共查询到18条相似文献，搜索用时 296 毫秒
1.
基于径向基网络的烟叶光谱分级 总被引：2，自引：0，他引：2
烟叶的红外光谱特征不仅与其化学成分密切相关, 而且与其内部结构有一定的关系.为此,提出了基于光谱分析并利用径向基神经网络对烟叶进行等级分类的方法.首先,对复杂繁多的原始光谱数据进行小波变换;然后,采用RBF(Radial-Basis Function)神经网络进行分级.小波变换不仅可除去部分噪声,而且压缩后的数据可减少识别网络的输入维数,从而缩短了网络的训练和识别时间,并有效地减小了神经网络的VC维数,提高了网络的推广能力.对两种不同等级的50片烟叶红外光谱数据进行分析,取其中23片作训练样本,其他的27片作测试样本.实验结果表明:训练样本的正确识别率为100%,测试样本的正确识别率为96.3%. 相似文献
2.
《中国农机化学报》2016,(3)
为实现利用计算机视觉技术提升枸杞品种分类效果的目的,研究基于稀疏表示(SR)的枸杞品种分类方法。首先获取枸杞的图像,并提取枸杞图像的颜色和形态特征参数,得到枸杞训练样本的数据词典矩阵。在此基础上,利用稀疏表示方法对枸杞测试样本进行分类。基于稀疏表示分类方法的第一步是利用数据词典矩阵对测试样本进行稀疏性表示,得到测试样本的稀疏表示系数;第二步,利用测试样本的稀疏表示系数,对测试样本进行重构;第三步,计算重构样本与测试样本之间的残差,通过比较残差的大小来确定测试样本的类别。本文将稀疏表示分类方法与深度神经网络(DNN)、最小二乘支持向量机(LSSVM)、BP网络和支持向量机(SVM)等方法的识别结果做了对比和分析。试验结果表明,稀疏表示分类方法对于3个枸杞品种的综合分类准确率为98.33%,获得了最好的分类效果。 相似文献
3.
4.
为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。 相似文献
5.
6.
7.
基于机器视觉的干制红枣大小分级方法研究 总被引：1，自引：0，他引：1
为了实现干制红枣的大小自动分级,介绍了应用机器视觉的干制红枣自动分级方法,利用CCD摄像机获取红枣的样本图像,应用MATLAB软件编程实现了样本图像的灰度化、二值化、图像分割、图像滤波、图像形态学处理、边缘检测和特征量提取等处理,参照干制红枣分级标准完成了红枣自动分级。通过实验数据回归分析得出红枣实测纵径、果质量与识别值当量值之间的数学检测模型,其决定系数分别达0.995 5和0.948 1。实验表明,采用句法模式识别对数据进行红枣大小分级,分级准确率达85%。 相似文献
8.
基于卷积网络的沙漠腹地绿洲植物群落自动分类方法 总被引：1，自引：0，他引：1
为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种基于深度卷积神经网络(Convolutional neural network,CNN)的高分辨率遥感影像植物群落自动分类方法。切分无人机影像获得规则块图像,利用基于CNN的VGGNet和Res Net模型分别对块图像的特征进行抽象与学习,以自动获取更加深层抽象、更具代表性的图像块深层特征,从而实现对植物群落分布区域的提取,以原图像与结果图像叠加的形式输出植物群落自动分类结果。采用了不同梯度的样本数量作为训练样本,利用文中提出的方法分析了不同梯度的训练样本数量对自动分类结果的影响。实验结果表明,训练样本数量对分类精度具有明显的影响;提高其泛化能力后,Res Net50模型与VGG19模型的建模精度从86. 00%、83. 33%分别提升到92. 56%、90. 29%; Res Net50模型分类精度为83. 53%～91. 83%,而VGG19模型分类精度为80. 97%～89. 56%,与传统的监督分类方法比较,深度卷积网络明显提高了分类精度。分类结果表明,训练样本数量不低于200时,基于CNN的Res Net50模型表现出最佳的分类结果。 相似文献
9.
10.
