基于深度学习的智能花卉养护系统设计

设计一种基于深度学习的智能花卉自动养护系统.基于深度学习的图像分类技术,利用采集到的花卉图片对花卉的生长状况进行识别(如叶子发黄则代表缺少光照).自动控制系统根据识别的花卉生长状况来执行相应的动作,从而改变花卉的环境参数,使得花卉在无人管理的情况下也能很好地生长.     

基于色差的墙地砖颜色分类系统的研究

利用色差对墙地砖进行颜色分类是实现墙地砖自动化在线检测的技术之一.提出一种基于色差的颜色分类系统,该系统将图像处理、色差计算、模糊聚类技术相结合,实现了对陶瓷图像的预处理、色差计算及聚类,试验结果表明该方法具有较好的分类效果.     

花卉图像识别的设计与研究

在花卉培养和种植领域,往往需要对一些花卉品种进行识别和分类以及监测其生长。这种传统的方法不仅浪费大量的劳动力和物质资源,而且效率极其低下,很大程度上限制了花卉培养和发展。由于不同花朵之间存在相似度,所以使用传统的图像分类方法很困难,因此对花朵进行分类来解决此问题。本文通过从花朵图像中提取子特征信息,并研究可以表达花朵图像中包含的更多信息的识别方法来实现高精度,完成花卉图像的识别,以此辅助花卉鉴定和花卉生长的自动监测,减少花农的工作,提高花农的生产力。     

基于机器视觉的人工光植物工厂植物生长状况监测系统

设计了一种基于机器视觉的人工光植物工厂植物生长状况监测系统,主要利用机器视觉技术对植物工厂中植物生长进行无损监测,获取植物的生长信息.同时解决了针对LED偏色光情况下,获取植物前景图像不完整的问题.利用该系统可以快速、准确地获取植物生长的叶面积等参数,实现植物生长状况的实时监测,为植物生产过程中有关作业的自动化奠定了基础,具有广阔的应用前景.     

选择性卷积特征融合的花卉图像分类

目的 针对花卉图像标注样本缺乏、标注成本高、传统基于深度学习的细粒度图像分类方法无法较好地定位花卉目标区域等问题,提出一种基于选择性深度卷积特征融合的无监督花卉图像分类方法。方法 构建基于选择性深度卷积特征融合的花卉图像分类网络。首先运用保持长宽比的尺寸归一化方法对花卉图像进行预处理,使得图像的尺寸相同,且目标不变形、不丢失图像细节信息;之后运用由ImageNet预训练好的深度卷积神经网络VGG-16模型对预处理的花卉图像进行特征学习,根据特征图的响应值分布选取有效的深度卷积特征,并将多层深度卷积特征进行融合;最后运用softmax分类层进行分类。结果 在Oxford 102 Flowers数据集上做了对比实验,将本文方法与传统的基于深度学习模型的花卉图像分类方法进行对比,本文方法的分类准确率达85.55%,较深度学习模型Xception高27.67%。结论 提出了基于选择性卷积特征融合的花卉图像分类方法,该方法采用无监督的方式定位花卉图像中的显著区域,去除了背景和噪声部分对花卉目标的干扰,提高了花卉图像分类的准确率,适用于处理缺乏带标注的样本时的花卉图像分类问题。     

面向照片-图形图像的二分类方法

随着科技的发展,图像应用技术日趋重要,许多图像应用技术对照片图像和图形图像的要求和效果是不同的.针对照片图像和图形图像分类的问题,本文提出了一种新的基于二分法的图像分类方法,这种方法混合了颜色、边缘和纹理三种图像特征,通过对图像特征值的K-means聚类分析,实现了照片图像和图形图像的分类.经实验验证,该方法在照片图像和图形图像的分类上取得较好的结果.     

基于显著图的花卉图像分类算法研究

在计算机视觉领域,图像分类已成为最近几年的研究热点,取得了很大的发展.然而目前的研究大多基于开放领域,分类粒度较粗,不能很好地满足花卉图像精细分类的需求.传统的图像分类算法都是基于分割后的图像进行的,较为依赖分割效果的好坏,不太适用于花卉这一类拥有复杂背景的图像.因此结合花卉图像的自身特点,提出了一种新的基于显著图的图像分类算法,将显著图融入到图像特征的提取过程中,从而避免对图像进行分割,增强了算法的适应性和可靠性,随后又对基于SVM的多特征融合方法进行了简单的介绍.通过在花卉图像库进行的实验,证明了算法的有效性.     

