排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
基于多光谱图像和 SVM 的玉米田间杂草识别 总被引：1，自引：0，他引：1
为解决变量喷洒对杂草识别速度与正确率的要求,提出了一种基于多光谱图像和SVM 的杂草识别新方法。通过多光谱成像仪获得玉米与杂草图像,采用 IR-R 的多光谱融合并结合 Otsu 分割法完成背景分割;随后对植被图像进行目标分割与形态学处理,提取出所有植被叶片图像,在此基础上提取了叶片11个形状特征参数和纹理特征参数。为提高算法的实时性,对叶片的特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。结果表明,降维后对于未知预测样本的识别正确率达到85％,用时0．001415 s。与直接利用支持向量机的90％的识别率和0．105165 s的用时相比,该算法在满足识别率的同时,用时更少,为田间杂草的快速识别提供了一种新方法。 相似文献
2.
基于多光谱图像和数据挖掘的多特征杂草识别方法 总被引：11，自引：10，他引：1
为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。 相似文献
3.
通过对光谱仪采集的340~1 030 nm柑橘健康与感染黑斑区域光谱进行分析,在探明健康和黑斑病不同症状光谱特性的基础上,提出主成分分析结合特征排序的方法,选择出可识别染病与健康样本的最优波长(525 nm)建立SMO分类模型;基于序列浮动前向选择方法优选出4个特征波长(678、740、794、879 nm),建立C4.5算法识别柑橘黑斑病3种症状的方法。试验结果表明,用525 nm波长建立的SMO分类模型对健康和染病果样本的识别率达99.37%,硬斑型、破裂型和黑斑型症状的识别率分别为81.85%、71.88%和67.57%,3种症状的平均识别率为73.77%,比前人方法提高了12.77个百分点。 相似文献
1