共查询到20条相似文献，搜索用时 31 毫秒
1.
为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM（支持向量机）和CNN（卷积神经网络）组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明,在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%,算法实时性强,具有实际推广应用前景。 相似文献
2.
3.
针对传统方法直接采用图像特征参与图像分割时存在的特征冗余且分割准确率低的问题，提出了一种基于协方差描述子和LogitBoost的交通场景图像分割方法.采用运动结构特征、纹理和HOG特征描述交通场景，并利用协方差描述子进行特征融合以消除特征冗余；采用多类LogitBoost分类器进行图像分割，提高了交通场景分割的精度.在公共测试视频数据库CamVid中测试和评估了所提出的算法，结果表明了该方法的有效性. 相似文献
4.
基于HOG+SVM的田间水稻病害图像识别方法研究 总被引：1，自引：0，他引：1
《上海农业学报》2019,(5)
目前,基于机器视觉的病虫害识别方法普遍存在病虫害图片拍摄条件要求严苛、图片预处理步骤繁琐、图像处理技术难度高的问题,导致该技术在生产中实用性不强。本文以田间开放环境下采集的水稻主要病害图片为研究对象,提出一种基于方向梯度直方图(HOG)特征和支持向量机(SVM)的水稻病害检测方法,先对训练集中病斑样本块和非病斑样本块提取HOG特征,运用HOG特征作为输入向量代入SVM分类器进行训练,训练好的分类器用于整幅图的病斑自动检测。研究结果表明,HOG+SVM对多种病斑检测的综合识别率可达94%以上,HOG+SVM病斑定位正确率可达91. 7%。该方法具有拍摄环境兼容性较高,处理过程简便,对样本数量要求不高等优点,可对农田开放环境下采集的图片进行病害识别和评估。 相似文献
5.
基于图像灰度直方图特征的草莓病虫害识别 总被引：2，自引：0，他引：2
《江苏农业科学》2017,(4)
通过作物可见光图像,对作物病虫害进行准确识别,在作物生长自动监测、精准施药等领域具有重要意义。提出一种基于图像灰度直方图特征的草莓病虫害识别算法识别草莓蛇眼病。该算法首先计算训练集草莓叶片灰度图像的直方图,然后提取直方图的8个特征(平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围)并进行归一化处理,通过支持向量机(support vector machine,简称SVM)、K-近邻(K-nearest neighbor,简称KNN)及朴素贝叶斯3种识别方法对8个特征进行训练,得到相应的病虫害识别分类器。结果表明,SVM分类器的分类效果优于其他分类器,因此本研究最终选用SVM分类器对验证集图像进行分类,得到分类正确率达90%以上。 相似文献
6.
7.
《江苏农业科学》2018,(22)
快速准确地识别黄瓜病害类型是黄瓜病害防治的前提,针对现有基于病害叶片图像的黄瓜病害识别方法中的病斑分割和特征提取难题,提出一种基于显著区域和方向梯度直方图的黄瓜病害叶片图像分割与识别方法。首先,利用叶片图像的亮度和颜色低阶特征,结合多尺度分析确定原始采用病害叶片图像的显著图;其次,利用K-均值算法分割显著图,得到病斑图像;再提取病斑图像的方向梯度直方图特征;最后利用支持向量机(support vector machine,简称SVM)进行病害识别。在4种常见黄瓜病害叶片图像数据库上进行测试,平均正确识别率大于90%。结果表明,该方法能够准确分割和识别复杂背景下的黄瓜病害叶片图像,为田间开放环境下实现黄瓜病害的快速自动识别提供了依据。 相似文献
8.
基于OpenCV的畸形马铃薯识别方法 总被引：1，自引：0，他引：1
为了研发基于OpenCV自动识别畸形马铃薯的计算机视觉系统,首先采集了93个的马铃薯样本图像,对其进行HSV颜色空间转换、颜色分割、中值滤波和轮廓提取,有效分割出马铃薯的边界轮廓;然后对其轮廓进行二维傅里叶变换,提取70个样本构成的训练集;采用广泛运用于计算机视觉领域的图像预处理及特征提取方法提取10个傅里叶幅度值,利用其构建并训练SVM分类器;最后通过训练好的SVM分类器对未知形状的23个马铃薯进行识别。结果表明:基于OpenCV的畸形马铃薯识别方法能正确判断马铃薯是否为畸形,识别准确率约为95.6%;其中,畸形马铃薯的识别率达到100%。这表明发展计算机视觉系统在自动检测和分类畸形农产品中有较大应用潜力。 相似文献
9.
