基于数字图像分析,利用小麦籽粒的20个形态特征和12个颜色特征对来自中国4个地点7个春小麦品种共28个样本进行分类和识别。对于不同品种和地区的样本,分别利用逐步判别分析,选取显著性较大的特征参量,建立各地区和品种的贝叶斯分类器模型。结果表明,对各地区品种识别的正确回判率和测试集的正确识别率均达到100%。将各样本按品种合并,再对合并后的样本进行品种识别,除了新克旱9号的回判率为98.3%外,其它品种的回判率均为100%。测试集中,龙麦26和青春566正确识别率分别为97.5%和95.0%,其它品种均为100%。品种来源地识别也能达到较高的水平,甘肃、宁夏、新疆和黑龙江的正确识别率分别为88.6...

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可...

利用中值滤波结合k均值聚类的方法分割出小麦白粉病、条锈病和叶锈病叶部病斑,分别采用颜色矩和灰度共生矩阵的方法提取病斑的颜色特征和纹理特征参数,设计了一种基于Variance算法初选与序列浮动前向选择搜索算法(SFFS)相结合的特征选择方法,选择出优良的特征子集,实现对小麦3种叶部病害的识别。试验以SVM为分类器,利用特征选择方法获得的特征子集识别准确率为99%,与采用主成分分析(PCA)方法进行特征降维获得的子集的识别准确率比较,能有效降低特征维度,提高识别准确率。

【目的】探讨利用图像技术实现玉米叶部病害自动识别的方法。【方法】根据玉米叶部病害特点,综合应用阈值法、区域标记方法与Freeman链码法,对玉米叶部病害图片进行图像分割、统计病斑个数、去除冗余斑点、计算病斑形状特征,最后根据二叉检索法推断病害。【结果】研究提取了五种玉米叶部主要病斑的识别特征,确定了诊断流程,并开发了识别系统。经检验,该系统对玉米叶部的锈病斑、弯孢菌病斑、灰斑、褐斑、小斑等五种主要病害的诊断准确率达80%以上。【结论】研究结果表明,用图像技术进行玉米叶部病害诊断是可行的,本研究开发的诊断系统为玉米病害自动识别与诊断奠定了基础。

为提高温室环境最优控制中生菜信息在线反馈精度，通过群体图像识别研究生菜鲜重估算方法；通过生菜群体图像和单株图像，研究群体估算时误差正负相消对整体误差的改善作用，评估生菜遮挡问题对估算精度的影响，并研究能否通过改进深度学习的损失函数以实现对估算精度的进一步提高。结果表明：1）与不存在遮挡问题的单株图像生菜鲜重估算结果相比，基于群体图像裁剪的生菜鲜重估算决定系数（R~2）低0.010 8，归一化均方根误差（NRMSE）高2.69%，平均绝对百分误差（MAPE）低2.36%，虽然估算精度略低，但是生菜群体的遮挡问题更能反映生产实际。2）群体估算虽然存在遮挡问题导致裁剪不完整，但根据误差正负相消原理，相比没有遮挡的单株估算结果MAPE仍然低3.49%，因此更适用于生菜产量信息反馈。3）基于更优化MAPE的损失函数平均平方百分误差（MSPE），可以进一步降低群体估算的MAPE至8.46%，满足“软测量”对估算精度的需求。考虑到温室生菜的实际生产情况，群体估算更适合用于温室环境最优控制中生菜产量信息的在线反馈，通过深度学习等方法的优化，可以将生菜产量的估算误差降低至10%以内。

就取件公共区域人流量预测进行了探究,利用S5PV210处理器、Basler acA1920-155uc工业相机和BQ24032芯片等硬件设施针对图像采集模块进行优化。采用数据挖掘的方式,运用YOLO v3算法实现对取件点人流量数据的图像识别统计,并在此基础上获取取件人群的行为特征。实验结果表明,在1 000张测试集图片样本中能得到92%以上的准确率,可以识别出快递取件点的人流量情况,验证了基于YOLO v3的取件点人流量预测方法的有效性。根据得出的统计数据,为取件人提供了实用的取件引导方案,也为智慧物流的扩展提供了一条可行思路。

以农大399小麦种子为试验材料,通过图像识别技术获取单粒小麦种子的形态物理指标,拟通过研究这些形态物理参数与小麦种子活力的相关性,为图像识别技术在作物种子加工工艺和参数精确选择提供参考。首先采用平板扫描仪获取单粒小麦种子的PNG图像,采用本实验室自主开发的种子形态自动化识别软件自动提取单粒种子(400粒)的RGB、Lab、HSB、长度、宽度和投影面积等形态物理指标,然后进行垂直玻璃板发芽试验,以发芽第5天的幼苗长度、鲜重和简易活力指数作为种子质量指标,相关分析结果表明:农大399小麦种子的幼苗鲜重与种子投影面积、长度和宽度的相关系数分别为0.45、0.40和0.37,均达到显著相关。将种子按投...

