排序方式: 共有75条查询结果,搜索用时 15 毫秒
11.
12.
储粮害虫图像识别的研究进展及展望 总被引:14,自引:0,他引:14
图像处理技术检测储粮害虫,具有快速、准确、可视化等优点.为了充分利用国内外的研究成果.促进我国在该领域的研究与应用,从内部害虫和外部害虫两个方面,综述了基于可见光、近红外和软x射线3种方法的计算机图像处理技术在储粮害虫自动识别中的研究进展,分析了各种方法的优缺点.提出今后应从新的特征提取、活虫与死虫的识别、早期害虫侵害的检测、动态图像的研究、自动传输机构的研制等方面开展深入研究.以实现粮虫的自动检测. 相似文献
13.
利用图像识别方法对常见的谷子叶片病害进行判别,为制定合理的病害防治措施提供科学依据。试验采集了谷瘟病、白发病、红叶病、锈病共4种谷子叶片病害的原始图像,运用基于超绿特征的最大类间方差法对谷子叶片病害进行分割,提取谷子叶片病害颜色、形态、纹理等共计19个特征,采用蚁群优化算法选择了8个特征。运用布谷鸟算法(cuckoo search,CS)优化支持向量机(support vector machine,SVM)的惩罚因子c和径向核函数g,利用SVM对谷子叶片病害进行自动判别。结果表明,当c=80.2662,g=1.8467时,谷子叶片病害和叶片的平均识别率达到99%,表明基于CS-SVM的图像识别方法可对4种谷子叶片病害进行准确分类。 相似文献
14.
15.
[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。 相似文献
16.
17.
18.
19.
通过一起因接地线接地不良造成检修线路带电案例,详细分析了检修线路高电压的来源及产生原因.并提出了加强施工安全管理和农村用电管理的一些切实可行的具体措施和办法。 相似文献
20.