【目的】解决棉田复杂背景下棉花叶部病害快速识别问题,为提出一种快速提取棉花植株和分割棉花叶片的方法。【方法】通过棉花植株的RGB颜色特征将植株与土壤进行分离,结合形态学处理技术和彩色分割方法,将植株的茎秆去除,保留棉花叶片部分;分别使用广度搜索分割算法、分水岭分割算法和轮廓搜索分割算法,对棉花叶片图像进行分割提取。【结果】基于广度搜索的分割算法将叶片轮廓搜索出来与原图融合分离出叶片,该算法对于图像结构简单的情况分割效果较好,通过对应的drawContours函数将每个轮廓画出,再与原图定位,将叶片的完整信息也轮廓结合,实现叶片的分离。【结论】基于距离变换的分水岭分割算法存在过分割问题,基于广度搜索分割算法与边缘检测结合对于叶片结构清楚图像分割效果显著,与轮廓搜索算法相比,后者的适用性更广,提取的轮廓层次结构也清楚,分割效果最佳。 相似文献
10.
目前田间玉米雄穗数量监测主要依靠人工进行,效率低且易出错.为了实现在复杂的田间环境下对玉米雄穗自动识别和计数的任务,使用无人机平台和田间作物表型高通量获取平台采集的田间玉米顶视图像构建数据集,使用Resnet 50作为新的特征提取网络代替原始的VGG 16来优化Faster R-CNN模型.再根据表型平台所获取的高时序、连续图像,进一步使用改进后的模型对试验小区内玉米抽穗期前后20 d的雄穗数量进行监测,以此为依据进行抽穗期判定.该方法在田间作物表型高通量平台获取的图像数据测试集中类平均精度为90.14％,平均绝对误差为4.7328;在无人机平台获取的图像数据测试集中类平均精度为82.14％,平均绝对误差为9.6948.试验结果表明:该模型在田间作物表型高通量获取平台上的检测结果优于无人机平台,且具备一定的应用价值. 相似文献
11.
基于改进全卷积神经网络的黄瓜叶部病斑分割方法 总被引：1，自引：0，他引：1
《江苏农业学报》2019,(5)
为了解决传统卷积神经网络在黄瓜叶部病斑图像分割中存在模型训练时间长、分割效果差以及分割过程中易受光照和背景影响等问题,提出了一种基于改进全卷积神经网络的黄瓜叶部病斑分割方法。首先在模型训练的初始阶段使用传统的卷积神经网络得到病斑图像的轮廓特征,在训练过程中将传统的修正性单元(RELU)激活函数替换为指数线性单元(ELU)激活函数;然后对传统的卷积神经网络得到的病斑图像轮廓特征进行二次模型训练,训练过程中使用批归一化(Batch normalization)函数稳定模型训练过程;最后将原始卷积神经网络的多项逻辑回归(Soft max)分类器更换为支持向量机(SVM)分类器,对分类器输出的像素分类结果进行反卷积操作,恢复图像分辨率,得到分割结果。使用本研究方法与改进OTSU、SVM、CRF和传统FCN等4种方法在黄瓜叶部病斑数据集上进行分割试验,结果表明本研究方法的平均像素分割准确率为80.46%,平均交并比为70.43%,具有较高的分割精度。 相似文献
12.
13.
基于多特征融合的花卉种类识别研究 总被引：2，自引：1，他引：1
花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每个种类15幅)进行训练和测试,其中240幅作为训练样本,120幅作为测试样本,并与基于不同特征组合的识别方法进行比较。结果表明:本文提出的基于多特征融合的识别方法具有较高的识别准确率,识别率可以达到92.50%。对通用花卉样本库Oxford 17 flower进行训练与测试,选取其中340幅作为训练样本,170幅作为测试样本,取得了较好的识别效果,验证了本文方法的有效性。 相似文献
14.