一种自适应磨粒图像分割方法的应用研究

利用计算机图像处理技术实现铁谱图像诊断自动化是铁谱技术发展的目标,铁谱磨粒图像分割是磨粒自动识别的重要环节,其分割效果直接影响磨粒识别的精度。原始区域生长算法需要提供种子点以及生长阈值才能进行图像分割。不同的种子点和不同的阈值会对分割效果产生很大影响。提出一种结合模糊C均值的区域生长算法,可根据磨粒图像自动获取种子点,并利用模糊互信息自动确定生长阈值,实现磨粒图像的自动分割。实验结果验证了该方法的有效性。     

基于物联网的花卉养护远程监控系统设计

智能花卉养护使得"懒人"养花成为可能,因此越来越受青睐。为了实现家庭花卉养护过程的精细化、智能化、可视化、美观化,开发设计了一个智能花卉养护的远程监控系统,运用Arduino硬件开发平台、移动手机终端、机智云物联网云端网络及相关传感器模块等搭建一个家庭式花房智能监控系统,通过环境传感器采集花房内花卉的各类参数,运用Arduino硬件开发平台分析处理、机智云物联网平台实时监控,实现远程智能浇水、自动报警、自行处理分析数据等功能。实践表明该系统能够为家庭花卉的养护提供良好的环境,提高花卉生长的质量。     

网格环境下分布式SVM遥感图像分类器模型研究

为了充分利用网格技术分布式、高性能、协同共享的能力,设计了一种基于网格和支持向量机的分布式图像分类器模型,采用网格计算技术,统筹网络运算资源,结合支持向量机在有限样本统计分类中的优势,探索网格技术在图像分类中的应用。以对遥感图像目标物体的特征提取为例,实现基于分布式计算的图像分类过程,基于.net环境的实验结果表明,该模型提高了数据密集型图像分类速度和处理效率。     

AUTOMATIC FLOWER BOUNDARY EXTRACTION USING IPSOAntK-MEANS ALGORITHM

Automatic flower boundary extraction is an important part of flower image recognition and retrieval. Identifying a flower of interest or segmenting against the background is a difficult task. We proposed and developed a hybrid automatic flower boundary extraction method called IPSOAntK-means based on swarm intelligence techniques in this article. The method employs ant colony optimization, incremental particle swarm optimization (IPSO), and K-means algorithms and it is the first swarm-based technique in flower segmentation on color images. The parameters of the algorithm are tuned by iterated F-race and experiments are conducted over two different benchmark data sets: CAVIAR-Flower and Oxford 17 flowers data sets. In the CAVIAR-flower data set, IPSOAntK-means outperformed K-means with 96.4% accuracy on average over 600 colored flower images. Comparison results of the Oxford flower data set show that our method is one of the best flower segmentation methods in the literature.     

基于决策树的面向对象变化信息自动提取研究

为了从不同时相的遥感影像数据中自动提取变化信息且保证其效率,本文结合面向对象分析技术,提出了一种基于决策树变化信息自动提取的新方法。该方法利用影像的特征指数及形状特征、光谱特征、纹理特征等作为特征集,将其作为知识库应用到决策树控制模型中,进而利用该模型实现自动分类。对所得到的分类后影像对象,组织分析其综合属性并作为决策规则再次分类,通过"双重分类"的方式实现面向对象的遥感影像变化信息自动提取。该方法为遥感影像变化信息自动提取提供了新的思路。     

Rediscover flowers structurally

Existing methods for flower classification are usually focused on segmentation of the foreground, followed by extraction of features. After extracting the features from the foreground, global pooling is performed for final classification. Although this pipeline can be applied to many recognition tasks, however, these approaches have not explored structural cues of the flowers due to the large variation in their appearances. In this paper, we argue that structural cues are essential for flower recognition. We present a novel approach that explores structural cues to extract features. The proposed method encodes the structure of flowers into the final feature vectors for classification by operating on salient regions, which is robust to appearance variations. In our framework, we first segment the flower accurately by refining the existing segmentation method, and then we generate local features using our approach. We combine our local feature with global-pooled features for classification. Evaluations on the Oxford Flower dataset shows that by introducing the structural cues and locally pooling of some off-the-shelf features, our method outperforms the state-of-the-arts which employ specific designed features and metric learning.     