为实现烤烟等级的快速准确识别,降低人工分级中主观因素对分级结果的影响,提高烟叶分级的准确性和一致性,提出一种基于烤烟RGB图像和深度学习的多尺度特征融合的烟叶图像等级分类方法,采用ResNet50提取烟叶图像特征,并引入基于注意力机制的SE模块(压缩激发模块),增强不同通道特征的重要程度;同时,采用FPN(特征金字塔网络)对提取的由浅及深不同层级的烟叶特征进行融合,以实现烟叶多尺度特征的表达。采集皖南地区6068个烤烟的正面和背面图像用于建模和分析。结果表明,提出的烟叶分级方法的分级正确率比经典CNN(卷积神经网络)高出5.21%,分级模型在新批次7个等级烟叶上的分级正确率为80.14%,相邻等级的分级正确率为91.50%。因此,采用RGB图像结合深度学习技术可实现烤烟烟叶等级的良好识别,可为烤烟烟叶收购等级评价提供一种新方法。 相似文献
11.
基于字典学习与SSD的不完整昆虫图像稻飞虱识别分类 总被引：1，自引：0，他引：1
为了解决图像采集过程中由于昆虫图像获取不完整而导致整体稻飞虱识别精度低、速度慢的问题,提出了一种基于字典学习和SSD的不完整稻飞虱图像分类方法。首先,使用自主研发的野外昆虫图像采集装置采集稻飞虱图像,构建小型图像集。然后,将采集的稻田昆虫图像进行阈值分割,得到单一稻田昆虫图像;对单一昆虫图像进行分块处理,得到带有背景信息和特征信息的混合子图像块集;使用子图像块作为字典原子来构建过完备字典,并对其进行初始化和优化更新;将更新后的过完备字典作为训练集输入SSD算法中进行训练,得到训练模型。最后,将采集的包含不完整稻田昆虫的图像在训练集模型上进行测试,并将测试结果与BPNN（Back propagation neural network)、SVM (Support vector machines）、稀疏表示等方法进行对比。试验结果表明,所提出的基于字典学习和SSD的稻飞虱识别与分类方法可以对不完整的昆虫图像进行准确快速的识别分类,其中,分类速度可达22f/s,识别精度可达89.3%,对稻飞虱的监督、预警和防治提供了有效的信息与技术支持。 相似文献
12.
基于K-SVD字典学习算法（K-singular value decomposition, K-SVD）的压缩感知技术应用在林区微环境监测站中,可极大地减少数据传输数量,从而降低监测站的使用能耗,延长监测站的使用寿命。本文选用空气温度作为实验对象,验证算法的可行性,并与前人提出的基于离散傅里叶变换基（Discrete fourier transform, DFT）的压缩感知方法进行对比实验。实验结果表明,当稀疏度k相同时,K-SVD算法的平均稀疏化误差始终小于DFT算法,且误差分布范围更加集中;当稀疏度和压缩率均相同时,K-SVD算法的平均重构误差也始终小于DFT算法,且误差分布范围更加集中。在林区微环境监测站中,K-SVD算法具有更好的稀疏表示性能以及重构性能,在降低相同系统能耗的同时,也降低了数据传输的误差。 相似文献
13.
在显微镜下采集到的蝗虫切片图像通常同时具有高斯噪声和椒盐噪声。利用同时具有插值性、光滑性、紧支撑性及归一化特性的Shannon-Cosine小波,构造了多尺度插值小波算子,进而构造了去除图像中混合噪声的小波精细积分法。该方法在稀疏描述切片图像时,通过设置稀疏表示阈值,直接消除图像中的椒盐噪声;将图像的Shannon-Cosine小波稀疏表达式直接代入图像降噪P-M模型,将该模型变形为非线性常微分方程组,采用精细积分法求解,可实现图像的保边降噪,消除图像中的高斯噪声。实验结果表明,在满足降噪要求的情况下,本文方法可以较好地保持蝗虫切片图像中的各种纹理结构;随着高斯噪声方差由0.02增加到0.10,降噪图像的PSNR下降了11.67%,远低于其他方法。说明本文方法在处理蝗虫切片图像时具有较强的鲁棒性。采用本文方法描述蝗虫切片图像时,特征像素点只占图像像素总数的10%左右,有效降低了问题规模,提高了求解效率。 相似文献
14.
在有限标记样本下,为了有效协同空谱信息提高高光谱图像的分类性能,提出了一种基于自适应字典的小样本高光谱图像分类方法.首先,对高光谱图像进行熵率超像素分割,分析标记样本的超像素区域和光谱近邻,将鉴别力高的样本扩展至标记样本集;然后,在扩展的标记样本集上分析测试样本的空谱信息,对不同的测试样本精简标记样本集,形成自适应字典... 相似文献
15.