针对基于卷积神经网络的图像识别采用随机初始化网络权值的方法易收敛到局部最优值的问题,该文提出了一种结合无监督和有监督学习的网络权值预训练算法。融合零成分分析白化与深度信念网络预学习得到的特征,对卷积神经网络权值进行初始化;通过卷积、池化等操作,对训练样本进行特征提取并使用全连接网络对特征进行分类;计算分类损失函数并优化网络参数。在公开图像数据库中进行了大量实验,与公开最佳算法比较,该算法在MNIST中的识别错误率降低了0.1%,在Caltech101中的分类准确率提升了0.56%,验证了该算法优于现有算法。

【目的】探索无人机遥感在氮效率分类识别中的潜力，构建小麦品种氮效率分类方法，为氮高效品种筛选提供理论依据和技术支持。【方法】通过6个成熟期与氮效率密切相关的农学指标（产量、植株氮积累、氮素生理利用效率、植株干生物量、籽粒总吸氮量、N收获指数）构建主成分综合值，并对其进行K-Means聚类分析，将121个小麦品种划分为氮高效型、氮中效型和氮低效型3种类型。利用无人机遥感平台搭载多光谱相机，在小麦拔节期、孕穗期和开花期获取无人机遥感影像，并提取34种植被指数，分析植被指数与氮效率综合值的相关性；对比支持向量机（SVM）、随机森林（RF）和K最近邻（KNN）分类方法的氮效率分类模型精度，使用总体分类精度（OA）和Kappa系数比较不同生育时期下小麦品种氮效率分类识别的能力；并使用3种不同的特征集筛选方法（ReliefF算法、Boruta算法和RF-RFE算法）对优化的特征子集进行综合评价，确立适宜的小麦品种氮效率分类识别方法。【结果】随着小麦生育时期的不断推进，植被指数与氮效率综合值的相关性逐渐提高，开花期最高（r=0.502）；利用植被指数全特征集对小麦品种氮效率进行分类，对于单生育时期数据而言，以开花期的SVM模型分类效果最好（OA=77.1%,Kappa=0.591），拔节期最差（OA=65.6%,Kappa=0.406）；总体而言，多生育时期数据融合的品种氮效率分类精度高于单生育时期，其中以拔节期+孕穗期+开花期3个生育时期数据融合的SVM模型的分类效果最优（OA=80.6%,Kappa=0.669）。为减少多生育时期数据融合的特征集变量数量，比较分析RF-RFE、Boruta和ReliefF 3种算法的特征优化效果，基于RF-RFE算法得到的优化特征子集分类精度最高，其OA和Kappa系数比全特征集分类模型分别提高了4.0%和10.1%，其中，以3个生育时期数据融合的分类效果最好（OA=85.4%,Kappa=0.749）。【结论】确立6个氮效率指标—主成分分析—K-Means氮效率评价方法；RF-RFE算法有效优化多生育时期组合的特征子集数量，且获得较高的分类精度，确立基于多生育时期组合—RF-RFE—SVM技术融合的小麦品种氮效率分类模型，为小麦氮高效品种的快速准确分类鉴定提供理论依据和技术支撑。

设计了识别田间黄色害虫诱捕板图像上黄曲条跳甲的综合实验项目。对原始图像在HSV颜色空间下采用OTSU算法去除背景后,通过设定连通域面积阈值初筛出候选目标,构建椭圆模型拟合候选目标的轮廓,提取椭圆区域的形态学、颜色与纹理等特征,根据特征应用浅层神经网络对候选目标进行识别。上述算法采用并行计算的MATLAB程序实现,具有良好的准确性、稳健性和泛化能力。该实验设计涵盖了农业害虫监测、图像处理、解析几何、机器学习和并行计算等知识,具有综合性、应用性、交叉性和探索性。将其用于数学建模课程的教学,有助于提高学生的创新和实践能力。

为提供评判超级杂交水稻理想株型的方法和手段 ,以 Visual C+ +为工具 ,利用图像识别技术 ,提供了超级杂交水稻理想株型经图像的二值化、细线化处理、提取了株型的骨架信息

【目的】针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。【方法】本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。【结果】对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。【结论】本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。

<正>随着大数据、人工智能、物联网等新兴技术的发展，金融领域的传统业务模式已逐步进化为智慧金融。商业银行在基于物联网和图像识别算法模型进行信贷业务风险管理的同时，对图像识别算法模型的运行效率和资源消耗也提出了更高的要求。本文创新地在图像识别模型推理测试环节，将图像数据样本逐一检测（One-by-one Testing）改进为群组检测（Group Testing），通过对测试图像数据进行合并组合，达成快速对多张图像进行一次性识别检测的目标，大大缩减了计算时间、有效提高了计算效率，并显著降低了人工智能模型的计算资源消耗、节省了计算成本，积极助力人工智能绿色低碳发展。

针对传统存货质押融资业务存在着道德风险高、信息透明度低以及融资成本较高等问题,提出了基于图像识别技术的利用第三方物流监管和自有仓储设施的存货质押融资业务模式,并详细设计了业务流程、说明各参与方职责;为了利用图像识别技术控制货物变动,初步设计了监控系统和图像识别方法;然后对新业务模式的成本和技术可行性进行分析,最后对比传统业务模式对其风险、成本优劣势进行分析,新业务模式可以推动存货质押融资业务发展。

针对电气设备运行状态图像的特点,提出将支持向量机(SVM)分类器应用于多种电气设备运行状态识别中。首先利用C-均值聚类法,分割出运行状态指示牌的汉字或数字部分;再利用K-L变换提取出运行状态的特征向量;最后利用支持向量机分类方法进行状态识别。试验结果表明:支持向量机分类方法对于小样本情况,具有良好的分类能力,适合多种电气设备运行状态的分类,并能获得比神经网络方法更好的识别性能。不同的分类核函数的相互比较分析表明,Sigmoid核函数最适合电气设备运行状态的分类识别。