皮肤肿瘤图像自动分类的研究进展

皮肤恶性肿瘤对患者健康有极大的威胁,由于现有诊断技术存在精准性差及有创操作等局限性,导致皮肤恶性肿瘤的临床诊断精度低,误诊率高,诊疗效率低下。使用计算机算法进行图像自动分类可以有效提高临床诊断效率。对近年来国内外相关研究工作进行了系统性归纳,总结了皮肤肿瘤图像自动分类模型常用的皮肤图像数据集和评估指标。对目前计算机技术在皮肤肿瘤诊断方面的常用模型及效果进行了详细的阐述,对比分析了各种方法的优势、局限及适用范围,并对未来发展趋势进行了展望。     

花卉植物形态与生长可视化仿真研究

花卉植物形态结构复杂,叶片、花瓣等组织器官的可视化建模和生长仿真成为虚拟花卉的研究瓶颈。基于花卉图像和植物生态学,提出一种通用的草本花卉形态结构建模和生长可视化仿真算法。结合花卉图像信息和双三次Bezier曲面模拟组织器官的形态,利用定义的花卉植物拓扑结构建立单株花卉。为了忠于植物生长特性,采用Logistic方程模拟叶片和花瓣的生长过程。通过郁金香、石竹、茉莉等多种代表性草本花卉植物验证了算法的有效性,模拟的花卉逼真自然。     

基于克隆选择算法的花卉图像分割

为了准确分割出花卉图像中的花朵,针对这类图像的特点,提出了一种基于克隆选择算法和OTSU(最大类间方差)法的双阈值彩色图像分割法。在HSV颜色空间中对图像进行颜色量化,计算出花卉的大致颜色,依据颜色种类对图像进行分量算子预处理,运用克隆选择算法对上一步中得到的结果矩阵自学习,得到全局最优的阈值,从而实现图像分割。实验结果表明,该方法无需人工干预,分割效果良好,且大大缩短了计算时间,具有一定的实用性。     

融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法

遥感影像解译是获得土地利用和土地覆盖（LULC）信息最为重要的途径之一，而自动化分类是提高LULC信息获取效率的关键。实际场景中包含大量不精准的先验知识，提取并融合其中的可用知识能进一步提高影像分类方法的精度、自动化率和规模应用能力。基于上述情况，提出了一种融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法。该方法可自动规避先验知识中的不精准单元，在图斑约束空间内实现了分类样本的自动化区域选择和特征提取，并获得了高置信度知识，然后利用这些分类样本训练深度残差网络，从而实现大区域影像的精确分类。以常州市新北区为例进行实验，选用该区域2009年土地利用现状数据作为先验数据，2014年Landsat 8 OLI影像作为待分类影像。实验结果表明，所提方法可融合不精准先验知识，对大面积连片LULC信息分类精确，主要地类图斑界限准确，全图分类图斑精度达到了88.7%，Kappa系数为0.842。该方法能配合深度学习方法实现高精度Landsat 8 OLI遥感影像分类。     

Automatic recognition of flower species in the natural environment

In this study, we propose a method for the recognition and retrieval of a flower species in the natural environment based on a multi-layer technique, and we also suggest novel applications. First, the study suggests how to capture a flower object that is blooming in the natural environment, as well as the corresponding background. Secondly, an experimental analysis is conducted for the purpose of improving the optimal method of feature extraction for color, texture, and shape. Thirdly, the study developed a flower-image automatic-recognition technology that can be utilized in a mobile environment. We performed experiments on 29,463 images of 300 species of blooming flowers that were collected in South Korea between 2011 and 2014. We found image recognition to be 91.26% for the 1st-ranking recognition of the flower image and 97.40% for the 6th-ranking recognition. These results show that the color–texture–shape features of the flower pictures are the most effective; furthermore, the effectiveness and validity of this suggested method for demonstration services are verified in this paper.