共查询到20条相似文献，搜索用时 468 毫秒
1.
2.
基于改进Hu矩和遗传神经网络的稻飞虱识别系统 总被引：3，自引：0，他引：3
针对稻飞虱识别实时性差和BP神经网络分类有一定误差的问题,设计了1种基于DSP硬件平台和遗传神经网络算法的稻飞虱识别系统.系统硬件以AT89S52单片机控制拍摄移动装置,以DM6437处理器作为算法处理平台;系统软件设计主要包括基于改进Hu矩的特征值提取和基于遗传算法优化神经网络的识别算法.系统通过CCD摄像机拍摄稻飞虱视频信号传送到DSP识别系统,从中提取图像,识别图像中的稻飞虱.实验对稻飞虱、水蝇和潜蝇等80个样本进行了训练和测试,结果表明遗传神经网络对稻飞虱的正确识别率达到90％. 相似文献
3.
基于高光谱图像的红豆品种GA—PNN神经网络鉴别 总被引：2，自引：0，他引：2
提出一种基于高光谱图像技术的红豆品种鉴别方法。利用高光谱成像系统采集江苏、安徽、山东的3个品种共162个红豆样本高光谱图像数据,通过ENVI软件提取出红豆中感兴趣区域的平均光谱作为该样本原始光谱信息,利用SG多项式平滑对原始光谱数据进行去噪处理,由于高光谱数据信息量大,冗余性强,故需对高光谱数据进行降维,采用了连续投影算法进行特征波长选择,根据交叉验证均方根误差确定最佳特征光谱的个数为9,采用主成分分析法和独立分量分析算法进行特征波长提取,经过PCA处理,根据方差累计贡献率大于85%的标准选出7个特征波长,ICA分别提取了7、10、17个特征波长,通过测试集验证,选出17个最佳特征波长。最后分别将优选出的特征波长和提取出的最优主成分作为模型的输入。建立概率神经网络(PNN)模型测试后发现结果没有达到预期精度,引入遗传算法(GA)优化的PNN神经网络的阈值,并对隐含层节点进行最优选择。通过测试试验,所有的模型识别正确率均高于85%,其中SPA-GA-PNN模型的效果最佳,识别正确率达到了97.5%。 相似文献
4.
针对荞麦剥壳机调节运行参数时需要对出料口混合物中各种成分进行定量分析,而传统人工分析方法耗时且主观性强的问题,研究了一种基于主成分分析和BP神经网络的荞麦剥壳混合物识别方法。采集未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米的图像,对图像进行预处理后,提取了每个单独籽粒图像的12个颜色特征、10个形状特征和18个纹理特征。使用主成分分析法将40个特征参数映射为5个综合特征作为输入参数,构造了一个5-11-3结构的单隐层BP神经网络对荞麦剥壳混合物进行识别,试验结果表明:该BP神经网络对未剥壳荞麦、已剥壳完整荞麦米和破损荞麦米的识别正确率分别为98%、90%和98%,平均正确率为95%,能够对荞麦剥壳混合物进行有效的识别。 相似文献
5.
基于嵌入式系统与机器视觉的上孵前无精蛋识别系统 总被引：2，自引：0，他引：2
为避免未受精蛋的孵化,将计算机图像处理技术与嵌入式技术有机结合,提出了无精蛋识别系统设计方案.该系统首先通过计算机视觉技术采集种蛋图像,之后运用数字图像处理技术完成种蛋图像区域不变性参数(圆度、复杂性、伸长度、球状性、长短轴比和平均变动系数)的提取,最后采用已训练的遗传神经网络实现无精蛋识别.实验结果表明:该系统简单便捷,易于实现,对种蛋的600枚非实验样本的识别精度为99.3％,满足上孵前剔除无精蛋的要求. 相似文献
6.
