识别,提出基于主成分分析和支持向量机的棉花出苗期杂草识别方法。该方法通过提取棉田图像中棉花和杂草的颜色、形状、纹理等特征,并利用主成分分析(PCA)降低特征变量空间维数,结合支持向量机,实现对棉田杂草类型分类。通过120个棉花杂草测试样本分类试验结果发现,经PCA降维得到的前3个主成分分量能有效减少支持向量机的训练时间和提高分类正确率;通过对比发现前3个主成分分量与径向基核函数支持向量机相结合效果最好,其训练时间为91 ms,平均分类正确率达98.33%。 相似文献
6.
为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。 相似文献
7.
视觉导引AGV鲁棒特征识别与精确路径跟踪研究 总被引：3，自引：0，他引：3
针对AGV多分支路径与工位点标识的可靠识别以及导引路径的精确跟踪问题,提出了一种基于双视野窗口的鲁棒特征识别与精确路径跟踪方法。采用整幅视野范围作为模式识别窗口,在该窗口采用基于核主成分分析(KPCA)和BP神经网络的识别方法,将路径特征通过核函数映射到高维空间进行PCA降维,再利用BP神经网络识别降维后的样本矩阵。同时提出一种导引扫描窗口设置方法,该窗口范围取决于摄像机竖直视角以及摄像机安装倾斜角,在导引扫描窗口内将导引路径简化为直线模型并用最小二乘法拟合,针对拟合直线计算导引所需的路径偏差。实验结果表明,KPCA-BP方法显著提高了路径特征识别的实时性和鲁棒性,6类路径特征的平均特征识别正确率为99.5%;导引扫描窗口有效减小了导引路径直线拟合的计算误差,直线路径跟踪误差小于3 mm,曲线路径跟踪误差小于30 mm。 相似文献
8.
9.
为了提高温室环境测控系统中传感器数据的准确性,针对温室环境参数变化的时间相关性和空间相似性特点,提出了一种基于主成分分析(Principal component analysis,PCA)的故障检测与基于时空信息比较的温室环境监测系统的传感器故障识别方法。首先利用基于PCA的传感器故障检测方法,通过监控统计量T2和SPE的变化实现传感器系统故障检测;再针对检测出故障的传感器节点,对该时刻传感器节点采用基于时空特性的节点信息比较实现不同传感器的故障识别。分别对比基于时间尺度、空间尺度、时空尺度的节点信息比较方法对传感器故障识别的影响进行了分析与试验验证,验证结果表明:基于PCA的传感器故障检测方法能够有效地实现对传感器系统故障的初步检测,提出的基于时空信息比较的传感器故障识别方法,融合考虑时间尺度和空间尺度的节点信息,能够有效地实现传感器具体故障定位;所建立的传感器故障识别方法检测正确率CDR为98.37%、平均虚警率FAR为1.72%,较传统的传感器故障识别方法检测正确率CDR提高了22.067个百分点,而平均虚警率FAR则降低了15.762个百分点,能够有效地保证故障诊断效率、提高故障诊断精度、降低虚警率,具有可靠性和准确性。 相似文献
10.
根据冠层点云的分布特征,提出一种基于动态K阈值的叶片点云聚类及生长参数提取方法。首先,采用地面三维激光扫描仪获取多站点云数据并完成配准、去噪和抽稀等预处理;然后,随机截取整株点云中的一枝作为研究对象,融合局部凹凸性算法(LCCP)并改进K-means算法,提出基于动态K阈值的叶片点云聚类方法;最后,采用主成分分析方法(PCA)计算叶片点云法平面方向向量,并根据叶片边界点与中心点的位置关系,计算叶宽、叶长等生长参数。试验结果表明,与传统的点云聚类方法相比,本文方法能够在不损失枝干点云的前提下,精确地分割单叶片,保证了聚类结果的完整性和彻底性;与传统的降维方法相比,本文基于真实三维空间信息提取叶片生长参数能够较大程度提高提取准确性,为进一步评价果树冠层光照分布及果园智能化管理提供技术支持。 相似文献
11.
12.
水轮发电机转子振动故障识别是水电站运维的重难点问题,为此提出一种基于转子振动信号的故障识别方法。首先针对发电机转子的非平稳和非线性振动信号,采用奇异值分解（SVD）并结合能量差分谱理论进行降噪预处理;对预处理数据使用连续小波变换（CWT）转换为时频图并形成图像数据集;然后将该图像数据集作为卷积神经网络（CNN）输入,通过CNN多层池化及卷积形成分布式故障特征表达,最终实现发电机转子故障模式识别和分类。经实验验证,该方法准确率达到99.5%以上,能有效识别出发电机转子的故障类型。 相似文献
13.
针对水电机组状态监测数据量逐步增大,数据质量差的问题,提出了一种基于改进K维树（K-Dimensional Tree,KD-Tree）与基于密度的空间聚类算法（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）的水电机组状态监测数据清洗方法,首先对输入数据建立KD-Tree,再使用DBSCAN在最近邻样本上扫描完成聚类,聚类结束以后会分离出噪声点,将噪声点去除即可完成对水电机组状态监测数据清洗。选取某水电站状态监测系统上导摆度数据1 088条,再以相同时间间隔插入随机数据100条,通过算例与常规DBScan、K-means、OCSVM算法对比聚类性能与时间性能,所提出的方法识别正确率最高,为97.78%,消耗时间最少,为0.007 732 s,数据清洗效果最优,并可以大幅减少计算时间。 相似文献
14.
基于低秩自动编码器及高光谱图像的茶叶品种鉴别 总被引：3，自引：0，他引：3
提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。 相似文献
15.
