共查询到20条相似文献，搜索用时 328 毫秒
1.
[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。 相似文献
2.
[目的]应用参数优化支持向量机对水稻施氮水平进行准确分类预测,为水稻精准施肥和高产管理提供科学依据.[方法]以水稻品种金优458为试验材料,设4个施氮水平(从高至低折合纯氮用量分别为225、150、75和0 kg/ha),通过叶绿素测量仪SPAD-502获取水稻第6~9叶序叶片的SPAD值(即叶尖、叶中和叶枕的SPAD值),并分别应用网格搜索算法和粒子群算法参数优化支持向量机对4个施氮水平下的水稻叶片SPAD值进行训练和预测分类.[结果]对于第7、8叶序、第7~9叶序及第6~8叶序叶片组合,粒子群算法参数优化支持向量机对水稻施氮水平的分类识别效果均优于网格搜索算法,其准确率均高于75.000%,对归一化处理后的第7、8叶序叶片组合识别率最高,达88.889%.[结论]基于粒子群算法参数优化支持向量机适用于水稻施氮水平分类预测,能满足农学研究的需求. 相似文献
3.
针对水稻灯诱害虫姿态各异、样体残缺及硬判别对分类器的影响,提出基于后验概率SVM的害虫识别方法。对4种害虫进行图像预处理和特征提取,建立支持向量机识别模型,统计并分析测试集所有样本的后验概率。结果表明,利用SVM方法识别四种水稻灯诱害虫的平均识别率为96.8%,针对姿态各异造成的误判情况,当后验概率值全部小于0.7时,应考虑第二最大值所属种类作为识别输出。该方法能够提高识别率,为实际应用提供理论基础。 相似文献
4.
[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。 相似文献
5.
[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。 相似文献
6.
基于图像处理和分类器的水稻害虫自动识别系统研究 总被引：1，自引：0，他引：1
水稻是我国最重要的食物来源之一,水稻害虫对水稻的稳产、高产都有着重要的影响.因此,采取措施对水稻害虫的种类和数量进行准确的识别对于防治水稻害虫有着重要的作用.传统识别方法的时效性差,而且还需要大量的专家支持,无法进行广泛的开展.因此,开发基于计算机技术的水稻害虫自动识别技术对于解决上述问题有着积极的意义.文章主要基于图像处理和模糊分类技术对水稻害虫进行了识别研究. 相似文献
7.
基于支持向量机的小麦条锈病和叶锈病图像识别 总被引：4，自引：2，他引：2
为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。 相似文献
8.
林火烟雾图像自动识别中的模式分类器选择 总被引：2，自引：1，他引：1
探索了支持向量机（SVM）方法解决由脉冲耦合神经网络（PCNN）提取的林火烟雾图像特征后的计算机视觉模式识别问题。针对由于林火烟雾图像的纹理特征不突出,即便用特殊方法提取出来的特征向量也维数较高,对后续分类器性能提出较高要求并且分类效果存在很大的未知性等问题,通过实验,对3种人工神经网络分类器和支持向量机分类器的烟雾图像特征甄别效果进行了详细对比。结果表明:基于支持向量机的分类器在复杂的森林背景情况下对烟雾有很好的分辨能力,其识别准确率达到94.26%,并且在识别准确率和分类速度两方面都超过了作为对照的3种神经网络分类器。 相似文献
9.
