共查询到20条相似文献，搜索用时 31 毫秒
1.
使用竹片图像实现竹片缺陷自动识别，目前深度学习可以有效地解决该类问题，但是必须使用大量样本数据做训练才能获得较高的识别准确率。当图像数量有限时，利用基于迁移学习的方法，把经过预训练的卷积神经网络模型进行迁移，即共享卷积层和池化层的权重参数，调整新网络模型的超参数，并建立一个包含4种共计6 360张竹片缺陷图像的数据库，把图片分成4种训练集测试集形式，即80%训练、20%测试；60%训练、40%测试；40%训练、60%测试；20%训练、80%测试，分别利用支持向量机SVM分类方法、深度学习方法和迁移学习方法进行训练和测试，并将这3种方法作对比。最后，通过构建竹片缺陷识别的混淆矩阵对迁移学习进行具体分析与说明。结果表明，按照80%训练、20%测试的识别准确率最高，通过迁移学习得到的竹片缺陷最高识别精度分别达到98.97%，比普通深度学习提高了11.55% ，比SVM分类方法提高了13.04%。说明迁移学习比普通深度学习和传统支持向量机SVM分类方法更适合用于小样本数据集的分类识别，并且效果优于普通深度学习和 SVM 分类方法。 相似文献
2.
Support vector machine (SVM) model is employed and tested for the soil surface roughness classification. SVM is calibrated (trained) and tested with the experimentally obtained data. The experimentally data is obtained by using X-band (9.5 GHz) scatterometer for two soil surface roughness 3.78 cm and 1.83 cm at constant soil surface moisture equal to 22.80%. The measurement of the scattering coefficient was carried out over a range of incidence angle from 20° to 70° at the step of 5° for both the HH and vv polarization. The performance of the SVM model is evaluated from the outcome classification result on trained data set and test data set. Radial Gaussian kernel function results 100% correct Classification and identification of soil surface roughness both in training and validation phase. SVM is a proficient technique for soil surface roughness classification by such experimentation and have numerous of advantages over artificial neural network (ANN) based approaches and other theoretical approaches as its less complexity and less time consumption ability. 相似文献
3.
模式识别在实际应用中常碰到类分布不平衡的多分类问题,该情形下的分类器性能采用传统的精度指标评价意义不大,需要采用代价指标和ROC曲线分析来评价。传统的分类器对不平衡问题分类性能很差,利用AdaBoost算法在机器学习中对样本权重的调整,将不平衡的错分代价加入到样本权重,使分类器更多关注重要的少数样本类,可以提高不平衡类分布下多分类性能。模拟试验也表明了该方案的有效性。 相似文献
4.
针对支撑向量机（Support vector machine,SVM）在大规模数据的问题,提出了一种基于模糊c-均值聚类样本选择策略的SVC（SVM for classification）迭代训练算法,从样本抽取、迭代训练两个方面进行了改进,并在多个较大规模UCI标准测试集上进行了试验.结果表明,所提出的迭代训练算法收敛快,在保证学习精度的同时使训练速度加倍、支撑向量减少一半. 相似文献
5.
C A Rosen 《Science (New York, N.Y.)》1967,156(771):38-44
Man's intelligent behavior is due in part to his ability to select, classify, and abstract significant information reaching him from his environment by way of his senses. This function, pattern recognition, has become a major focus of research by scientists working in the field of artificial intelligence. At the lowest level, pattern recognition reduces to pattern classification, which consists of the separation, into desired classes, of groups of objects, sounds, odors, events, properties, and the like; the separations are based on sets of measurements made on the entities being classified. The pattern classifier is composed of a data filter and a categorizer. The data filter selects the distinguishing features and represents them as sets of real numbers; each set is termed a pattern. The categorizer assigns each pattern to one of several desired classes. Patterns can be represented geometrically as points in an n-dimensional space; the n coordinates of each point are the numerical values of the features selected to represent the pattern. A pattern classification system separates an n-dimensional space into regions, each of which ideally contains points of only one class. One method to effect this separation is by means of ldquo;trainablerdquo; categorizers-major components of adaptive machines. They consist of networks whose internal parameters are varied according to a set of fixed rules during a training cycle. A statistically large sample of known patterns are presented, one at a time, to the networks; internal corrections are made each time a pattern is erroneously classified. Classifica-tion performance tends to improve as the set of known patterns is cycled repetitively through the machine. Finally, the adequacy of adaptation is tested by a separate set of similar patterns which have not been used in the training process. A number of different machine organizations and training rules have been developed and are being applied successfully to numerous classification problems. More difficult recognition problems requiring the aid of logioal tests and analysis, search and association, use the digital computer programmed to supplement the functions of the adaptive classifier. 相似文献
6.
