共查询到20条相似文献，搜索用时 62 毫秒
1.
基于支持向量机的鱼群摄食行为识别技术 总被引：1，自引：0，他引：1
应用计算机视觉技术对镜鲤鱼群的摄食行为进行识别,减少养殖过程中人力的损耗,提出了一种基于图像纹理的鱼群摄食的自动检测识别方法。首先利用相机采集鱼群正常状态和摄食时的图片,之后对图片进行预处理,利用灰度差分统计法、灰度共生矩阵和高斯马尔科夫随机场模型提取鱼群的13个纹理特征,最后利用支持向量机(support vector machine,简称SVM)算法对鱼群图像进行分类识别。结果表明,支持向量机对测试集的识别率达到96.5%,运行时间为39.04 s,且使用主成分分析(principal component analysis,简称PCA)算法后,支持向量机对测试集的识别率达到93.5%,运行时间为0.63 s,可以达到对鱼群摄食自动识别的要求。 相似文献
2.
为实现通过自动化手段进行花生品种真伪的鉴定,通过扫描仪采集了花生荚果侧面的图像,花生共20个品种,每个品种50个花生荚果,对采集的每幅图像提取形态、颜色、纹理方面的50个特征,首先通过主分量分析(PCA)对这些特征进行组合优化,然后采用RBF核函数搭建了支持向量机模型,最后通过网格搜索法、基因算法和粒子群方法优化支持向量机模型的惩罚参数c与gamma参数。优化结果表明,在主成分累积贡献率为95%时,PCA是10个主分量,3种参数优化方案中20个品种的5折交叉验证识别率分别为78.6%、77.6%、78.0%,识别效果相当,花生品种真伪的二分类识别率最高达到95%。优化后该模型对品种真伪的识别已经基本可以推广到实际生产中使用。 相似文献
3.
辣椒穴盘苗自动移栽机的设计及田间试验 总被引：1，自引：1，他引：0
《甘肃农业大学学报》2015,(6):165-169
针对吊篮式半自动移栽机移栽效率低的问题,设计了一种辣椒穴盘苗自动移栽机,该机在原有的吊篮式半自动移栽机的基础上,安装自动取喂系统,设计成自动移栽机,取代人工进行取喂穴盘苗.自动取喂系统中,机械手将穴盘苗从穴盘中取出,并输送到喂苗位置;机械手打开,穴盘苗落入苗筒中,苗筒将穴盘苗喂入吊篮内;地轮驱动栽植器转动,穴盘苗被栽入土穴内,完成自动移栽.采用苗龄61d的"早红一号"辣椒穴盘苗进行田间移栽试验,‘早红一号’平均苗高为165.2mm,拖拉机行驶机速度为1.2km/h.试验结果显示:取苗成功率为98.18%,喂苗成功率为96.30%,栽植频率为77株/min,栽植成功率为96.97%. 相似文献
4.
基于Gabor小波和支持向量机的掌纹识别算法的研究 总被引：1，自引：0，他引：1
掌纹识别作为1种新兴的生物识别技术,因其识别区域大、易采集、精度高和可靠性高等优点得到了较快的发展。本文提出基于Gabor小波和支持向量机的掌纹识别算法。算法主要分三个步骤,首先将掌纹图像用5个尺度4个方向的2DGabor滤波器组对图像进行滤波并下采样得到Gabor特征矩阵,之后用二维主成分分析(two-dimen-sional principle component analysis2,DPCA)进行降维,最后将得到的特征向量送进支持向量机(support vector machine,SVM)进行学习分类。实验结果表明,该算法能够很好的解决小样本识别问题,有效的提高掌纹识别率。 相似文献
5.
