共查询到18条相似文献，搜索用时 265 毫秒
1.
2.
研究了支持向量机在面向对象土地覆被图像分类中的应用技术,提出采用最小二乘支持向量机（LSSVM）与模糊灰色关联度联合评估（FG）相结合的一种新的组合分类方法简记FG-LSSVM,为土地覆被分类提供一种可行的高精度分类途径。根据图像上不同对象的空间尺度和光谱值特征,基于稳健的核密度梯度分割算法提取具有任意形状和唯一标识的均质对象后,为了比较提出方法的性能,采用原始对象样本依次验证了3个面向对象分类方法,即标准支持向量机方法、以模糊贴近度作为模糊因子的模糊支持向量机方法和传统K最近邻面向对象分类方法。实现了一个高精度面向对象土地覆被图像分类信息系统。试验结果表明：提出的FG-LSSVM面向对象方法相比标准支持向量机、模糊支持向量机与K最近邻方法试验精度约提高2.4%左右。提出的方法在识别效果上,符合研究区实际分类应用的要求。 相似文献
3.
基于支持向量机的葡萄病害图像识别方法 总被引：21，自引：8，他引：13
应用计算机图像处理技术和支持向量机识别方法研究了葡萄叶部病害的识别,以提高识别的准确性和效率。首先对采集到的葡萄病害彩色图像采用矢量中值滤波法去除噪声,然后采用统计模式识别方法和数学形态学对病叶图像进行了分割。最后提取了葡萄病叶彩色图像的纹理特征、病斑的形状特征和颜色特征,并用支持向量机的模式识别方法来识别葡萄病害。试验结果表明：支持向量机识别方法能获得比神经网络方法更好的识别性能;综合形状特征和纹理特征的支持向量机识别方法对葡萄病害的正确识别率优于只用形状特征或纹理特征的病种识别,综合颜色特征和纹理特征 相似文献
4.
基于Zernike矩的马铃薯薯形检测 总被引：8，自引：5，他引：3
目前基于机器视觉的马铃薯薯形检测的形状特征单一,相关研究较少,为了进一步探索合适的形状特征参数及检测方法,该文将Zernike矩作为特征参数并利用支持向量机实现了马铃薯薯形的检测分类,准确度较高。首先用截取最佳图像的方法对马铃薯图像进行归一化,使得归一化后的图像具有平移和尺度不变性,然后从归一化的图像中计算具有旋转不变性的Zernike矩参数,通过特征筛选确定分类的19个Zernike特征参数,最后将这些特征输入到支持向量机中,用高斯径向基核函数（RBF）和Sigmoid核函数构建混合核函数,完成马铃薯薯形检测分类,对薯形良好和畸形的检测准确率达93%和100%,能够准确剔除畸形马铃薯并满足实际检测的要求。 相似文献
5.
基于废气成分分析和支持向量机的发动机故障诊断 总被引：1，自引：0，他引：1
为了实现发动机故障的快速实时诊断,提出了一种基于废气成分分析和支持向量机的发动机故障诊断方法。该方法首先运用NHA500废气分析仪采集发动机典型故障状态下的HC、CO、CO2、O2、NOX等废气参数值,接着对采集到的数据进行规范化处理,提取特征向量作为学习样本,然后用于设计训练基于支持向量机的多元分类器,进行故障类型识别。试验结果表明,采用纠错编码的支持向量机分类方法比神经网络具有更好的抗干扰性和更强的分类能力,在小样本的情况下故障诊断正确率达98.5%,能有效描述废气成分变化和故障状态之间的复杂关系。 相似文献
6.
7.
支持向量机在苹果分类的近红外光谱模型中的应用 总被引：5，自引：2，他引：5
建立了一套苹果近红外光谱采集装置来减少因苹果的部位差异性而造成的试验误差。采用一种新的机器学习算法——支持向量机(SVM)建立不同产地、不同品种苹果的近红外光谱分类模型。通过选定RBF函数作为核函数，并确定合适的光谱预处理方法和核函数中惩罚系数C、正则化系数γ，使得所建立的不同品种苹果分类模型的回判识别率和预测识别率均达到100%，不同产地苹果分类模型的回判识别率为87%，预测识别率为100%，与传统的判别分析法相比其预测识别精度提高5%左右。结果表明，支持向量机可以建立高精度的苹果近红外光谱分类模型。 相似文献
8.
