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。     

雾尘条件下粮库图像去雾算法研究

针对现有去雾方法在含有大面积亮白区域的图像中,传统方法有可能导致大气光值估计不准确,提出基于四叉树分解的方法,避免亮白区域对大气光估计的影响,在天空区域内对大气光进行准确估计;同时,为避免手工特征提取及假设条件的限制,利用三个不同尺度的卷积核对原始雾图进行卷积操作,经过网络的一系列特征学习之后得到待细化传播图;然后使用图像融合方法对其进行细化;最后,将估计的参数代入大气散射模型从而反演出清晰图像。合成和真实世界的粮库雾尘图像的定量和定性实验结果表明,该算法对于图像纹理细节以及天空区域的处理上有较好效果,且鲁棒性高,普适性强。