基于图像分析的谷物害虫检测与分类识别技术研究

介绍了谷物害虫检测系统的硬件组成，描述了采用差分图像法实现对谷物害虫检测判断和三帧差分法实现谷物害虫图像恢复与提取的方法，最后利用图像的一阶灰度值直方图和图像的目标区域，自动提取静态仓储物害虫图像的纹理等特征，实现对仓储物害虫的快速鉴定和分类．     

谷物害虫图像识别中数理统计特征的提取

本文阐述了利用计算机数字图像处理技术，对谷物害虫图像的一阶灰度值直方图和图像的目标区域，进行自动提取其一阶灰度值统计量和几何形状等数理统计特征的主要技术和方法。试验结果表明：该方法可以为谷物害虫的计算机自动模式识别(快速分类)提供稳定的特征参数值，有效地提高了识别率。     

仓储物害虫分类识别中纹理特征的提取

阐述了在仓储物害虫分类识别研究中,利用计算机数字图象处理技术,根据仓储物害虫图象的灰值游程矩阵自动提取图象的纹理特征的主要技术和方法。试验结果表明,该方法对外部形态相近或近缘种的分类提供了比较稳定的特征值,有利于机器的自动和快速识别。     

运动图像识别技术在谷物害虫检测中的应用

描述了采用差分图像法实现对谷物害虫检测判断和三帧差分法实现谷物害虫图像恢复与提取的方法。该方法在连续3帧视频图像中,分别在1、2帧之间、2、3帧之间作差分运算,根据未变化区域与运动变化区域服从不同的统计规律,对差分图像作运动变化检测。该算法适于实现对仓储物害虫的快速鉴定和分类,实验结果令人满意。     

基于支持向量机的仓储物害虫分类识别研究

论文提出了基于支持向量机的仓储物害虫的分类识别问题。首先利用计算机数字图像处理技术,综合提取静态仓储物害虫图像的数理统计特征、纹理特征和几何形状特征,并采用支持向量机进行分类识别。实验表明该方法对复杂模式的识别能力较强,达到了较高的识别率,这也为仓储物害虫的快速鉴定和分类研究开辟了新的途径。     

基于支持向量机的储粮害虫分类识别技术研究

介绍了采用三帧差分法实现锌物害虫图像恢复与提取的方法，利用图像的一阶灰度值直方图和图像的目标区域，自动提取静态储粮害虫图像的纹婵等特征。针对于相对特征维数而言样本数很少的特点，提出利用多类SVM分类器的方法实现对储粮害虫的快速鉴定和分类。实验结粜表明，相比传统的神经网络，SVM在有限样本情况下具有良好的泛化能力。     

仓储物害虫分类识别中的声信号的特征提取

提出了基于声音模式识别技术的仓储物害虫计算机自动分类的新方法。在声音信号的特征提取中采用了快速傅立叶变换方法,该方法聚类性较强,从而为仓虫声音特征的提取及分类打下了良好的基础。     

基于多特征字典学习的害虫图像自动分类方法

为提高农田害虫图像识别分类的准确率,提出一种基于多特征字典学习的害虫图像自动分类方法。首先,利用监督字典学习的方式,对每一类害虫图像构建多特征过完备字典。为进一步增强计算机在复杂情况下对害虫图像的辨识能力,应用构造的过完备字典对害虫图像进行多特征稀疏表示。最后,通过最小化害虫图像的重构误差实现自动分类。实验结果表明,与其他方法相比,该方法提高了害虫图像识别的准确率。     

利用方向投影算法计算仓储害虫图像倾斜角度

针对无明显的直线特征的仓储害虫图像,提出了一种基于整数Bresenham算法求方向投影值,利用方向投影值检测图像的倾斜角度的方法。实验结果表明,该算法能快速准确地测量出仓储害虫图像的倾斜角度,并具有很强的抗干扰性和应用适应性。     

微生物显微图像分类识别技术研究及应用

阐述了储粮微生物显微分类识别的方法,提出了检测系统的硬件和软件组成.介绍了对检测到的微生物图像的目标区域,自动提取静态微生物图像的纹理特征和几何形状特征的主要技术和方法.实验结果表明,该方法可为储粮微生物的计算机自动模式识别提供稳定的特征参数值,不但有效提高了识别效率,而且也为储粮微生物的快速鉴定和分类研究开辟了新的途径.     

