一种基于机器视觉的纸病识别方法

提出了一种基于图像灰度变换和BP神经网络的纸病识别算法。该算法是利用动态双阈值法和图像合成法对图像进行预处理,提取出纸病的特征值,再利用BP神经网络对纸病进行分类。结果表明,BP神经网络分类器可以很好地识别出纸病图像中的孔洞、脏点和褶皱,平均识别率达93.8%。     

基于羊绒羊毛纤维检测的分类器研究

基于数字图像处理的羊绒羊毛纤维检测已然成为了现今研究的热门,本文主要对现今存在的对羊毛羊绒纤维图片特征进行识别的分类器进行研究。以相同方式提取出的羊绒羊毛纤维图片特征分别使用贝叶斯方法、BP神经网络、SVM支持向量机进行识别,最后通过比较,SVM支持向量机在识别率和识别速度上较其余两个分类器有效,是比较适合进行羊毛羊绒纤维检测的分类器。     

改进Faster RCNN在粮虫目标检测中的应用研究

针对储粮害虫体积小、姿态多变、背景复杂、存在粘连遮挡且容易混淆、检测精度低等问题,提出了一种基于深度学习的改进Faster RCNN粮虫目标检测方法。通过在特征图后引入金字塔池化模块,优化损失函数,提升粮虫检测性能。实验结果表明,该方法在本文自制的白板背景和储粮背景两个粮虫数据集的mAP分别达到89.42%和90.12%,相比较改进前的算法分别提升了0.9%和2.46%。     

基于人工免疫网络理论的移动机器人路径规划

针对静态环境下机器人路径规划问题,提出了基于人工免疫网络理论的移动机器人路径规划方法.该方法基于人工免疫网络仲裁机器人的行为,将抗体和抗原类比为机器人的行为和机器人所在的环境,人工免疫网络作为主要的行为仲裁机制,有效地选择和精炼执行任务,并基于Webots实验平台对该方法进行了仿真.实验结果表明,该方法在复杂的环境中具有高度的自制性、适应性、灵活性和有效性.     

一种优化的人脸特征数据保护算法

针对基于SIFT的保护算法运行效率低、算法结构庞大的问题,提出一种基于SIFT人脸特征数据保护算法的优化算法.该算法通过对原算法特征数据库中的数据存放方式、数据结构的优化,提高了检索效率.该算法在AR和YALE人脸库中进行实验,结果表明,本优化算法在保证数据安全性的前提下,不降低原有算法识别率的同时,使整个识别系统的运行效率更高.     

小麦隐蔽性害虫检测新模型

粮食在存储过程中极易发生虫蚀现象,因此需要快速高效的检测粮食是否染虫.基于生物光子分析技术(Biophoton Analytical Technology,BPAT),提出了一种新型的小麦隐蔽性害虫检测模型.以小麦籽粒和玉米象为研究对象,分别测量正常和含虫小麦的自发光子数,并提取8个统计特征(均值、方差、中位数、四分位数、平均差、离散系数、偏度、峰度)和13个直方图特征组成粮食特征数据向量,对这些特征向量进行主成分分析(principalcomponent analysis,PCA),并在此基础上分别采用线性分类器LDA(linear discriminant analysis)和BP神经网络模型进行识别,实验结果表明,所提模型可以较好地区分正常小麦和含虫小麦.     

基于光学显微图像特征的羊绒识别技术

文章对光学显微镜下的山羊绒和细羊毛图像进行图像处理,从而建立山羊绒和细羊毛数据库,然后从图像数据库中提取具有代表性及区分性的特征,生成对羊绒与羊毛的有效表达。利用有监督学习方法中的支持向量机算法,实现对山羊绒和细羊毛的自动识别。实验结果发现,基于LBP与HOG图像特征表达的SVM分类器的正确识别率达到了80%以上,而人工识别的准确率只有59%,识别的正确率有了较大的提高。     

基于稀疏编码器与集成学习的文本分类

文本分类在文本预处理中占据着重要的地位,针对文本分类过程中输入数据维数高,导致特征提取,分类器选择困难等问题,提出一种基于稀疏自动编码器与集成学习的文本分类算法。该算法首先通过稀疏自动编码器进行输入数据的特征表示,然后利用极限学习机作为基分类器进行文本分类,最后通过Adaboost集成学习方法将基分类器组合成为分类效果更好的集成分类器。实验结果表明,该方法可以有效提高文本分类的准确度。     

