排序方式: 共有11条查询结果,搜索用时 0 毫秒
1.
基于卷积神经网络与迁移学习的油茶病害图像识别 总被引:9,自引:12,他引:9
传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。 相似文献
2.
玉米苗期杂草的计算机识别技术研究 总被引:14,自引:5,他引:14
利用计算机视觉技术和人工神经网络技术对识别玉米苗期田间杂草进行了研究。首先利用类间方差最大自动阈值法二值化杂草图像的超绿特征,再进行连续腐蚀与膨胀,然后根据长宽比、圆度、第一不变矩3个形状特征由BP网络识别出玉米幼苗,最后利用种子填充法从阈值分割结果中擦除玉米目标,剩余的就是杂草目标。研究表明,基于BP网络的杂草识别算法对玉米幼苗与杂草的正确识别率分别为87.5%和93.0%,处理一幅640×480像素的杂草图像平均耗时约为58 ms。 相似文献
3.
4.
基于遗传神经网络的苹果综合分级系统 总被引:11,自引:1,他引:11
充分利用计算机视觉和人工神经网络技术 ,建立了一个苹果综合外观品质检测与分级系统 ,实现了对苹果的正确分级 ,正确识别率可达 90 .8%。还借助于遗传算法对 BP网络进行设计 ,提高了其学习速度。 相似文献
5.
基于形态重构的叶片性状特征可视化表达方法 总被引:1,自引:0,他引:1
针对目前叶片性状特征在信息融合与表达过程中存在单一性及抽象性等问题,提出一种基于形态重构的叶片性状特征可视化表达方法。以温室黄瓜叶片生长为例,将有效积温、生长速率等作为特征参数,建立叶片形态发生模型,利用参数化样条曲线描述叶缘、叶脉的几何形态,采取二分法递归地分割叶缘及叶脉曲线,以实现叶片曲面的网格化细分,结合叶色纹理信息映射模型,提出叶片性状特征的可视化表达方法。实验结果表明,运用该方法得到的叶片性状特征模拟值与观测值之间的相对误差较小,其决定系数均达到0. 95以上,均方根误差不大于0. 236,与传统的建模方法相比,该模型具有更高的拟合度和可靠性,能够有效实现黄瓜叶片性状变化的动态仿真,可为实时掌握和预测植物生长发育状况提供依据。 相似文献
6.
7.
8.
9.
10.