玉米品种识别多算法模型比较研究 总被引：1，自引：0，他引：1
为了比较玉米品种图像识别中各种神经网络识别模型的性能,搭建了一套基于统计特征提取和模式识别分类算法的玉米品种识别系统。采用扫描仪获得了11个玉米品种每个品种50粒子粒图像,基于图像的统计特征,分别研究了7种人工神经网络(ANN)模型(BP、rbf、grnn、pnn、compet、sofm、ELM)的识别性能,进一步考察了极限学习机(ELM)、支持向量机(SVM)模式分类过程性能。结果表明,在同样的情况下SVM模型较ANN模型的特征识别率高,另外神经网络模型grnn和ELM识别效果较好,其他识别模型性能较差。对11个玉米品种种子的最高检出率为91.73%,另外,所采用的特征降维方法、特征维数、初始权值的随机性选择等因素都会影响模型的识别效果。这对玉米种子纯度和品种真实性检验中人工神经网络模型的构建具有指导意义。 相似文献
6.
建立支持向量机（SVM）模型,用遗传算法自动选择最优的核函数参数,利用该SVM与遗传算法相结合的新型算法对储粮害虫图像进行分类识别。结果表明,该方法所确定的SVM对储粮害虫具有较优的识别率,其整体性能优良。 相似文献
7.
针对吊杯式移栽机喂苗机构抛投穴盘苗准确率低下的问题,在吊杯式移栽试验台上进行投苗试验,用高速摄影机对穴盘苗从喂苗机构落苗口到栽植器的运动轨迹进行拍摄,采用图像后处理技术分析穴盘苗质量、穴盘苗植株高度和喂苗杯速度对穴盘苗抛投运动的影响,并进行正交试验,采用响应面分析法确定影响喂苗机构抛投穴盘苗准确率的投苗参数最佳组合。结果表明:1)穴盘苗高度、穴盘苗质量和喂苗杯速度影响抛投过程中穴盘苗的姿态和运动轨迹,并对水平位移产生较大影响。栽植器接苗时穴盘苗的水平位移区域为[30,50]mm,喂苗机构落苗口相对于栽植器接苗点水平位移(L)为32.1mm≤L≤42.8mm;2)影响喂苗机构抛投穴盘苗准确率的主次因素依次为穴盘苗高度、穴盘苗质量和喂苗杯速度;当喂苗杯速度为0.184m/s、穴盘苗质量为(20±4)g、穴盘苗高度为(130±10)mm时,投苗准确率达到99%。 相似文献
8.
《浙江农林大学学报》2017,(5)
针对林业业务图像的特点,提出了一种基于稠密尺度不变特征转换(Dense SIFT)特征的词袋(BoW)模型,并联合直方图正交核的支持向量机(SVM)对图像自动分类。首先采用Dense SIFT提取林业业务图像特征,然后使用BoW模型描述各业务图像,最后利用SVM进行分类识别。实验结果表明:采用Dense SIFT特征比SIFT特征训练时间和识别时间更短,并有更高的识别率,更适应实时性较高的场合;SVM采用多项式核函数(Poly),径向基核函数(RBF),多层感知器核函数(Sigmoid)以及直方图交叉核对3类林业业务图像分类时,直方图正交核取得的平均识别率最高;综合Dense SIFT在局部特征上的优势,加上BoW模型和直方图交叉核SVM分类器,平均识别率达到了86.7%,有较好的识别效果。 相似文献
9.
基于叶片图像多特征融合的观叶植物种类识别 总被引：9，自引：4，他引：5
叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。 相似文献
10.
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
11.
《贵州农业科学》2021,49(4)
【目的】探索基于形状特征和支持向量机(SVM)的茶叶病害识别方法,为茶叶病害的智能准确识别提供技术支撑。【方法】采集贵州铜仁茶区茶炭疽病、茶饼病、茶白星病的病斑图像,使用MATLAB提取并计算3种病害的病斑面积、周长、外接矩形和外接椭圆面积、复杂性、伸长度、矩形度、圆度、面积凹凸比8种形状特征值,分别建立基于单一形状特征和复杂性、伸长度、矩形度、圆度及面积凹凸比5种组合形状特征、4种不同核函数的SVM,对3种茶叶病害进行分类识别,比较其正确识别率,筛选最优识别算法。【结果】基于单一特征的SVM对3种茶叶病害的识别率低于组合形状特征下的正确识别率;基于组合形状特征的SVM中,线性核函数、多项式核函数、径向基核函数、Sigmoid核函数的SVM总识别率分别为90.00%、88.00%、83.33%、86.05%。【结论】基于复杂性、伸长度、矩形度、圆度及面积凹凸比5种组合形状特征,采用线性核函数的SVM对茶炭疽病、茶饼病、茶白星病的分类识别效果较优。 相似文献
12.