基于奇异值分解与同态滤波的粮虫图像增强

储粮害虫的在线检测是研究的热门领域。由于图像处理技术逐渐成熟,基于图像处理的储粮害虫检测系统得到了广泛的关注。图像增强是特征提取前重要的预处理过程,因此在基于图像处理的检测系统中是最重要的步骤。介绍了同态滤波图像增强方法和矩阵奇异值分解的基本理论,在此基础上提出了基于奇异值分解和同态滤波的粮虫图像增强算法。为了验证方法的有效性在Matlab平台上做了仿真试验,使用本方法增强粮虫图像并和其他方法做了对比,结果表明该方法对于粮虫图像增强是有效且可行的。     

一种抗剪切攻击和涂抹攻击的纹理识别算法

针对目前纹理识别算法对强剪切攻击识别率不高的问题,提出了一种基于非负矩阵分解(NMF)结合不变矩抗剪切攻击和涂抹攻击的纹理识别算法.该算法首先对训练纹理图像样本V进行非负矩阵分解得到基矩阵W分量和系数矩阵H分量,并将其进行存储,同时计算W分量的不变矩作为图像特征向量;对经过剪切的测试样本图像,通过局部未剪切部分V矩阵和相应的H矩阵来恢复W矩阵,然后计算其不变矩作为特征向量;最后用K近邻分类器对提取的特征向量进行分类.通过对50类纹理图像进行分类实验,结果表明:本算法对遭受剪切攻击后的纹理图像具有很强的鲁棒性,识别率可达100%,对于遭受脉冲噪声感染后的纹理图像的识别率也在85%左右.     

卷积神经网络在储粮害虫图像识别中的应用研究

立足于当今储粮害虫图像识别领域面临的技术需求,针对现有的储粮害虫图像识别算法网络结构相对复杂,辨认率低,为此,引入卷积神经网络实现储粮害虫图像的识别。简要阐述了卷积神经网络发展过程,分析其网络结构,选用5种储粮害虫作为训练样本,分析了储粮害虫图像识别过程,最后通过实验得出了基于卷积神经网络的Alexnet模型对储粮害虫图像识别的精确度达97.62%,说明基于CNN对储粮害虫图像识别具有较高的准确率。     

基于扩展Shearlet变换、Krawtchouk矩和SVM的储粮害虫分类

为了进一步提高储粮害虫的识别精度,以便更有效地防治储粮害虫,提出了一种基于纹理和形状综合特征及全局混沌蜂群优化支持向量机(SVM)的储粮害虫分类方法。首先对储粮害虫图像进行扩展Shearlet变换,利用变换系数得到能量分布均值,加权后的能量分布均值构成纹理特征向量,用Krwtchouk矩不变量描述储粮害虫的形状特征;然后将纹理特征向量和形状特征向量分别归一化,两者结合构成储粮害虫的综合特征向量;最后用全局混沌蜂群算法优化SVM的核参数与惩罚因子,并应用参数优化的SVM进行分类。结果表明:与基于Gabor小波和支持向量机方法、基于Krawtchouk不变矩和支持向量机方法相比,本方法提取的储粮害虫特征信息更加完整,识别率更高。     

基于深度学习的粘虫板储粮害虫图像检测算法的研究

本文提出了一种基于深度学习的粘虫板储粮害虫图像检测算法,实现了放置在粮仓表面粘虫板诱捕的六大类害虫（米象/玉米象、谷蠹、扁谷盗、锯谷盗、拟谷盗、烟草甲）的定位和识别。考虑粘虫板图像的背景复杂、害虫体积较小、姿态多样的特点,改进了SSD的目标框回归策略、损失函数和特征提取网络结构,测试结果表明本文提出的算法可有效检测粘虫板上的害虫,检测平均正确率(mAP)可以达到81.36%。改进后的SSD算法部署在储粮害虫监测系统中,目前已在全国十一个粮库进行实验测试。     

