共查询到20条相似文献,搜索用时 250 毫秒
1.
2.
3.
4.
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. 相似文献
5.
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. 相似文献
6.
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. 相似文献
7.
8.
9.
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。 相似文献
10.
原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合GIoU算法的YOLOv3检测模型,一方面使用GIoU算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用GIoU对损失函数进行优化,损失函数优化为GIoU损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1 998张数据集进行数据增强,最终形成大小为9 990张的数据集,并使用K-means聚类算法对自制数据集进行聚类分析,聚类出符合粮虫小目标检测的先验框。针对自制的9 990张粮虫的数据集进行实验获得了99.43%的mAP和每幅图像0.040 s的检测速度,与原始YOLOv3模型相比,本文所提模型对于小目标的粮虫检测效果得到了很大的提升。 相似文献
11.
12.
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。 相似文献
13.
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。 相似文献
14.
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。 相似文献
15.
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。 相似文献
16.
17.
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。 相似文献
18.
19.
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。 相似文献