为降低林区小气候监测站的数据传输功耗,提出了一种切换字典的数据压缩感知方法,在对样本数据进行特征表征与分类的基础上,合理切换使用离散傅里叶变换基（Discrete Fourier transform,DFT）固定字典或K-SVD（K-singular value decomposition）学习字典,对样本数据进行稀疏表达。采用高斯函数对样本数据进行拟合,以拟合决定系数R2和拟合均方根误差（RMSE）为切换因子,定义了字典的切换策略。选用空气温度、空气湿度、土壤温度、土壤湿度作为测试对象,实验验证切换策略的可行性。实验表明,在林区小气候监测站中,当稀疏度和压缩率均相同时,结合DFT和K-SVD两种字典的优势,基于切换字典的数据压缩感知算法比单一字典具有更小的重构误差。经功耗测试实验,当稀疏度K=16时,采用切换字典的数据压缩感知算法,使监测站的平均每日电能消耗降低了16.35%,保证了林区小气候监测站的低功耗运行和数据可靠传输。 相似文献
16.
基于深度学习与复合字典的马铃薯病害识别方法 总被引：4，自引：0，他引：4
为解决自然环境下小样本病害叶片识别率低、鲁棒性不强的问题,以马铃薯病害叶片为研究对象,提出一种基于深度卷积神经网络与复合特征字典结合的病害叶片识别方法。首先,利用迁移学习技术对Faster R-CNN模型进行训练,检测出病害叶片的斑块区域;然后,采用高密度采样方法对整个斑块区域提取颜色特征和SIFT特征,建立颜色特征和SIFT特征词汇表,再由K-均值聚类算法对两类表观特征词汇表进行聚类,构造出复合特征字典;最后,将病害区域提取的特征在复合特征字典中映射后获得特征直方图,利用支持向量机训练出病害的识别模型。试验结果表明,复合特征字典中视觉单词数为50时,病害识别的鲁棒性和实时性最佳,平均识别准确率为90.83%,单帧图像耗时1.68 s;在颜色特征和SIFT特征组合下,本文方法在自然光照条件下对病害的平均识别准确率最高,达到84.16%;在相同数据集下,与传统词袋法相比,本文方法的平均识别准确率提高了25.45个百分点。 相似文献
17.
地表覆盖产品是地理国情监测、生态系统评估、国土空间规划等活动的重要基础数据。GEE、PIE、微软行星云等遥感计算云平台具备丰富的数据源和强大算力。利用GEE云平台融合多套公开产品制作训练样本,可以显著降低产品更新的成本和周期,具有重要研究价值。本文以淮河流域为例,将欧洲航天局(ESA)和美国环境系统研究所(ESRI)存储在GEE平台上的2020年分辨率10 m地表覆盖产品作为训练样本数据源,选用Sentinel-1雷达和Sentinel-2多光谱影像构建特征空间,利用随机森林分类方法制作分辨率10 m的地表覆盖产品。为验证方法效果,进行了2组对比实验。实验1随机抽取1 116个公开产品类别一致的样点作为训练样本,并通过目视解译方式验证本文产品与多套公开产品的精度。结果显示,本文产品总体精度为80.35%,相较于公开产品的总体精度提升2.89～8.94个百分点,局部刻画也更加精细;在Sentinel-2基础上加入雷达影像,总体精度提高3.52个百分点,雷达影像辅助效果明显。实验2设置8组不同数量的训练样本,并分别以人工判读、ESA、ESRI、DW、GlobeLand30为参考数据源,研究... 相似文献
18.
针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于最优标号和次优标号法（Best vs second best,BvSB）在未标记菊花样本中选取信息量较大的样本进行标记,并将标记后的样本放入训练样本中;其次,使用深度卷积神经网络ResNet50作为本文的主干网络训练标记样本,引入混合注意力机制模块CBAM,使模型能够更为准确地提取细粒度图像中的高层语义信息;最后,用更新后的训练样本继续训练分类模型,直到模型达到迭代次数后停止。实验结果表明,该方法在少量菊花标记样本下,精确率、召回率和F1值分别达到93.66%、93.15%和93.41%。本文方法可为标号数据不足情况下的菊花等花卉智能化识别提供技术支撑。 相似文献