共查询到17条相似文献,搜索用时 250 毫秒
1.
2.
3.
基于分层卷积深度学习系统的植物叶片识别研究 总被引:5,自引:3,他引:2
深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。 相似文献
4.
针对在树皮图像分类过程中图像训练数据数量少、识别准确率低的问题,提出一种基于卷积神经网络的小样本树皮图像识别方法。以5种常见树种的树皮图像作为研究对象,在基于卷积神经网络的Inception_v3模型基础上,对原始数据集进行数据增强的一系列操作,扩大数据集的数量;在此基础上,对所有数据集进行白化处理,以降低数据之间的冗余性,使得特征之间相关性较低;采用ReLU激励函数和Dropout方法,防止训练时引起的过拟合现象;同时,在模型的最后添加3层全连接层,增强模型的特征表达能力,采用softmax分类器。最终确定了一个10层CNN模型:5个卷积层、2个池化层、3个全连接层。结果表明,上述网络模型对数据集的识别准确率为94%,并且为验证本研究方法的可行性,分别在MNIST数据集、ImageNet数据集、CIFAR-10数据集进行测试,识别准确率分别为92%、90%、93%。因此,提出的方法在小样本的识别试验中具有较高的识别准确率和一定的可行性。 相似文献
5.
《内蒙古农业大学学报(自然科学版)》2021,42(5):89-93
针对目前识别牧草种子存在主要依赖于耗时费力的人工种植识别、自动化程度低等问题,本文提出并构建了基于深度学习的多层卷积神经网络禾本科牧草种子分类识别模型。通过改进单层卷积层优化提取牧草种子深度特征,并通过softmax种子分类器对10类禾本科牧草种子进行训练与分类,同时与其他分类识别方法进行比较分析。结果表明:本模型对10类纹理特征极为相似的禾本科牧草种子图像的识别率可达到91.67%,比其他方法平均高出7%~44%,并且模型具有很好的鲁棒性。验证了深度学习在牧草识别中的可行性,为牧草管理数字化提供了参考。 相似文献
6.
结合多尺度纹理特征的高光谱影像面向对象树种分类 总被引:1,自引:0,他引:1
7.
8.
9.
10.
11.
板材表面的纹理特征是木质板材表面最为直观的特性,同时也是建筑装潢质量和木制品品质的重要评价指标。以中国东北部常见的红松、落叶松、白桦、水曲柳和柞木等5种树种的弦切、径切图像作为研究对象,提出一种基于多通道Gabor滤波和Tamura纹理特征的板材纹理特征提取方法,克服了传统方法在提取样本图像的全局特征时对局部纹理特征不敏感的问题。具体是将基于视觉心理学的Tamura纹理特征与Gabor滤波器进行结合,在不同频率、不同方向上共24组滤波器的虚部卷积图像上进行纹理特征参数提取,结合上述的纹理特征参数在BP神经网络、KNN和支持向量机分类器上进行分类试验,最佳特征参数体系的识别率达97.8%。 相似文献
12.
13.
基于图像分析的梅花品种识别研究 总被引:2,自引:2,他引:0
针对梅花图像,提出了适合其颜色、形状、纹理3方面特征的描述方法。在颜色特征提取方面,通过直方图归类的结果,提出了适合描述梅花图像色彩特征的方法。改进了对形状特征进行描述的平坦度算法,在计算平坦度时只计算花朵区域,没有统计背景区域,使算法得到简化,并且不影响最终的效果。改进了灰度共生矩阵的计算方法,首先提取出花朵区域的最小外接长方形,以此作为新的图像的长和宽,降低灰度共生矩阵的计算量;然后再计算4个角度的灰度共生矩阵,累加相应的矩阵元素除以4求出4个矩阵的平均矩阵,作为参与运算的灰度共生矩阵;计算该矩阵的相关参数作为纹理特征的描述。最后对提取到的19个特征采用SVM分类器进行分类和识别。对 660幅梅花图像(每个品种60幅,11个品种)进行测试,330幅作为训练样本,另外330幅作为测试样本。实验结果表明,在对SVM分类器做交叉验证后,识别率可达到93.94%。该识别系统具有较高的识别准确率和稳定性,能够起到知识普及的作用,减轻专业人员的负担,增加梅花的鉴赏性。 相似文献
14.
针对目前林业部门人工调查树种存在效率低、成本高等问题,采用无人机遥感技术进行树种分类识别,提高树种调查效率,辅助林业管理部门进行林木种植结构分析、病虫害防治等工作。利用无人机获取矮冬青、三球悬铃木、马尾松和紫叶李的冠层红绿蓝(red-green-blue,RGB)可见光影像,进行数字表面模型(digital surface model,DSM)特征图像提取,通过色彩空间转换提高树种间颜色差异;应用最优尺度分割,以纹理特征、颜色特征及几何特征为分类特征参数,优选最佳分类特征集,以期实现无人机可见光影像的树种分类。结果表明,DSM与RGB特征融合图像提取树种的精度较高,可见光影像分类总精度为91.58%,Kappa系数为0.89;特征融合图像分类总精度为98.27%,Kappa系数为0.98。研究提出的特征融合图像结合面向对象分类方法实现了可见光影像的树种分类,为实现树种计数、统计、分类提供数据参考。 相似文献
15.
为解决传统人工识别桃树病害效率低、成本高、准确率低等问题,提出了基于AI深度学习的桃树病害智能识别方法,利用并微调ImageNet预训练的DenseNet-169分类模型,对桃树常见的11种病害图像进行预处理与模型训练,搭建桃树病害智能识别软件环境。该方法对常见桃树病害的平均识别率达到91%以上,结合图像处理、深度学习、数据挖掘等技术自动对桃树病害进行识别,实现桃树病害的智能诊断并提供防治建议。该方法具有人力成本低、操作简单、识别效率高等优点,利于病害的及时诊出与防治决策的制定,对促进果园病害防控的智慧化管理具有重要研究意义与应用价值。 相似文献
16.
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
17.
在图像分类和检索中,如何对图像进行特征提取及提取图像的哪些特征信息,影响着图像分类的准确性。提出了一种基于颜色的特征提取算法,同时利用最新的多层的深度学习算法对图像进行分类。结果表明,该研究提出的图像分类方法比传统图像分类算法准确度有较大的提高。 相似文献