基于GF-2遥感影像的塑料大棚提取方法对比 总被引：4，自引：1，他引：3
为实现GF-2遥感影像在农业领域的有效利用,针对GF-2遥感影像提取塑料大棚,对比分析随机森林、CART决策树及支持向量机3种分类方法的应用,以GF-2遥感影像为数据源,以内蒙古赤峰市喀喇沁旗王爷府镇为研究区,通过潜在分割误差(PSE)、分割强度(NSR)、欧氏距离(ED)3个指标确定最优分割参数组合,利用随机森林(RF)算法筛选出参与分类的最优特征子集,采用随机森林、CART决策树、支持向量机3种分类器进行了塑料大棚提取对比分析。试验结果表明:1)基于PSE、NSR和ED最优分割参数选择方法,应用于面向对象连片塑料大棚特定地物提取的研究分割效果较好;2)通过RF算法分析包含光谱、纹理、形状及相邻关系等多种特征,得出特征个数与分类精度之间呈现先逐渐增大后减小的趋势,该方法在保证分类精度的同时,可有效删除冗余与不相关特征,以提高分类器性能;3)将采用最优特征子集的3种分类器进行对比,随机森林分类效果最好,分类正确率达到89.65%,表明该方法能有效提取GF-2遥感影像连片塑料大棚,为提取设施农业的应用提供参考。 相似文献
10.
支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。 相似文献
11.
12.
【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。 相似文献
13.
基于计算机视觉的水稻叶部病害识别研究 总被引：13，自引：1，他引：12
【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。 相似文献
14.
15.
提出了一种基于支持向量机(C-SVM)区分大米品种的方法。首先对大米图像进行阈值分割、平滑处理等预处理,并根据大米的粒型特点,提取米粒的面积、周长等6个形态特征。利用Orange Canvas数据挖掘软件先对linear和RBF核函数进行核参数选择,并在Opencv 3.0环境下,编程实现K-means、linear和RBF的3种大米品种识别方法,对10组混合大米图像进行品种测试。试验结果表明,支持向量机线性核函数对大米品种识别具有较高的预测稳定性,识别分类准确率约为99%。 相似文献
16.
几种林业害虫在崇明岛的发生规律研究 总被引：4，自引：0，他引：4
[目的]探究茶尺蛾、樟巢螟、杨扇舟蛾、黄刺蛾4种蛾类害虫在崇明岛的生活史和发生趋势,为今后的虫害防治提供参考。[方法]生活史的调查采用标准地设置后的系统调查;发生趋势采用灯光引诱法进行调查。[结果]结果表明:茶尺蛾、樟巢螟、黄刺蛾在崇明岛每年发生2代,而杨扇舟蛾发生4~5代;杨扇舟蛾以卵越冬,其余3种害虫都以幼虫越冬;茶尺蛾的为害高峰期主要在8月,其余3种害虫有2个为害高峰期,分别为6月和8月。从发生趋势来看,茶尺蛾和杨扇舟蛾的诱集量在不断增大,而樟巢螟和黄刺蛾的诱集量变化不大。[结论]该研究为崇明岛今后的害虫防治提供了一定的科学依据。 相似文献
17.
高光谱技术在常规水稻种子活力检测中的应用 总被引：1，自引：0，他引：1
[目的]实现常规水稻种子活力的快速自动化检测。[方法]采用高光谱成像技术(波长范围874~1 734 nm),提取甬籼69和中早39 2种常规水稻种子未老化、老化48 h和老化72 h的光谱反射率,在提取样本光谱时采用小波变换(WT)剔除像素点光谱噪声部分,并基于全波段光谱建立了支持向量机(SVM)判别分析模型。[结果]未老化种子与老化种子可以准确识别,而老化48 h种子与老化72 h种子之间无法准确识别,与基于种子活力参数的测量结果相符,且不同水稻品种对老化的反应存在差异。[结论]高光谱成像技术结合化学计量学方法用于种子活力的快速自动化无损检测是可行的。 相似文献
18.
19.
基于多特征融合和深度信念网络的植物叶片识别 总被引：3，自引：2，他引：1
基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor滤波和灰度共生矩阵方法得到。而形状特征向量由Hu氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用“dropout”方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法,在Flavia数据库中,对32种叶片的识别率为99.37%;在ICL数据库中,对220种叶片的识别率为93.939%。这表明相比一般的叶片识别方法,此方法鲁棒性更强,并且识别率更高。 相似文献
20.
[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。 相似文献