基于高光谱成像技术的小麦籽粒赤霉病识别 总被引：3，自引：0，他引：3
利用高光谱成像技术通过光谱分析和图像处理进行小麦赤霉病的识别。采用标准正态变量变换(SNV)和多元散射校正(MSC)方法对光谱进行预处理,分别利用连续投影算法(SPA)和正自适应加权算法(CARS)进行变量筛选提取特征波段,结果表明采用MSC-SPA和SNV-SPA算法时决定系数分别为0.901 9和0.900 6,均方根误差分别为0.223 8和0.223 2,筛选波长个数分别为7个和5个。利用SVM和BP神经网络算法建立的交叉验证模型及验证模型的准确率均达到90%以上。其中,MSC-SPA-SVM和SNV-SPA-SVM方法的建模集准确率分别为97.08%和94.17%;验证集准确率分别为98.33%和97.50%,均优于MSC-SPA-BP和SNV-SPA-BP模型。为了研究染病小麦的高光谱图像信息,利用主成分分析方法,根据权重系数选择最佳特征波长为627.698 nm。利用图像处理方法对特征波长下的特征图像进行预处理、特征提取。分别提取特征波长图像的形态参数特征和纹理特征参数等,根据特征参数相关性分析选择最优的建模特征参数。分别利用10折交叉验证方法建立线性判别分析、支持向量机和BP神经网络识别模型,结果表明3种识别算法识别准确率均在90%以上,具有较好的识别效果。 相似文献
7.
基于高光谱成像分析的冬枣微观损伤识别 总被引：1，自引：0，他引：1
为减少微观损伤引起的储藏腐烂损失,延长冬枣的储藏期,提高冬枣的储藏效益,以山东沾化冬枣为研究对象,利用高光谱成像系统采集轻微损伤发生不到1 h的冬枣损伤部位的高光谱图像,得到波长在871~1 766 nm范围内的256幅高光谱分量图像。结合无信息变量消除法及相关系数法进行特征波长筛选,剔除不敏感波段,选取了944、1 035、1 187、1 376 nm 4个特征波长。对以上4个特征波长对应的分量图像进行主成分分析,选择第1主成分图像作为待分割图像,对其进行灰度变换等图像预处理,并运用自适应阈值分割法对其进行图像分割,实现了轻微损伤区域的有效识别。对100个轻微损伤冬枣样本的识别试验结果表明,所提方法的正确识别率为98%。 相似文献
8.
目前,新疆哈密瓜在采摘期成熟等级判定主要采用人工方式,容易混淆级别,影响销售质量。为此,提出了一种基于机器视觉和主成分分析优化神经网络的哈密瓜成熟等级识别方法。首先,利用田间哈密瓜图像采集系统获取了采摘前不同成熟期的哈密瓜图像,利用图像处理技术获得了感兴趣区域;其次,提取能表征哈密瓜不同成熟等级的外观特征,包括H分量图像的色调累积频度、纹理特征、几何特征;最后,利用主成分分析法优化特征,构建并验证基于BP神经网络的哈密瓜成熟等级预测模型。研究表明,基于机器视觉和主成分分析优化神经网络预测哈密瓜成熟等级是可行的,准确率达86.59%。 相似文献
9.
基于近红外高光谱成像的猕猴桃早期隐性损伤识别 总被引：6，自引：0，他引：6
为了研究识别早期隐性损伤猕猴桃的方法,以"华优"猕猴桃为对象,以900~1 700 nm范围近红外高光谱成像系统为检测设备,采集了完好无损和隐性损伤1~3 h内猕猴桃的近红外高光谱。研究发现900~1 350 nm内二者的反射光谱具有明显的差异。对此区域进行分段主成分分析,确定1 050~1 200 nm为识别损伤的最佳光谱区域。基于此最佳光谱区域内主成分图像的权重系数及波长间光谱反射值的相关性优选了4个特征波长(1 057、1 090、1 120和1 177 nm)。对该4个特征波长进行了二次主成分分析,并结合中值滤波、阈值分割及数学形态学处理方法提出了早期隐性损伤猕猴桃的识别算法。该算法对70个无损猕猴桃和70个隐性损伤猕猴桃的正确识别率分别为100%和95.7%,平均正确识别率为97.9%。研究结果表明,近红外高光谱成像技术可用于早期隐性损伤猕猴桃的识别。 相似文献
10.
基于多元图像分析的包装罐内壁缺陷检 总被引：1，自引：0，他引：1
为提高包装罐生产线内壁缺陷检测准确性与可靠性,研究了一种采用单摄像机的内壁缺陷检测系统.利用基于形态学的区域提取算法,从罐内图像中分割出内壁检测区域图像.提出基于多元图像分析(MIA)的内壁缺陷检测算法.利用图像融合构成环形合格样本图像,消除罐内焊缝区域的影响,把多个环形合格样本图像与测试样本内壁检测区域图像堆叠起来,用重合区域的图像构造多元测试图像.用基于主成分分析(PCA)的多元图像处理方法获得多元测试图像的主分量表示,将去掉第一主分量和噪声后的Q统计图像作为内壁缺陷特征的检测空间,利用阈值处理检测缺陷,解决了罐体内壁照明困难、亮度不均造成缺陷误检率高的问题,提高了检测系统的准确性和鲁棒性.实验表明对内壁缺陷检测的误检率降低到2%,验证了检测系统的有效性和可靠性. 相似文献
11.
