排序方式： 共有2条查询结果，搜索用时 31 毫秒
1
1.
基于神经网络的实蝇成虫图像识别算法 总被引：2，自引：0，他引：2
为了实现从图像中快速、准确地识别双翅目果实蝇害虫,本文提出一种基于神经网络学习模型的识别算法。该算法首先采用Hough变换对实蝇样本图像的双翅边缘进行直线检测,使图像中实蝇旋转为躯体朝上形态,同时限定条纹所在的有效区域。结合HSV色彩空间锁定胸背板上的条纹区,对该区域进一步处理,根据中心条纹形状特征的描述方法,提取出形状特征参数,定义4种实蝇形态特征向量。采集90幅实蝇图像中各目标的4种特征因子,建立BP神经网络对数据集进行训练,从而得到用于实蝇分类的神经网络模型参数。试验结果表明,该方法对双翅目实蝇成虫的识别效果具有较好的准确性和实时性,对橘小实蝇、南瓜实蝇和瓜实蝇的识别准确率分别为95.45%、93.33%和97.83%,总体准确率为95.56%,单次识别平均耗时500ms。 相似文献
2.
【目的】探讨数学形态特征在果实蝇分类鉴定中的可行性、有效性及稳定性,为后续建立果实蝇分类模型的研究提供依据和理论基础。【方法】以我国南方果实蝇类的优势种-橘小实蝇(Bactrocera dorsalis Hendel)、南瓜实蝇(Bactrocera tau Walker)、瓜实蝇(Bactrocera cucurbitae)作为研究对象,在常见的数学形态特征基础上,以果实蝇胸背板作为特征区域,提取其局部条纹特征作为分类依据,包括中心条纹的相对长度R_x、相对宽度R_y、偏心率E、相对周长L、相对面积S、形状参数F共6项数学形态特征,提取每类果实蝇样本图像的特征数据并进行统计分析,包括总体分布型假设检验、方差齐性检验、差异显著性检验,最后进行基于数学形态特征的果实蝇分类试验。【结果】6项数学形态特征总体上在同类果实蝇中均服从正态分布;相对长度R_x、相对宽度R_y、相对周长L、相对面积S在3类果实蝇之间具有差异显著性,中心条纹偏心率E、形状参数F在南瓜实蝇和瓜实蝇之间具有差异显著性。基于数学形态特征的果实蝇分类试验中,单个类别的果实蝇分类正确率均达到90%以上,单次分类耗时约500 ms,正确率与实时性均可以满足实际工作需求。【结论】6项数学形态特征能够作为果实蝇分类研究的依据,且可靠性较高,正确率达到95.56%。 相似文献
1