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
13.
《浙江大学学报(农业与生命科学版)》2019,(1)
采用高光谱成像技术(400～1 000 nm)对苹果轻微损伤进行快速识别及无损检测。采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2∶1的比例分为训练集和测试集。使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine, ELM)建模分析,并与支持向量机(support vector machine, SVM)和K-均值聚类算法进行比较。结果表明,基于全波段的ELM模型最终测试集识别率为94.44%,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67%,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22%和91.67%,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法。在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis, ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像。对全部高光谱图像进行检测表明,该算法的最终识别率超过94%,说明该算法能够较为有效地识别苹果损伤区域。 相似文献
14.
温室穴盘苗移栽机械研究现状及问题分析 总被引：2，自引：0，他引：2
为帮助科研人员开阔移栽机械研发思路,系统了解温室穴盘苗移栽机的研究现状和存在问题,从而查漏补缺,着力提升我国温室钵苗机械化移栽水平。采用文献综述和归纳总结的方法,对国内外温室穴盘苗移栽现状和代表性装备进行对比,同时对穴盘苗移栽关键技术部件研究进展进行梳理。结果表明:当前我国穴盘苗移栽领域相关标准缺失引起的栽培模式、装备作业评价标准等因素的不确定性,导致移栽机研发难以为继;已有装备功能单调,智能化程度低,无法自动完成钵苗质量检测、分级、计数、补苗等一机多用功能;移栽机设计缺乏整体布局规划和移栽策略、工艺流程优化,致使机器体积庞大,适用性不强。针对上述问题提出以下建议:尽快制定温室穴盘苗移栽标准,规范行业发展;加速以机器视觉技术为代表的高新技术应用,提升机器功能和智能化程度;加强移栽机整体设计和作业流程优化。 相似文献
15.
基于Android的苹果叶部病害识别系统设计 总被引：2，自引：0，他引：2
《河北农业大学学报》2015,(6)
为快速便捷地解决苹果病害识别问题,本研究设计了基于Android的图像识别系统。采用最大类间方差法(Otsu)对病斑图形分割,提取了病斑的颜色特征,纹理特征和形状特征、运用支持向量机(SVM)对病斑进行了分类,并在服务器端建立了苹果叶部病害特征库。手机客户端采集5种苹果病害图像,上传到服务器端进行识别,并将识别结果反馈给客户端,平均正确识别率为85.33%,测试效果良好。 相似文献
16.
为实现玉米籽粒的品种识别与品质评估,根据籽粒图像特征参数较多、参数间有一定相关性的特点,采集原始图像并进行必要的预处理,提取图像的颜色特征、形状特征及纹理特征共30个;以主成分分析法对指标集进行精简,在保证识别精度的前提下去除冗余信息,降低图像计算复杂度,使特征集精简为10个;以支持向量机进行分类识别,结果证实品种平均识别率为93.3%,不合格粒平均识别率为94.5%,识别精度较高,可满足玉米籽粒的无损识别、分类、检测及评估需求。 相似文献
17.
为实现马铃薯叶片病害识别,达到及时防治的目的,设计了一种基于压缩感知理论的马铃薯病害图像分类方法。采用K-奇异值分解算法(K-SVD)分别构造了马铃薯早疫病、晚疫病、灰霉病叶片图像病害字典,通过正交匹配追踪算法求解测试样本在不同病害字典下的稀疏系数矩阵,并进行图像重构,求解重构均方根误差。利用不同类别字典本身的差异性,测试样本重构时,误差最小的字典即为测试样本所属病害种类。与支持向量机识别算法相比,该方法能够自学习图像特征,大大降低了图像分割和特征提取复杂度。经对比测试,采用字典学习理论进行分类,马铃薯3种叶片病害单一病斑图片综合识别率达到95.33%,高于支持向量机分类识别算法(识别率92%)。 相似文献
18.
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
19.