基于高光谱分析技术的机炒龙井茶等级识别方法 总被引：3，自引：2，他引：1
随着机炒龙井茶外形和色泽趋向统一整齐,茶叶的内在品质相应成为评判等级的关键,由此,该文提出了一种高光谱与支持向量机分类相结合的技术,进行基于机炒龙井茶内在品质的等级识别方法研究。应用高光谱技术提取了龙井茶在350～2 500 nm波长范围内的吸收深度、吸收面积、红边位置、红谷位置、归一化植被指数等光谱特征参数,并对这些特征参数与茶叶等级的相关性进行了研究;然后利用带惩罚系数C的支持向量机分类理论,以光谱特征参数为输入量,分析确定了模型中关键的核函数和分类函数,构建了龙井茶等级识别模型,并进行了不同等级机炒龙井茶的分类识别验证。结果表明：采用所研究的方法和建立的模型对龙井茶进行等级分类准确率达到98.3%,证明应用该方法进行机炒龙井茶的等级分类识别是可行的。 相似文献
9.
基于图像识别的小麦腥黑穗病害特征提取与分类 总被引：10，自引：8，他引：2
小麦的网腥、印度腥与矮腥黑穗病危害小麦生产与人体健康,是出入境检验检疫的重要对象。该文利用小麦腥黑穗病害显微图像,采用图像分析与识别技术进行了小麦的网腥、印度腥及矮腥3类病害的分类识别。在分离出单个病害孢子图像的基础上,提取了3类病害孢子图像的16个形状和纹理特征,通过分析,从中选择小麦病害孢子的6个典型特征,并分别用最小距离法、BP神经网络和支持向量机分类器对提取的96个小麦腥黑穗病害孢子图像进行了分类试验,结果表明:支持向量机法对小麦腥黑穗病的分类识别能力优于最小距离法和BP神经网络,总体识别率达到82.9%。因此,采用图像分析技术和支持向量机识别方法进行小麦腥黑穗病害诊断的方法具有可行性。 相似文献
10.
基于Gabor小波和颜色矩的棉花盲椿象分类方法 总被引：6，自引：5，他引：1
为了提高棉花盲椿象测报精度,提出了一种在自然环境下基于Gabor小波和颜色矩的棉花盲椿象自动分类方法。该方法以5种棉花盲椿象为研究对象,利用Gabor小波和颜色矩分别提取盲椿象图像的纹理和颜色特征,并结合主成分分析和支持向量机,实现了棉花盲椿象的分类。通过特征提取与优化试验发现,利用主成分变换得到的第1主成分、第2主成分和第3主成分分量累计贡献率为87.3%,且聚类效果较好;通过棉花盲椿象分类试验得出,经过主成分分析与径向基核函数支持向量机相结合的棉花盲椿象分类效果最好,其训练时间为89 ms,分类正确率达91%。该方法能准确对棉花盲椿象进行分类与识别。 相似文献
11.
基于叶片病斑特征的茄子褐纹病识别方法 总被引：5，自引：4，他引：1
目前对蔬菜病害的识别方法都有一定的局限性,难以满足现代农业要求。该文以计算机视觉技术为手段,结合图像处理与模式识别技术,重点分析了茄子病害叶片上褐纹病病斑的颜色、形状、纹理特征参数,提出了一种基于叶片病斑特征的茄子褐纹病识别方法。根据在HSI(hue-saturation-intensity)颜色空间中叶片上病斑色调不同的特点,利用H分量图像提取病斑,获取病斑图片,然后提取每个病斑区域的12个颜色参数、11个形状参数和8个纹理参数等共31个特征参数。再通过方差和主成分分析法选择20个分类能力强的特征参数组成分类特征向量,并随机选取35个非褐纹病病斑的特征向量与35个褐纹病病斑的特征向量组成的训练集,构建Fisher判别函数对测试集进行分类,试验结果表明,对茄子褐纹病的识别准确率达到90%,说明该识别方法可以对茄子叶部病害进行快速、准确识别,为田间开放环境下实现茄子病害实时检测提供了技术支撑。 相似文献
12.
基于局部判别映射算法的玉米病害识别方法 总被引：7，自引：4，他引：3
如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。 相似文献
13.
农作物病害治理对于农作物的产量和品质有着非常重要的影响。本文针对玉米病害人工识别困难、识别过程耗费大量的人力成本和病害数据样本小且分布不均的问题,提出了一种改进的迁移学习神经网络（Neural Network）的病害识别方法。首先,采用旋转、翻转等方法对样本图像集进行数据增强;其次,通过迁移的MobileNetV2模型在玉米病害图像数据集上训练,利用Focal Loss函数改进神经网络的损失函数;最后,通过Softmax分类方法实现玉米病害图像识别。另外通过试验对比AlexNet、GooleNet、Vgg16、RestNet34、MobileNetV2和迁移的MobileNetV2这6种模型的训练集准确率、验证集准确率、权重、参数数量和运行时间。结果显示,6种模型验证集的准确率分别为93.88%、95.48%、91.69%、97.67%、96.21%和97.23%,迁移的MobileNetV2的准确率最高,且权重仅有8.69 MB。进一步通过混淆矩阵对比了MobileNetV2和迁移的MobileNetV2两种模型,迁移的MobileNetV2模型识别正确率提升1.02%,训练速度减少6 350 s。本文提出迁移的MobileNetV2模型对玉米病害小样本的识别效果最佳,具备更好的收敛速度与识别能力,同时能够降低模型的运算量并大幅度缩短识别时间。 相似文献
14.