Object-oriented programming divides the crop production into subsystems and simulates their behaviors. Many classes were designed to simulate the behaviors of different parts or different physiological processes in crop production system. At the same time, many classes have to be employed for bettering user‘s interface. But how to manage these classes on a higher level to cooperate them into a perfect system is another problem to study. The Rice Growth Models (RGM) system represents an effort to define and implement a framework to manage these classes. In RGM system, the classes were organized into the model-document-view architecture to separate the domain models, data management and user interface. A single document with multiple views interface frame window was adopted in RGM. In the architectures, the simulation models only exchange data with documents while documents act as intermediacies between simulation models and interfaces.Views get data from documents and show the results to users. The classes for the different functions can be grouped into different architectures. Different architectures communicate with each other through documents.The classes for the different functions can be grouped into different architectures. By using the architecture,communication between classes is more efficient. Modeler can add classes in architectures or other architectures to extend the system without having to change system structure, which is useful for construction and maintenance of agricultural system models. 相似文献
7.
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
8.
以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法（MLC）和支持向量机法（SVM）]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%,Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%,Kappa系数分别提高了0.07和0.08;ImageRF法总体分类精度分别提高了5.93%和6.82%,Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。 相似文献
9.
传统的基于支持向量机的单类分类器因计算复杂度高而无法满足大规模数据实时处理的需求,在线学习方法为解决该问题提供了一种有效途径.本文在挖掘样本数据在特征空间分布性状的基础上,提出了一种基于凸壳的在线单类学习机(One-class Online Classifier based on Convex Hull,OOCCH).该方法首先使用凸壳的定义选择能代表特征空间中数据分布的凸壳向量对应的原始样本作为训练样本来缩减训练集的规模;其次在分类器在线更新阶段利用凸壳向量动态地调整分类器的训练样本.理论分析证明了OOCCH的有效性,与现有的在线单类分类器的实验比较,OOCCH在训练时间和分类性能方面有显著优势. 相似文献
10.
【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。 相似文献
11.
基于BP神经网络和支持向量机的杉木人工林收获模型研究 总被引：3，自引：2，他引：1
以闽西北杉木人工林为研究对象,选取涵盖中龄林、近熟林、成熟林3个龄组的700个小班作为样地进行调查,以林龄、地位指数、林分密度、平均胸径作为输入变量,单位蓄积量为输出变量,运用BP神经网络和支持向量机2种机器学习方法建立林分收获模型,并采用遗传算法对模型参数进行优化。随机将样本数据分成350个训练样本和350个验证样本,对不同模型的拟合精度、预测精度进行对比分析,其中参数优化后的BP神经网络和支持向量机模型训练样本精度分别达到0.935 37和0.936 33,预测结果精度分别为0.921 30和0.926 97,训练样本和验证样本的总体拟合平均相对误差值均低于7%。分析结果表明,2种模型拟合精度高、预测性能好,为杉木人工林林分收获模拟和预测奠定了基础。为比较2种方法预测结果的差异性,将350个验证样本样地平均分为7组,分别用优化后的2种模型计算各组的预测精度,对预测精度与训练精度的差值进行t检验,结果表明,2种建模方法的预测结果不存在显著性差异,但模型精度的提高对森林资源的精确监测和森林生长动态预测具有重要的理论价值。同时,研究发现支持向量机模型的拟合精度和泛化能力均优于BP神经网络,该方法为收获模型研究提供了新思路。 相似文献
12.