An improved method for voice pathology detection by means of a HMM-based feature space transformation

This paper presents new a feature transformation technique applied to improve the screening accuracy for the automatic detection of pathological voices. The statistical transformation is based on Hidden Markov Models, obtaining a transformation and classification stage simultaneously and adjusting the parameters of the model with a criterion that minimizes the classification error. The original feature vectors are built up using classic short-term noise parameters and mel-frequency cepstral coefficients. With respect to conventional approaches found in the literature of automatic detection of pathological voices, the proposed feature space transformation technique demonstrates a significant improvement of the performance with no addition of new features to the original input space. In view of the results, it is expected that this technique could provide good results in other areas such as speaker verification and/or identification.     

基于直方图聚类的网络流量异常检测技术研究

基于流量特征的异常检测技术主要是通过网络流量特征属性分布规律映射网络异常行为。为提高检测准确率,降低误报率,文章提出了基于流量特征直方图聚类的异常检测和分类的技术。通过直方图的方法详细描述网段流量特征的时空信息,然后聚类分析各种属性特征的正常模型,最后根据待测流量特征属性与正常模型之间的距离所组成的向量来衡量异常。基于DARPA99数据集的实验表明,该算法具有较高的异常检测和分类准确性。     

Early detection of cardiovascular autonomic neuropathy: A multi-class classification model based on feature selection and deep learning feature fusion

The conventional diagnostic process and tools of cardiovascular autonomic neuropathy (CAN) can easily identify the two main categories of the condition: severe/definite CAN and normal/healthy without CAN. Conventional techniques encounter significant challenges when identifying CAN in its early or atypical stages due to the inherent imbalanced and incompleteness condition in the collected clinical multimodal data, including electrocardiogram (ECG) data from ECG sensors, blood chemistry, podiatry, and endocrinology features. Therefore, most detection tools and techniques are limited to binary CAN classification. However, early diagnosis of CAN or diagnosis of the atypical stages of CAN is more important than the diagnosis of severe CAN, which, in fact, is easily identifiable with a few diagnostic reports. In this paper, we propose a novel multi-class classification approach for timely CAN detection. The proposed classification algorithm develops a multistage fusion model by combining feature selection and multimodal feature fusion techniques. The proposed method develops a performance criterion-based feature selection technique to guarantee highly significant features. A multimodal feature fusion technique was developed using deep learning feature fusion and selected original features. The experimental results obtained from testing with a large CAN dataset indicate that the proposed algorithm significantly improved the diagnostic accuracy of CAN compared to conventional Ewing battery features. The algorithm also identified the early or atypical stages of CAN with an AUC score of 0.931 using leave-one-out cross-validation.     

垃圾图像判别中的特征提取与选择研究*

对垃圾图像判别问题中的特征提取和特征选择研究现状进行了总结。从特征的可区分性、鲁棒性和提取效率三个方面比较了垃圾图像判别中的主要特征,分析了特征的优缺点。结合分类学习算法、仿真实验结果,对已有的主要特征选择和分析方法进行比对,为进一步研究特征提取、特征选择方法,提高垃圾图像分类器的性能和效率提供有价值的参考。     

农作物病虫害图像识别技术的研究综述

农作物病虫害的爆发往往意味着大规模的减产减质,造成不可挽回的经济损失。传统的病虫害识别方法速度慢、主观性强、误判率高,已不能满足农业生产的需要。基于图像处理技术的农作物病虫害识别具有快速、精确、实时等特点,能够协助农耕人员及时采取有效的防治措施。本文从图像分割、特征值提取和分类识别三个方面,分别阐述图像处理技术应用于农作物病虫害识别的研究现状和进展,并对今后的研究趋势和方向作了展望。     

一种基于BiLSTM的低速率DDoS攻击检测方法

低速率分布式拒绝服务（Low-rate Distributed Denial of Service, LDDoS）攻击是一种新型的DDoS攻击方式,因其具有低速率、周期性和隐蔽性等特点,可躲避传统的DDoS攻击检测技术,更加难于检测和防御。本文提出一种基于特征选择和双向长短期记忆（Bidirectional Long Short Term Memory, BiLSTM）神经网络结合的LDDoS攻击检测方法。该方法使用分层交叉验证的递归特征消除（Recursive Feature Elimination CV, REFCV）特征选择算法挖掘双向流中最优的11个特征集合作为神经网络的输入,建立基于BiLSTM神经网络模型的LDDoS攻击检测分类器进行分类,达到LDDoS攻击检测的目的。实验结果表明该方法比卡尔曼滤波和NCAS算法有较高的检测率,误报率和漏报率都很低。     