基于深度学习的5种树皮纹理图像识别研究 总被引：1，自引：0，他引：1
15.
针对玉米选种过程中异常种穗的外观缺陷难以准确识别的问题,以玉米种穗为研究对象,通过计算机视觉技术快速识别杂色、缺粒、虫蛀、籽粒杂乱4种异常种穗。选择单目视觉采集装置,采集任意姿态玉米种穗图像,利用凹点匹配算法分割粘连玉米种穗;采用HSV和CLBP(完全局部二值模式)方法提取玉米种穗的颜色和纹理特征,利用匹配得分融合算法融合玉米种穗的颜色和纹理特征,建立玉米种穗分类模型,利用SVM实现4种异常玉米种穗的快速分类。试验结果表明,该方法相对于传统玉米种穗检测技术能快速有效识别出4种异常玉米种穗,对杂色、缺粒、虫蛀、籽粒杂乱玉米种穗的识别正确率分别达到了96.0%、94.7%、93.6%和95.3%,玉米种穗在有粘连和无粘连情况下平均识别速度分别为每穗1.180 s和0.985 s,能够满足异常种穗分类识别的需求。 相似文献
16.
基于BPSO和SVM的烤烟烟叶图像特征选择方法研究 总被引：1，自引：0，他引：1
利用图像特征对烟叶进行分级时,提出了一种对烟叶图像特征进行有效选择的新方法——利用二进制粒子群算法联合SVM模型自适应地选择对烟叶分级影响较大的特征,剔除对分级影响较小或相互间有关联的某些特征,并利用Adaboost和RBF分类器进行验证。结果表明,用SVM分类器时,用被选特征比输入全部特征具有更好的分级正确率;对于相同的分类器,利用二进制粒子群和SVM算法自适应筛选后的特征比输入全部特征具有更好的分级吻合率。 相似文献
17.
基于区域生长和SVM 结合的黄金大蚊快速检测算法 总被引：1，自引：0，他引：1
结合传统图像处理方法与支持向量机(SupportVectorMachine,SVM)技术,设计了一种黄金大蚊图像快速检测算法,对现场采集的黄金大蚊图像进行快速检测。该方法实现了在分割过程中完成对害虫种类的标记,简化了图像处理步骤。同时,利用SVM支持小样本数据,解决了训练中样本数量的问题。从现实环境中拍摄得到100张黄金大蚊图片为素材进行分类器的训练与检测,得到识别率较高的分类器,利用所得到的分类器结合传统图像处理方法设计与实现了本检测算法。通过对80幅现场试验照片检测分析显示,对黄金大蚊的正确识别率可达到92%以上。对于目标较为明显的图片,算法运行时间在0.2s以内。算法达到较快运行速度和较高精度,对田间害虫快速监测提供了技术支撑,具有较好的应用前景。 相似文献
18.
19.
提出了利用支持向量机（SVM）分类的方法对采集图像进行识别。采用计算机图像处理技术针对棉花苗期杂草图像进行分割,提取棉花与杂草的形状特征参数;选取最有效的特征数据组合输入SVM进行分类学习训练,实现杂草的有效识别。结果表明,使用该方法获得的图像识别效率较高,在同等条件下,速度优于人工神经网络。 相似文献
20.
针对掌纹识别过程中,采集图象易受到外界光照等物理因素的影响,传统重构方法中稀疏表示算法计算复杂度高等缺陷,提出基于稀疏表示(SR)和梯度方向直方图(HOG)特征的掌纹识别方法,将分类正交匹配追踪算法(COMP)稀疏表示方法与HOG特征相融合,以降低复杂度。该算法首先利用HOG算法提取掌纹训练与测试样本图像的特征矩阵,将训练样本图像的HOG特征矩阵作为稀疏表示的过完备字典;然后运用COMP算法求解掌纹图像在过完备字典上的稀疏表示,将所得的最佳稀疏表示系数对测试图像进行重构;最后通过计算测试样本图像HOG特征矩阵与得到的每类重构图像最小残差的数值确定图像的类别。实验结果表明,该方法有效地降低了计算的复杂度,具有良好的掌纹识别性能。 相似文献