基于树莓派OpenCV的植物叶片病害识别

针对植物叶片病害实时性差的问题,提出了一种在树莓派OpenCV上的植物叶片病害识别的方案。针对如何提取植物叶片褐斑病害区域的问题,利用一种在Lab颜色空间下运用K-means聚类算法的方法。K-means聚类方法可以在目标区域和背景区域的差异比较明显的情况下,有效的提取叶片目标区域。同时结合Lab颜色空间,利用植物病害区域的褪绿特点以及Lab颜色空间颜色分布的均匀性,从褐斑病区域中提取相对容易对比的叶片颜色特征和纹理特征。然后根据已有的少量褐斑病叶片样本和正常叶片样本,凭借KNN(K nearest neighbors)分类器识别叶片是否患有褐斑病。通过在树莓派3b+上的Python-OpenCV实验,K-means聚类结合Lab颜色空间的病害提取是可行的,且KNN分类器可以正常识别。

多载波光传输系统中的自组织映射神经网络的非均匀量化方案

为了解决基于强度调制/直接检测的通用多载波(IMDD-UFMC)调制光传输系统中由于高峰值平均功率比(PAPR)需使用高精度数模转换器/模数转换器(DAC/ADC)带来的高成本问题,提出一种基于自组织映射(SOM)神经网络的非均匀量化方案。该方案通过一种竞争机制进行非监督学习的方式最小化量化误差来实现量化噪声最小的非均匀量化,从而提高IMDD-UFMC的系统性能。仿真结果表明:在保持系统性能的情况下,SOM非均匀量化方案可以比均匀量化方案降低1 bit量化位数;有些情况下至少能提高1.7 dB的接收灵敏度。