文本分类中基于概念映射的二次特征降维方法

对高维特征集的降维是文本分类的一个主要问题。在分析现有特征降维方法的基础上,借助《知网》提出一种新的二次降维方法:采用传统的特征选择方法提取一个候选特征集合;利用《知网》对候选集合中的特征项进行概念映射,把大量底层分散的原始特征项替换成少量的高层概念进行第二次特征降维。实验表明,这种方法可以在减少文本语义信息丢失的前提下,有效地降低特征空间维数,提升文本分类的准确度。     

Brain tumor diagnosis based on artificial neural network and a chaos whale optimization algorithm

Accurate and early detection of the brain tumor region has a great impact on the choice of treatment, its success rate, and the follow-up of the disease process over time. This study presents a new bioinspired technique for the early detection of the brain tumor area to improve the chance of completely healing. The study presents a multistep technique to detect the brain tumor area. Herein, after image preprocessing and image feature extraction, an artificial neural network is used to determine the tumor area in the image. The method is based on using an improved version of the whale optimization algorithm for optimal selection of the features and optimizing the artificial neural network weights for classification. Simulation results of the proposed method are applied to FLAIR, T1, and T2 datasets and are compared with different algorithms. Three performance indexes including correct detection rate, false acceptance rate, and false rejection rate are selected for the system performance analysis. Final results showed the superiority of the proposed method toward the other similar methods.     

基于融合相位特征的视网膜血管分割算法

针对相位一致性特征对血管中心检测不足问题,提出基于融合相位特征的眼底视网膜血管分割算法。首先,预处理原始的视网膜图像;然后,对图像中每个像素构造4D的特征向量（包括Hessian矩阵、Gabor变换、条带选择组合位移滤波响应（B-COSFIRE）滤波、相位特征）;最后,采用支持向量机（SVM）进行像素分类,实现眼底视网膜血管的分割。其中,相位特征是将分别提取的相位一致性特征与Hessian矩阵特征进行小波融合后得到的一种新的融合相位特征。该特征既保留了相位一致性特征良好的血管边缘信息,又克服了相位一致性特征对血管中心检测的不足。在用于血管提取的数字视网膜图像（DRIVE）数据库上测得基于融合相位特征的视网膜血管分割算法的平均准确率（Acc）为0.9574,平均受试者工作曲线面积（AUC）为0.9702;且在单一特征进行像素分类提取血管的实验中,与使用相位一致性特征相比,使用融合相位特征进行像素分类提取血管的Acc由0.9191提高到0.9478,AUC由0.9359提高到0.9578。实验结果表明,融合相位特征比相位一致性特征更适用于基于像素分类的眼底视网膜血管分割算法。     

特征金字塔融合的多模态行人检测算法

针对单模态行人检测在光照条件较差、目标部分遮挡、目标多尺度时检测效果较差的问题，提出了一种基于可见和红外双模态特征金字塔融合的行人检测算法。使用深度卷积神经网络代替传统的手工设计特征方式分别自动从可见模态及红外热模态的图片中提取单模态特征，根据ResNet（Residual Net）的阶段性特征图谱搭建特征金字塔网络，生成每个模态的特征金字塔，并将两个模态的特征金字塔进行逐层融合。选择深度学习通用目标检测算法--Faster R-CNN作为后续的目标定位与分类算法来解决多模态行人检测问题。在特征金字塔融合阶段，针对级联融合和较大值融合容易忽略弱特征，无法有效融合互补特征的问题，提出了一种锐化特征的特征金字塔融合方法，根据阈值强化突出强特征，互补叠加弱特征，有效利用每个模态的特征，进一步提高模型的检测效果。实验结果表明，特征金字塔聚合的多模态行人检测算法可以有效解决多模态行人检测问题，在KAIST数据集上的检测效果超过了目前该数据集上的最佳模型。