共查询到20条相似文献，搜索用时 281 毫秒
1.
针对脱绒棉籽中不孕籽识别与剔除问题,提出一种基于颜色模型的不孕棉籽识别与剔除方法。以南疆中棉56号、新陆早26号、惠远730 3个品种的棉籽为研究对象,利用棉籽的HSI三要素来表征不孕棉籽的外部特征,进而识别不孕棉籽。利用棉籽外部颜色信息的色调分量值H、饱和度分量值S、强度分量值I3个要素分量值作为BP神经网络模型的输入量,经过训练,得出所设计的网络各层的权值和阈值。建立识别不孕棉籽的BP神经网络模型。试验结果表明:利用BP神经网络得到的不孕棉籽识别模型能够很好地反应3个品种棉籽中不孕棉籽与颜色模型三要素之间的非线性关系,偏差的平均绝对百分比误差为0.74,测试的样本实测值与理想值之间的相关系数为0.93268,不孕棉籽识别效果良好。研究结果可为不孕棉籽的剔除方法研究提供一个参考依据。 相似文献
2.
为解决人工识别种蛋受精误差和效率低等问题,本文提出一种基于DSP硬件平台和遗传神经网络的识别系统。系统以DM6437处理器搭建硬件处理平台,系统识别软件是遗传神经网络算法。它通过拍摄装置获取200枚种蛋图像,图像信息输入DSP系统的处理算法,提取图像的色调(H)分量颜色特征,使用主成分分析法找出色度分量中4个主成分特征,他们的总贡献率超过90%。最后利用遗传神经网络算法输入4个色度主成分特征,预测输出是孵化种蛋的成活性。训练神经网络并用测试集样本验证神经网络。实验结果是遗传神经网络和BP神经网络检测正确识别率分别是93%和86%,表明遗传神经网络的准确率较高,可以实现自动检测种蛋受精和成活。 相似文献
3.
为解决采用神经网络模型预测参考作物腾发量研究中预测能力不足的问题.将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析.提取主成分,建立了基于主成分的三层BP神经网络模型.选取新疆昌吉市气象站2006年3-6月的日气象资料.采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模型作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与参考作物腾发量之间的关系,尤其时训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果. 相似文献
4.
5.
基于图像处理和BP神经网络的玉米叶部病害识别 总被引：1，自引：0，他引：1
为快速诊断识别玉米叶部病害,及时采取防治措施,提高玉米产量,本文将图像处理技术和BP神经网络算法引入到玉米叶部病害识别诊断中。对田间采集的玉米叶部病害样本图像进行背景去除、灰度化处理、阈值分割、噪声去除等预处理操作,实现叶部病害图像的分割;通过提取病害图像颜色特征和形状特征的17个参量,作为BP神经网络的输入,实现了玉米叶部常见六种病害的分类识别。实验结果表明,6种玉米叶部病害的平均识别率为93.4%,取得较好的识别效果,具有一定的实用价值。 相似文献
6.
7.
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
8.
为了研究大型灌区节水改造后的区域农田生态环境效应中分布式水文模型空间参数的确定问题,通过内蒙古河套灌区解放闸灌域22个土壤水盐监测点110个土壤样本的采样与分析,利用贝叶斯神经网络(BNN)模型建立了河套灌区区域分层土壤特征参数与土壤水分特征曲线模型参数、特征含水率之间的土壤转换函数模型,并与已有的BP神经网络模型进行适应性比较及模型验证。结果表明,BP模型土壤转换函数的训练模拟精度优于BNN,但是在模拟预测方面,BNN模型普遍好于BP模型,而且模型输入因子数量对BP模型的精度影响较大,而BNN模型对于不同输入因子表现出很好的稳健性,BNN模型比传统的人工神经网络模型具有更好的适应性和预测效果,体现了土壤特征参数的空间随机性和结构性特征,而且预测的土壤水分特征曲线与实测和VG拟合结果更为接近,是一种具有广阔应用前景的区域土壤转换函数推求方法。 相似文献
9.