基于EnMAP-Box的遥感图像分类研究 总被引：2，自引：0，他引：2
采用2007年6月云南省勐腊县TM遥感数据,利用EnMAP-box进行了支持向量机的图像分类研究,以网格搜索法寻找最优参数,在设定的范围内,求得了最优C和g参数,用此参数进行支持向量机的遥感图像土地覆盖分类。结果表明：SVM方法较最大似然分类方法具有较高的分类精度,特别是阔叶林和橡胶林的精度明显优于最大似然分类方法;对于面积较小的次要类型,2种分类方法的精度基本保持一致;SVM的总体精度相对于最大似然分类提高了11.9％。 相似文献
13.
深度学习方法在农业信息中的研究进展与应用现状 总被引：7，自引：3，他引：4
为使农业信息领域的研究人员能够系统和快速地了解深度学习在农业中的研究进展以及应用现状,对深度学习在农业信息领域的应用进行归纳、梳理、分析和展望。对涉及农业领域且应用深度学习技术的90项研究中所涉及的农业问题、具体模型和框架、数据集的来源和特征以及预处理方法、模型评价指标等进行归纳总结分析,并讨论深度学习的优点和局限性,进而展望深度学习的发展趋势。农业领域中的应用包括作物及其器官分类、病虫害识别、果实识别和计数、植物识别、土壤覆盖分类、杂草识别、行为识别和分类、植物养分含量估计、植物叶片或种子表型分析等方面;大多数研究采用卷积神经网络,如AlexNet、VGG16和Faster R-CNN。在框架方面,Caffe使用频次最高,其次是Tensorflow和Keras/Theano;分类准确度是最常用的模型评价指标,其次是F1得分和平均精度。与其他常用方法和技术相比,深度学习不仅精度高,而且性能优于现有的常用图像处理技术。其他涉及计算机视觉技术的农业应用有望通过深度学习技术的使用获得更好的效果。 相似文献
14.
建立包含三个层次54个指标的长沙市“十二五”时期发展指标体系，通过运用长沙市2006~2009年的数据对各指标的得分值进行分析发现，“十二五”时期的发展不能过多注重经济增长方面的指标，而应更多考虑社会民生和区域创新方面的指标，在具体运用时应尽量避免主观赋权。 相似文献
15.
In production systems where high-resolution harvest data are unavailable there is often a reliance on ancillary information
to generate potential management units. In these situations correct identification of relevant sources of data is important
to minimize cost to the grower. For three fields in a sweet corn production system in central NSW, Australia, several sets
of high-resolution data were obtained using soil and crop canopy sensors. Management units were derived by k-means classification for 2–5 classes using three approaches: (1) with soil data, (2) with crop data and (3) a combination
of both soil and crop data. Crop quantity and quality were sampled manually, and the sample data were related to the different
management units using multivariate analysis of variance (MANOVA). The corrected Akaike information criterion (AICc) was then
used to rank the different sources of data and the different orders of management units. For irrigated, short-season sweet
corn production the management units derived from the crop canopy sensor data explained more variation in key harvest variables
than management units derived from an apparent soil electrical conductivity (ECa) survey or a mixture of crop and soil sensor data. Management units derived from crop data recorded just prior to side-dressing
outperformed management units derived from data recorded earlier in the season. However, multi-temporal classification of
early and mid-season crop data gave better results than single layer classification at any time. For all three fields in this
study, a 3- or 4-unit classification gave the best results according to the information criterion (AICc). For growers interested
in adopting differential management in irrigated sweet corn, investment in a crop canopy sensor will provide more useful high-resolution
information than that in a high-resolution ECa survey. 相似文献
16.