基于视频目标跟踪算法的储粮害虫活跃程度判别研究

针对储粮害虫杀虫效果评估实验,本文提出了一种多目标跟踪算法,通过跟踪评估区域内多头储粮害虫的运动给出每头害虫的活跃程度,对害虫存活状态进行自动评估。算法基于 Faster R-CNN框架的目标检测技术,融合Mean Shift和Deep SORT目标跟踪算法,实现了对储粮害虫运动位置的连续跟踪,且减少了两头害虫相遇再分离后身份错位问题发生的情况。对于20头以内的同种害虫,平均多目标跟踪准确率为95.89%,多目标跟踪精度为83.18%。而且在目标跟踪算法中记录了每头储粮害虫的速度变化,通过分析一定时长的害虫移动速度,提出了一种评估储粮害虫活跃程度为低、中或高的分级方法,可以辅助实验人员对实验效果的分析。     

融合光谱与纹理特征的龙井茶等级无损识别

龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。     

一种探管式储粮害虫诱捕在线监测装置的设计研究

为实现对粮仓粮堆内害虫发生的早期监测,本研究基于探管式诱捕器和红外光电传感器研发了一种经济有效、可实时在线监测害虫发生的装置;基于该装置建立了9种主要储粮害虫成虫红外光电序列数据集;通过方差分析和数据可视化方法验证了其数据分布特性与害虫进入诱捕段的位置无关;对红外光电序列建立了高斯核支持向量机模型,通过实验室的测试,对蛀蚀性和粉食性两大害虫类别的判别达到了加权平均分类准确率87.7%、召回率87.5%和F1值87.6%。     

基于深度学习的牛肉大理石纹智能分级研究

目的开发客观、准确、无损的基于深度学习的牛肉大理石纹智能化分级技术。方法将深度学习的图像识别方法应用于牛肉大理石纹的特征提取和分类上,并进行相应的调试和学习。结果通过计算机调试和学习,评级正确率分别达到84.2%(一级)、89.4%(二级)、81.9%(三级)、84.1%(四级)、82.6%(五级)。各级牛肉的识别率均在80%以上,识别时间都在1 s以内,达到了预期目标。结论将深度学习的图像识别方法应用于牛肉大理石纹的特征提取和分类上,评级准确率非常高,且随着图片数据库样本数的不断增多,其识别的准确度将不断提高,可进行大量推广使用。     

基于图像处理的烟叶烘烤阶段判别模型优选

[背景和目的]烟叶烘烤阶段的自动判别是建立智能化烟叶烘烤系统的重要环节.为实现烘烤阶段的精确识别和操控,提升烟叶烘烤的精准度.[方法]提取烘烤过程中整夹烟叶图像的11种颜色特征和8种纹理特征,分别对颜色特征和纹理特征进行变量聚类分析,以10为距离,将提取的颜色特征和纹理特征各分为2类.利用相关性分析筛选出每类特征中与烘...     

基于机器视觉的鞋面特征点自动识别改进方法

针对目前人工识别鞋面特征点方法实时性差,效率低,成本高的问题,提出一种基于机器视觉的鞋面特征点自动识别改进方法。首先,采用改进中值滤波法对采集图像进行预处理消除噪声干扰;其次,运用提出的自适应阈值分割法提取特征点关键区域;最后通过图像形态学处理和计算最小外接圆完成特征点的自动识别。为验证该方法的可靠性,在光强变化和非常规条件下对大量鞋面样本进行分组实验,并与传统一维和二维Otsu算法的检测结果进行对比。结果表明,该方法在多种复杂环境下具有更好的识别精度和鲁棒性,识别成功率在93%以上,且检测时间不超过0.5 s,可满足工业生产中的精度和实时性需求。     

基于遗传算法的织物疵点特征选择

 为提高疵点分类的正确率,提出应用遗传算法对织物的疵点进行特征选择。首先提取机织物疵点图像,基于直方图、灰度共生矩阵、灰度差分统计、小波差分统计等描述纹理特征,采用遗传算法对这些特征组成的特征向量进行特征选择,再用支持向量机（SVM）分别对原特征向量和选择的特征子向量进行分类。实验结果显示,织物疵点的平均识别率从原来的89%提高到95%,说明该算法对织物疵点特征选择是有效的。