为了适应蔬菜等农产品对大肠杆菌快速检测的需求,提出采用形态特征参数及染色后菌体区域的颜色特征参数统计值对大肠杆菌进行快速识别,同时提出采用主成分神经网络作为预测模型来提高识别能力.提取了Hu's不变矩、形状因子、密集度、饱和度等14个具有尺度、平移、旋转不变性的特征参数,提取主成分建立了基于主成分的3层BP神经网络模型.将其与普通神经网络模型比较的结果表明,主成分神经网络简化了网络结构、减少了训练时间和计算量、提高了识别的正确率,对大肠杆菌的识别正确率达到91.33％. 相似文献
10.
灰色神经网络在地下水动态预测中的应用 总被引：1，自引：0，他引：1
以周至201号井为例,选取降雨量、蒸发量、单位面积的引灌水量及人工开采量4个地下水位的主要影响因素为预报因子,地下水位作为输出样本,建立BP神经网络模型。以2002-2011年4个序列的数据分别建立新陈代谢GM(1,1)模型,得到2012-2014年的预测值。再将各新陈代谢GM(1,1)模型得到的4个预报因子的预测值作为BP神经网络的输入,得到的输出即为最终2012-2014年地下水位的预测值。结果表明,灰色理论和BP神经网络耦合模型具有较高的预测精度,可为地下水的动态预报提供参考。 相似文献
11.
基于核磁共振成像技术的香梨褐变检测 总被引：3，自引：0，他引：3
将核磁共振成像技术与人工神经网络理论相结合,对香梨内部褐变进行了检测。在磁共振T2加权图像中选取果核区域作为感兴趣区域,提取出反映褐变特性的10个微观纹理特征参数,建立了BP神经网络模型进行识别研究。针对BP神经网络模型存在的不足,利用遗传算法对网络模型的权值和阈值进行优化。通过验证性试验发现：对于4组香梨样本,优化后BP神经网络模型的平均正确识别率为92.50%,比未优化模型的平均正确识别率80.83%,提高了11.67个百分点;同一组香梨样本相比较,优化后模型的识别效果也均优于未优化模型,每组香梨的识别率都得到了不同程度的提高。结果表明：遗传算法优化后的BP神经网络模型具有很好的预测精度和泛化能力,可以实现香梨内部褐变的无损检测。 相似文献
12.
基于无人机多光谱图像的云南松虫害区域识别方法 总被引：3，自引：0，他引：3
针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了"同谱异物"和"同物异谱"现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。 相似文献
13.
为了适应蔬菜等农产品对大肠杆菌快速检测的需求,提出采用形态特征参数及染色后菌体区域的颜色特征参数统计值对大肠杆菌进行快速识别,同时提出采用主成分神经网络作为预测模型来提高识别能力。提取了Hu’s不变矩、形状因子、密集度、饱和度等14个具有尺度、平移、旋转不变性的特征参数,提取主成分建立了基于主成分的3层BP神经网络模型。将其与普通神经网络模型比较的结果表明,主成分神经网络简化了网络结构、减少了训练时间和计算量、提高了识别的正确率,对大肠杆菌的识别正确率达到91.33%。 相似文献
14.
15.
采用模糊神经网络应用于大豆虫害快速识别方法。首先选择我国北方地区具有代表性的食心虫等7种虫害作为输出,用数字化特征表示。依据危害方式、危害症状等8种性状对182个大豆虫害样品进行诊断,选择1 3 6个样本作为训练集,选择4 6个样本作为预测集。首先使用AHP层次分析法对权值进行调整;其次,依据最优参数分别建立BP神经网络和模糊神经网络模型。实验结果表明:选择模糊神经网络进行模型建立,共预测对4 4个样本,判定识别率高达9 5%,证明了模糊神经网络进行大豆虫害判别是可行的。 相似文献
16.
17.
土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选 总被引：1，自引：0，他引：1
基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。 相似文献
18.
为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性. 相似文献
19.