共查询到18条相似文献，搜索用时 296 毫秒
1.
2.
针对温室黄瓜霜霉病、角斑病、白粉病这3种常见病害图像的特点,提出了将支持向量机方法应用于黄瓜这3种病害识别中.首先选择HIS颜色空间作为图像特征提取的空间,以避免光照强度对图像获取的影响,然后利用支持向量机分类方法进行病害的识别.实验分析表明,HIS颜色系统基本上消除了图像获取时,光照强度对图像的影响;支持向量机分类方法在病害分类时训练样本较少,具有良好的分类能力和泛化能力.不同分类核函数的比较结果是径向基核函数的SVM方法对黄瓜这3种病害的识别率达到了90%以上,最适于黄瓜3大病害的分类识别. 相似文献
3.
4.
支持向量机在黄瓜病害识别中的应用研究 总被引：4，自引：0，他引：4
探讨了采用支持向量机对黄瓜病害进行分类的方法;提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量,利用支持向量机分类器,选取4种常见核函数,以Matlab7.0为平台对10类常见病害进行识别.结果表明,SVM 方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM 分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM. 相似文献
5.
6.
7.
基于核函数支持向量机的植物叶部病害多分类检测方法 总被引：2，自引：0，他引：2
现有植物病害图像检测方法存在检测病害单一的问题，因此，本文针对叶片的链格孢病、炭疽病、细菌性枯萎病、尾孢菌叶斑病4种病害和健康叶片，提出了基于核函数支持向量机的多分类检测方法。根据植物叶部病害图像具有多变的特点，首先通过受病叶片图像预处理增强病害部分与健康部分的对比度，使病害部分更加明显。然后在Lab彩色空间模型下的a、b分量上进行叶片分割并提取特征，采用K均值聚类方法，增强分割聚类效果。最后采用基于核函数的支持向量机多分类方法对4种病害进行检测识别并分类。为提高检测准确度，用500次迭代评估出最大精度，考虑交叉验证系数的影响，将样本的40%作为验证数据，60%作为训练数据，采用径向基核函数对其进行训练。该方法将传统的2种叶片病害识别扩大至4种，实验结果证实对4种病害的识别率最高达到89.5%，最低也达到了70%，证明了该方法的有效性。 相似文献
8.
9.
10.
11.
小波域马铃薯典型虫害图像特征选择与识别 总被引：3，自引：0，他引：3
为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。 相似文献
12.
基于动态集成的黄瓜叶部病害识别方法 总被引：3，自引：0，他引：3
对作物病害类型的准确识别是病害防治的前提。为提高病害识别的准确度,以黄瓜叶部病害识别为例,提出一种基于动态集成的作物叶部病害种类的识别方法。首先利用图像分块策略提取病害图像的75维颜色统计特征,然后采用不一致度量方法对构建的10个BP神经网络单分类器进行差异性度量,并按照差异性大小进行排序,最后根据分类器的可信度,动态选择差异性大的分类器子集对病害图像进行集成识别。在由512幅白粉病、霜霉病、灰霉病和正常叶片4类黄瓜叶片组织图像构成的测试集上,所提方法的识别错误率为3.32%,分别比BP神经网络、SVM、Bagging、Ada Boost算法降低了1.37个百分点、1.56个百分点、1.76个百分点、0.78个百分点。试验结果表明:所提方法能够实现黄瓜叶部病害种类的准确识别,可为其它作物病害的识别提供借鉴。 相似文献
13.
马铃薯典型病害图像自适应特征融合与快速识别 总被引：3，自引：0，他引：3
针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。 相似文献
14.
为了减少由于光照强度不一、对比度不同的干扰因素对中华蜂图像识别过程带来的困难,提出一种基于Gabor滤波、PCA降维与SVM相结合的蜜蜂图像识别方法。将人工采集的中华蜂图像进行灰度化、归一化处理,并采用Gabor滤波技术对处理后的图片进行图像特征的提取,进一步通过PCA将高维特征向量进行线性降维,最后将图片特征值矩阵分别经过不同核函数的SVM进行分类识别。通过不同核函数的SVM进行对比建模,测试并分析其对于特征提取后中华蜂图像的建模时长、识别准确率及识别图像时长。试验表明,中华蜂的图像经过Gabor特征提取、PCA降维得到的特征矩阵,经过核函数为Sigmoid的SVM时,其识别特性最好。 相似文献
15.
为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机... 相似文献
16.
针对黄瓜表型测量中图像识别问题,为解决黄瓜种子腔与果肉图像灰度差别不大情况下的分割难题,提出了基于随机森林算法(Random Forest,RF)的黄瓜种子腔图像分割方法。首先,通过颜色空间变换,提取样本在RGB、HSV、YCb Cr模型下的9个颜色分量;接着,基于灰度共生矩阵提取样本的能量、熵、对比度、相关性的均值与标准差等8个纹理特征。结合纹理与颜色特征,运用随机森林算法构建像素分类器,实现了种子腔的粗分割。为了提高分割质量,对粗分割的图像进行形态学处理得到最终分割图像。最后,与K-均值聚类(Kmeans)算法、支持向量机(Support Vector Machine,SVM)算法做对比。实验表明:随机森林分割算法正确识别率高达95%,错误识别率在10%之内,处理时间1.6 s左右,分割质量上优于其它两种算法。 相似文献
17.
精确施药的关键是快速正确识别杂草。为此,利用ASD野外便携式光谱仪,在田间测量了大豆、马唐和稗草植株冠层在350～2 500nm波长内的光谱数据,经过数据预处理,数据分析波长选为350～1 300nm和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法 ,用线性、多项式、径向基和多层感知核函数对大豆和杂草建立二分类模型。结果表明:三阶多项式核函数SVM分类模型的正确识别率最高,达到85%以上,且支持向量比例较小;以二分类模型为基础,利用投票机制建立了大豆、马唐和稗草的一对一多分类SVM模型,正确识别率达83%;田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中的应用潜力很大。此研究为田间杂草识别及传感器的建立提供了研究思路和应用基础。 相似文献
18.
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