为帮助猪场管理者更好地对母猪进行繁殖管理、预测母猪的高低产、及时淘汰低产母猪,收集和整理包含出生场地、分娩栏位、品种和不同胎次、初生窝重信息的3个母猪群体的生产数据集,制定母猪高低产的分类标准,使用R软件中的Boruta包筛选出影响母猪高低产的重要特征,使用4种不同的机器学习方法——逻辑回归（logistic regression,LOG）、决策树（decision tree,DT）、随机森林（random forest,RF）和支持向量机（support vector machine,SVM）构建母猪高低产的分类模型,并进行决策树视图分析探究影响母猪最高产的相关因素。结果显示：4种机器学习方法构建母猪高产分类模型的分类准确率均在71%左右,最高可达84%,并且发现SVM作为最佳建模方法在所有数据集和不同分类标准下出现的频率最高,其次是LOG和DT。决策树视图显示出生场地、品种和初生窝重是划分最高产母猪的重要叶节点,利用这些特征预测最高产母猪准确率可达73%~82%。以上结果表明在未来的养猪生产中,利用机器学习方法实现母猪高低产的早期预测将会是一个不错的选择。 相似文献
17.
[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
18.
基于TM遥感数据和林业二调数据,对云南省宜良县北古城镇进行土地监测和土地利用分类,利用ArcGIS和ENVI软件对原始影像数据进行裁剪,运用支持向量机(SVM)监督分类方法,将研究区的土地利用类型分为农地、建筑用地、水域、针叶林、裸地6个类别,并且达到一定的分类精度,以图像的形式直观地展示研究区的土地覆盖类型,并以林业二调数据为ROI(感兴趣区域)来验证分类精度。在此基础上,指出了研究区土地利用中存在的问题和生态结构的变化,并提出了调整对策。 相似文献
19.
目的 鞋印是刑事侦查的重要物证之一,如何对积累的大量鞋印花纹图像进行自动归类管理是刑事技术迫切需要解决的问题之一。与其他类图像不同,鞋印花纹图像具有种类多但数目未知、同类花纹分布不均匀且同类花纹数目少的特点。基于鞋印花纹图像的这些特点,用目前典型的聚类算法对鞋印花纹图像集进行聚类,并不能取得很好的效果。在对鞋印花纹图像进行分析的基础上,提出一种K步稳定的鞋印花纹图像自动聚类算法。方法 对已标记的鞋印花纹图像进行统计发现,各类鞋印花纹之间在特征空间上存在互不相交的区域(本文称为隔离带)。算法的核心思想是寻找各类鞋印花纹之间的隔离带,来将各类分开。过程为:以单调递增或递减的方式调整特征空间中判定两点为一类的阈值,得到数据集的多次划分;若在连续K次划分的过程中,某一类的成员不发生变化,则说明这K次调整是在隔离带中进行的,即聚出一类,并从数据集中删除已标记的数据;选择下一个阈值对剩余的数据集进行划分,输出K步不变的类;依此类推,直到剩余数据集为空,聚类完成。结果 在两类公开测试数据集和实际鞋印花纹数据集上进行实验,本文算法的主要性能指标都超过典型算法,其中在包含5792枚实际鞋印花纹数据集上的聚类准确率和F-Measure值分别达到了99.68%和95.99%。结论 针对鞋印花纹图像特点,提出了一种通过寻找各类之间的隔离带进行自动聚类的算法,并在实际应用中取得了很好的效果。且算法性能受参数的变化以及类的形状影响较小。本文算法同样适用于具有类似特点的其他数据集的自动聚类。 相似文献
20.
基于TM数据提取竹林遥感信息的方法 总被引：2，自引：0，他引：2
利用LandSat5-TM对竹林遥感信息提取方法进行了研究:将归一化植被指数NDVI、结构效应指数CVI、综合效应指数MVI以及主成分变换的前3个分量PCA1、PCA2、PCA3与TM数据的6个波段(除第六波段)合成一个具有12波段的新数据;在最佳波段组合的基础上,结合地形图、土地利用图和野外调查数据,采用光谱特征模型、支持向量机、光谱角填图以及最大似然法对竹林信息进行了提取。研究表明:叶冠结构指数、综合指数、主成分变换等新波段对竹林信息提取很有帮助;与支持向量机、光谱角填图和最大似然法3种监督分类方法相比,基于光谱特征模型的竹林遥感信息提取方法具有一定的适应性,在保证竹林分类精度的同时,其他植被类型的分类精度也能得到满意的结果。 相似文献