基于GA-SVM模型的机采籽棉杂质识别 总被引：2，自引：2，他引：0
针对中国机采棉加工过程中混级混轧、缺乏棉花参数检测的现状,提出使用遗传算法优化支持向量机参数的机采籽棉图像分割、杂质识别方法。在图像分割阶段,采用像素点邻域的色调、饱和度、亮度颜色特征与平均亮度、平均对比度、平滑度、三阶矩、一致性、熵等纹理特征构建特征向量,使用最优保留策略的遗传算法优化惩罚参数及核函数参数,建立图像分割SVM分类器;对杂质识别过程,在计算标记区域的颜色特征、纹理特征基础上,增加面积、周长、离心率、矩形度、形状因子等形状特征,使用遗传算法建立杂质识别SVM分类器。测试结果表明,该方法适用于边缘对比度低、纹理信息丰富的机采籽棉含杂图像分割,对杂质的有效识别率为92.6%。该研究为棉花加工设备的参数优化和国产采棉机的研制及优化提供重要参考依据。 相似文献
15.
基于机器视觉形状特征参数的祁门红茶等级识别 总被引：11，自引：8，他引：3
外形是评价茶叶质量的重要指标之一,目前主要依赖人工审评的方法,客观、准确的评价外形指标对茶叶加工、销售有重要的意义。该研究提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法。以7个等级的祁门工夫红茶为研究对象,构建图像采集系统,标定相机参数,采集各等级的茶叶图像。对图像进行灰度化、二值化处理,提取叶片的6个绝对形状特征:长度、宽度、面积、周长、最小外接矩长、宽,在此基础上计算狭长度,矩形度2个相对形状特征,生成形状特征的直方图。以直方图分布为特征向量,构建了基于BP神经网络,极限学习机(extreme learning machine,ELM),支持向量机(support vector machine,SVM),最小二乘支持向量机(least squares support vector machine,LS-SVM)的等级识别模型,并对比了不同模型的识别效果。结果表明,该文构建的图像采集系统测量精度0.3 mm,能够准确提取形状特征参数;基于形状特征直方图的LS-SVM模型识别效果最好,识别精度为95.71%,测试集决定系数为96.2%,具有算法复杂度低,易于求解的优点。研究结果为实现茶叶的客观、数字化等级鉴定,提供了试验数据和参考方法。 相似文献
16.
基于流形学习算法的马铃薯机械损伤机器视觉检测方法 总被引：5，自引：3，他引：2
针对马铃薯表面芽眼和凹凸不平的影响,使之马铃薯机械损伤难以检测的问题,该文提出了一种基于流形学习算法的马铃薯机械损伤检测方法。首先利用马铃薯图像的显著图分割出马铃薯区域,然后利用主成分分析(principal component analysis,PCA)、等距映射(isometric mapping,Isomap)和局部线性嵌入(locally-linear embedding,LLE)3种流形学习方法提取马铃薯区域图像特征参数,然后分别建立基于3种流形特征的支持向量机(support vector machine,SVM)分类模型PCA-SVM、Isomap-SVM和LLE-SVM,利用网格搜索法(grid search)、遗传算法(genetic algorithm,GA)以及粒子群算法(particle swarm optimization,PSO)3种模型参数优化方法,优化支持向量机模型的惩罚参数c和RBF核参数g,以建立最优分类模型,最后比较3种分类模型的识别效果,确定最优分类模型。研究结果表明,PCA-SVM分类模型对训练集识别率为100%,测试集识别率为100%;Isomap-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%;LLE-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%,表明PCA、Isomap和LLE 3种流形学习方法用于马铃薯机械损伤检测是可行的,其中PCA-SVM分类模型检测效果最优。 相似文献
17.
基于卷积神经网络与迁移学习的油茶病害图像识别 总被引：9，自引：12，他引：9
传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。 相似文献
18.
基于迁移学习的棉花叶部病虫害图像识别 总被引：15，自引：10，他引：5
针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。 相似文献