油茶果的模糊聚类色选算法 总被引：1，自引：0，他引：1
《中国农机化学报》2015,(4)
通过研究油茶果籽和皮的颜色特性,将线阵工业相机采集的油茶果籽和皮图像分割成若干正方形像素块,基于模糊聚类原理,根据特征降维、一致性度量和模式识别的相关理论,研究油茶果的颜色识别分类方法,实现一种基于彩色线阵相机的动态模糊聚类色选算法,并将算法应用于通道式单面色选机的预选和实时分选程序中。应用表明,算法对新鲜的油茶果籽分选选净率达到98%。 相似文献
16.
为提高径流预测精度,研究提出海洋捕食者算法(MPA)与长短期记忆(LSTM)神经网络相结合的径流预测方法。通过6个仿真函数对MPA、粒子群优化(PSO)算法进行测试,利用MPA优化LSTM隐藏层神经元数、训练次数等关键参数,基于主成分分析(PCA)降维和不降维处理分别建立PCA-MPA-LSTM、MPA-LSTM径流预测模型,利用云南省落却站实测数据对PCA-MPA-LSTM、MPA-LSTM模型进行训练及预测,结果与PCA-LSTM、LSTM、PCA-MPA-SVM、MPA-SVM、PCA-MPA-BP、MPA-BP模型的训练、预测结果进行比较。结果表明:①MPA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力。②PCA-MPA-LSTM、MPA-LSTM模型对实例拟合、预测的平均相对误差分别为1.18%、2.35%和1.94%、1.96%,预测效果优于其他6种模型,具有较好的预测精度和泛化能力。③采用MPA优化LSTM关键参数能有效提高LSTM泛化能力和预测精度;数据降维模型的预测精度优于对应未降维模型的预测精度,数据降维处理能有效改善模型的预测效果。 相似文献
17.
为了减少由于光照强度不一、对比度不同的干扰因素对中华蜂图像识别过程带来的困难,提出一种基于Gabor滤波、PCA降维与SVM相结合的蜜蜂图像识别方法。将人工采集的中华蜂图像进行灰度化、归一化处理,并采用Gabor滤波技术对处理后的图片进行图像特征的提取,进一步通过PCA将高维特征向量进行线性降维,最后将图片特征值矩阵分别经过不同核函数的SVM进行分类识别。通过不同核函数的SVM进行对比建模,测试并分析其对于特征提取后中华蜂图像的建模时长、识别准确率及识别图像时长。试验表明,中华蜂的图像经过Gabor特征提取、PCA降维得到的特征矩阵,经过核函数为Sigmoid的SVM时,其识别特性最好。 相似文献
18.
基于改进YOLO v5的夜间温室番茄果实快速识别 总被引：2，自引：0，他引：2
为实现日光温室夜间环境下采摘机器人正常工作以及番茄快速识别,提出一种基于改进YOLO v5的夜间番茄果实的识别方法。采集夜间环境下番茄图像2 000幅作为训练样本,通过建立一种基于交并比的CIOU目标位置损失函数,对原损失函数进行改进,根据计算函数anchor生成自适应锚定框,确定最佳锚定框尺寸,构建改进型YOLO v5网络模型。试验结果表明,改进YOLO v5网络模型对夜间环境下番茄绿色果实识别精度、红色果实识别精度、综合平均识别精度分别为96.2%、97.6%和96.8%,对比CNN卷积网络模型及YOLO v5模型,提高了被遮挡特征物与暗光下特征物的识别精度,改善了模型鲁棒性。将改进YOLO v5网络模型通过编译将训练结果写入安卓系统制作快速检测应用软件,验证了模型对夜间环境下番茄果实识别的可靠性与准确性,可为番茄实时检测系统的相关研究提供参考。 相似文献
19.
基于颜色和形状特征的茶叶嫩芽识别方 总被引：6，自引：1，他引：5
与人工采摘茶叶相比,现有采茶机械虽能提高采摘速度,但采摘时老叶、嫩叶一起采,缺乏选择性,并有部分叶片遭破损,降低了原料品质.为此,需要研究具有选择性、低损伤率的自动采摘方法.本文采用基于颜色和形状特征的图像处理方法,实现茶叶嫩芽的计算机识别和检测.针对清明期陕西名茶"午子仙豪"茶叶,首先在RGB颜色空间中提取茶叶图像的G分量,并采用双阈值方法对图像进行分割;然后根据茶叶嫩芽的形状特征,检测茶叶嫩芽的边缘.实验结果表明:基于颜色和形状特征的识别方法能有效分辨出茶叶嫩芽,识别准确率为94%,为实现茶叶嫩芽的自动采摘提供了一种有效方法. 相似文献
20.
基于卷积网络的沙漠腹地绿洲植物群落自动分类方法 总被引：1，自引：0，他引：1
为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种基于深度卷积神经网络(Convolutional neural network,CNN)的高分辨率遥感影像植物群落自动分类方法。切分无人机影像获得规则块图像,利用基于CNN的VGGNet和Res Net模型分别对块图像的特征进行抽象与学习,以自动获取更加深层抽象、更具代表性的图像块深层特征,从而实现对植物群落分布区域的提取,以原图像与结果图像叠加的形式输出植物群落自动分类结果。采用了不同梯度的样本数量作为训练样本,利用文中提出的方法分析了不同梯度的训练样本数量对自动分类结果的影响。实验结果表明,训练样本数量对分类精度具有明显的影响;提高其泛化能力后,Res Net50模型与VGG19模型的建模精度从86. 00%、83. 33%分别提升到92. 56%、90. 29%; Res Net50模型分类精度为83. 53%～91. 83%,而VGG19模型分类精度为80. 97%～89. 56%,与传统的监督分类方法比较,深度卷积网络明显提高了分类精度。分类结果表明,训练样本数量不低于200时,基于CNN的Res Net50模型表现出最佳的分类结果。 相似文献