基于多特征融合和卷积神经网络的植物叶片识别

植物叶片识别是植物自动分类识别研究的重要分支和热点,利用卷积神经网络进行图像分类研究已成为主流.为了提高植物叶片识别准确率,提出了基于多特征融合和卷积神经网络的植物叶片图像识别方法.首先对植物叶片图像进行预处理,提取LBP特征和Gabor特征,将多特征相加融合输入网络进行训练,使用卷积神经网络(AlexNet)构架作为分类器,利用全连接层对植物叶片进行识别.为了避免过拟合现象,使用"dropout"方法训练卷积神经网络,通过调节学习率、dropout值、迭代次数优化模型.实验结果表明,基于多特征融合的卷积神经网络植物叶片识别方法对Flavia数据库32种叶片和MEW2014数据库189种叶片识别分类效果较好,平均正确识别率分别为93.25％和96.37％,相比一般的卷积神经网络识别方法,该方法可以提高植物叶片的识别准确率,鲁棒性更强.     

基于TIDW的木材内部缺陷三维应力波成像方法

为了更直观准确地检测木材内部缺陷大小、形状、腐朽程度等信息,提出了一种基于TIDW（Top-k Inverse Distance Weighted）的三维木材内部缺陷应力波成像方法。该方法在木材周围随机部署传感器,采集应力波速度数据集,并对木材内部缺陷进行三维应力波成像。TIDW算法将预估点的邻域关系扩展到三维空间,增加预估点的搜索半径,引入Top-k查询找出其邻域内影响最大的k个已知点,计算得到预估点的值并进行三维成像。与IDW算法相比,该算法具有更高的成像精度,能够更准确反映木材内部缺陷特征。     

移动近红外珍稀木材鉴别云服务系统的设计与实现

用近红外光谱技术检测珍稀木材已经趋向成熟,为了使近红外珍稀木材检测设备更加方便携带外出作业,针对时下市场占有率达81%的Android手机终端,提出一种基于Android手机的移动近红外木材鉴别云服务系统的设计方案。设计了设备到手机、到云服务器的三层架构;重点研究基于Weka的珍稀木材最优判别模型,使用Java Web技术构建部署云服务器,详细阐述Android应用程序开发中设备控制,信息呈现,服务器交互三个主要模块的实现。云端计算程序的部署很好地解决了手机计算能力弱、耗时久的问题,该系统为近红外光谱检测模型的建立、云端部署与Android应用程序的开发提供参考。     

基于无人机单视场全景图的地块面积测量研究

提出一种基于无人机单视场图像的地块面积测量方法。首先通过无人机相机标定获得相机内外参数及畸变参数,再对单张的地块全貌图像进行畸变校正;接着提取图像中的目标地块区域并统计区域内像素数量;通过估计像素与实际面积比率,得到地块实际面积。实验结果表明:随着无人机飞行高度的增加,该方法计算精度先逐渐提升,到达一个峰值后逐渐下降,且在有效飞行高度内的相对误差都在10%以下,可以有效地计算地块面积。该方法对要求操作简便快速、精度不是很高的山地作业有现实意义。     

一种基于Spark的改进随机森林算法

提出一种改进随机森林算法(SP-RF).通过建立数据抽样索引表和随机特征索引表来实现随机森林算法在Spark上的并行化;通过计算随机森林算法中每个决策树的AUC值来给分类能力不同的决策树分配权重;提高随机森林算法在投票环节的分类精度.实验结果表明改进后的随机森林算法分类精度平均提高5％,运行时间平均减少25％以上.     

融合双边滤波和腐蚀处理的图像快速去雾方法

大气中混浊媒介（如雾、烟、水滴等）的存在致使户外场景图像降质,暗原色先验法对单幅图像去雾具有较好的效果,但是在处理图像时存在存储消耗大、耗时长等不足。针对这一不足,在暗原色先验原理基础上,提出一种融合双边滤波和腐蚀处理的图像快速去雾方法。该方法利用暗原色先验得到粗略软抠图,通过腐蚀处理粗略软抠图的边界点,再利用高斯型双边滤波对腐蚀后的透射图进行细化操作得到最终复原图像。实验结果表明该方法不仅达到了图像复原的要求,且比原方法在处理速度上有了较大的提高,同时还可以将其进一步应用于视频图像去雾。     

基于PacketTracer网络案例实验设计和开发

Packet Tracer思科网络学院仿真教学软件是思科网络技术学院中最流行、操作最简单、最接近真实环境的模拟工具。基于Packet Tracer进行了网络实验的设计,教学实践表明,Packet Tracer能够模拟真实的网络交互设备,使得学生可以随时随地的对这些设备进行操作,使得老师的授课更加生动形象,也更利于学生理解。     

基于神经网络的无线传感器网络异常数据检测方法

传感器网络的异常数据检测对于环境监测具有十分重要的意义。基于BP神经网络模型和线性神经网络模型,分别提出了两种无线传感器网络异常数据检测方法。提出的方法在每个当前时刻通过最近的固定长度的历史数据集训练神经网络,来完成下一时刻的预报。通过神经网络的模型残差,确定概率为P的置信区间。当下一时刻数据落入置信区间内,则该数据被判为正常;反之,则为异常。为了比较和验证两种检测方法的性能,在Matlab环境下完成了仿真实验。实验结果表明,基于线性神经网络的异常数据检测方法的检测率(detection rate)达到了97.9%,误报率(false positive rate)不超过0.76%;基于BP神经网络的异常数据检测方法的检测率为96.7%,误报率不超过0.84%。