基于图像处理和BP神经网络的玉米叶部病害识别 总被引：1，自引：0，他引：1
为快速诊断识别玉米叶部病害,及时采取防治措施,提高玉米产量,本文将图像处理技术和BP神经网络算法引入到玉米叶部病害识别诊断中。对田间采集的玉米叶部病害样本图像进行背景去除、灰度化处理、阈值分割、噪声去除等预处理操作,实现叶部病害图像的分割;通过提取病害图像颜色特征和形状特征的17个参量,作为BP神经网络的输入,实现了玉米叶部常见六种病害的分类识别。实验结果表明,6种玉米叶部病害的平均识别率为93.4%,取得较好的识别效果,具有一定的实用价值。 相似文献
12.
设计了一套基于计算机视觉检测无精蛋的特征无损装置,实现了种蛋孵化前对无精蛋与受精蛋的分离。无精蛋识别系统以数码相机、计算机和打印机快速搭建计算机视觉系统,应用Canny算子实现了种蛋图像边缘提取,利用无精蛋的边缘轮廓特征规律,实现无精蛋的识别。试验结果表明,基于计算机视觉无精蛋识别装置对无精蛋筛选精度为1 0 0%。 相似文献
13.
14.
针对槟榔人工分级劳动生产率低、准确率低的问题，开展基于遗传神经网络的机器视觉槟榔分级研究。以4种类别的槟榔图像为研究对象，首先设计一个6层结构的遗传神经网络对槟榔进行分级，虽然分级准确率较高但是网络结构复杂。然后对运用主成分分析法降低图像特征的维数并将遗传神经网络简化为3层结构的方法进行研究。最后用400幅和100幅槟榔图像对这个3层神经网络进行训练和验证，经过调整网络的学习率等参数，训练和验证的准确率达到95%以上。通过神经网络模型测试试验，槟榔正确分级的准确率为90%。数据降维后的三层遗传神经网络能够实现对槟榔的实时分级，为机器分级提供了技术支持。 相似文献
15.
种蛋图像分析研究是实现计算机视觉从种蛋中分离受精蛋和无精蛋检验的基础。为此,开发了基于Matlab平台的无精蛋识别软件运行界面,并对其系统菜单功能模块进行了演示。结果显示,基于Matlab平台的无精蛋识别软件可达到实际应用的要求。 相似文献
16.
基于机器视觉与敲击振动融合的鸭蛋孵化特性检测 总被引：2，自引：0，他引：2
为提高判别种蛋孵化前期受精的准确性和稳定性,将视觉和声学2种传感器信息在孵化第5天进行特征层融合,采用2种人工神经网络构建种蛋孵化前期受精性判断的融合模型。研究表明:采用LVQ神经网络判别模型的准确率和稳定性,优于BP神经网络。单独利用计算机视觉技术和敲击振动技术对鸭蛋孵化早期受精情况的判别准确率为92%和88%,而将2种传感器信息进行融合构建的模型的准确率可达98%,说明传感器信息融合技术在判断鸭蛋孵化前期受精性方面是可行的。 相似文献
17.
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
18.
基于神经网络的实蝇成虫图像识别算法 总被引：2，自引：0，他引：2
为了实现从图像中快速、准确地识别双翅目果实蝇害虫，本文提出一种基于神经网络学习模型的识别算法。该算法首先采用Hough变换对实蝇样本图像的双翅边缘进行直线检测，使图像中实蝇旋转为躯体朝上形态，同时限定条纹所在的有效区域。结合HSV色彩空间锁定胸背板上的条纹区，对该区域进一步处理，根据中心条纹形状特征的描述方法，提取出形状特征参数，定义4种实蝇形态特征向量。采集90幅实蝇图像中各目标的4种特征因子，建立BP神经网络对数据集进行训练，从而得到用于实蝇分类的神经网络模型参数。试验结果表明，该方法对双翅目实蝇成虫的识别效果具有较好的准确性和实时性，对橘小实蝇、南瓜实蝇和瓜实蝇的识别准确率分别为95.45%、93.33%和97.83%，总体准确率为95.56%，单次识别平均耗时500ms。 相似文献
19.