深层缩聚—激发残差网络的植物叶片识别方法

在植物叶片识别中,叶片的形状通常具有小的类间差异和大的类内变化,给其准确识别带来了很大挑战,由此提出一种基于深层缩聚—激发网络的高精度植物叶片识别方法。在深层残差神经网络基础上,首先通过缩聚与激发操作,学习出每个卷积通道在分类任务中的重要程度,然后根据重要程度重新调整每个通道的权重,从而实现对相应通道进行抑制和提升。在经典的叶片识别数据集Flavia上进行评估,结果表明,该方法在识别精度和对噪声鲁棒性方面均优于其他经典方法,而且在复杂条件下的平均识别精度可达到97.75%。

基于多特征降维的植物叶片识别方法

植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。

复杂背景下的大豆叶片识别

利用计算机视觉和图像处理技术对叶片进行识别在农业领域逐步得到应用,但是,将叶片从具有复杂背景的图像中准确识别出来还是很难。本文提出了一种能有效地从具有复杂背景的图像中识别大豆叶片的算法。该方法首先利用基于HSI空间的三次标记分水岭算法提取出目标叶片,而后计算出目标叶片的形态参数,最后利用训练好的概率神经网络分类器对大豆叶片进行识别。对大豆叶片120幅样本图像能达到85.37%的识别成功率,证明了此方法的有效性。

基于图像分析的植物叶片识别技术综述

对近年来基于图像分析的叶片识别技术进行了广泛研究。首先阐述了基于图像分析的植物叶片识别技术的意义及研究现状;然后介绍了主要的叶片图像识别步骤,重点从基于关系结构匹配的识别、基于统计学的识别和基于机器学习的识别三类方法进行阐述,详细论述了各种识别技术的基本思想和主要公式;最后指出了叶片识别技术的不足和研究方向。

基于克隆选择算法和K近邻的植物叶片识别方法

针对植物叶片识别中分类器设计和训练识别时间较长的问题,提出了一种基于人工免疫系统下的克隆选择算法和K近邻判别分析(CSA+KNN)的叶片识别方法。进行图像预处理后,通过提取叶片的几何特征和纹理特征得到叶片综CSA+KNN进行植物叶片样本训练,并进行植物叶片识别。在100种植物叶片数据库中进行测试,CSA+KNN法识别率为91.37%。与BP神经网络等方法相比较,实验结果表明了该识别方法的有效性以及较高的训练速率,同时验证了纹理特征在叶片识别中的重要性。CSA+KNN法扩宽了植物叶片的识别方法,可应用于建立数字化植物标本博物馆等领域。

基于多特征融合和深度信念网络的植物叶片识别

基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor滤波和灰度共生矩阵方法得到。而形状特征向量由Hu氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用"dropout"方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法,在Flavia数据库中,对32种叶片的识别率为99.37%;在ICL数据库中,对220种叶片的识别率为93.939%。这表明相比一般的叶片识别方法,此方法鲁棒性更强,并且识别率更高。

基于多特征融合的植物叶片识别研究

植物叶片识别作为植物自动分类识别的重要分支,有着很高的实际应用价值。针对当前叶片特征描述存在的局限和叶片识别准确率较低的实际,以叶片图像为研究对象,首先对图像进行预处理,在提取叶片几何特征和纹理特征的基础上,设计描述叶片轮廓的距离矩阵和角点矩阵,通过计算基于几何特征、纹理特征和角点距离矩阵的综合相似度对叶片进行精确识别。对Flavia数据集中的32类共计960幅叶片图像进行训练和测试,结果表明,基于叶片图像多特征融合的识别方法对叶片特征描述能力更强,识别准确率更高,对Flavia数据集的识别率可达97.50%,具有较好的识别效果。

基于余弦定理和K-means的植物叶片识别方法

为了提高植物叶片识别准确率,提出一种基于余弦定理和K-means的识别方法.该方法首先通过提取叶片的Hu不变矩和形状特征得到叶片的综合特征向量,然后使用K均值聚类(Kmeans)对各类叶片训练样本的特征向量集合进行聚类以获得聚类中心特征向量,紧接着使用余弦定理计算目标叶片和训练样本的相似度并排序.仿真实验表明:在Flavia植物叶片数据库中进行测试,该文方法以96.03%的概率在前5位发现目标,优于KNN、BP神经网络方法,因此,该方法具有一定的实用价值.

基于集成神经网络的植物叶片识别方法

针对植物叶片识别中识别精度低的问题,从叶片特征描述、分类器设计两个角度出发提出了一种基于集成神经网络的植物叶片识别方法。叶片特征由区域几何特征与纹理特征共同构成,其中区域几何特征由不变矩特征和叶片几何描述参数共同构成,叶片纹理特征利用灰度共生矩阵进行提取。在分类器设计方面,采用一种集成神经网络学习算法,用于解决多类别植物叶片分类问题,其基分类器由二类别分类器和互补分类器构成。为避免叶片特征受到旋转等因素的影响,需要对叶片图像进行预处理。在预处理后,利用集成神经网络分类器对叶片样本进行训练与识别。在Flavia叶片数据库中选取20类叶片,每类30张共计600张叶片进行试验,基于集成神经网络的植物叶片识别方法的平均识别精度为91%。与其他叶片识别方法相比,试验结果表明,此方法可以提高叶片识别的精度。

基于小波矩和叶形特征的叶片识别

植物的叶片是识别植物种类的一个重要属性,文章提出一种基于植物叶片形状的图像内容识别方法。首先对叶片图像进行归一化处理,然后提取叶片的小波矩特征、叶片的周长、面积及伸长度,最后根据这些特征进行支持向量机(SVM)训练和分类,识别出植物的种类。该方法得到的识别率达到95%。

基于改进VGGNet模型的外来入侵植物叶片识别方法

针对自然界中不同种类植物的叶片可能存在类间差异小而导致一些边缘轮廓相似的本土植物和外来入侵植物叶片识别错误的问题,提出一种PF-VGGNet模型。常用的VGGNet模型在图像分类上表现优秀,采用顺次连接的结构,可以很好地提取图像的高级语义信息特征,但一些图像浅层的轮廓和纹理特征也对分类起到关键作用。PF-VGGNet模型可以将浅层轮廓和纹理特征与网络深层高级语义信息融合,实现对植物叶片的自动识别。实验结果表明,PF-VGGNet模型对比其它算法在自建的外来入侵植物叶片数据集上取得了较好的识别效果,在训练集和测试集上的准确率分别为99.89%和99.63%。PF-VGGNet可以有效降低因叶片边缘轮廓相近导致识别错误的问题,能够快速识别外来入侵植物叶片,为防治外来植物入侵提供支持。

基于边缘和纹理结构实现叶片识别的应用研究

植物野外实习教学系统的主要功能是通过计算机图像处理技术对叶片边缘与纹理结构进行分析,自动提取叶片信息,确定叶片相关的理论知识.从图像预处理、叶片区域定位分割和叶片识别三方面实现植物野外实习教学系统的叶片识别模块,采用边缘和纹理结构实现叶片的定位分割与识别.实验结果表明,该方法能有效地识别出叶片并归类.

基于数字形态学特征的植物叶片识别技术综述

对基于数字形态学特征的植物叶片识别技术进行了研究。首先阐述了相关文献的研究结果,然后介绍了几种特征提取技术并相互进行比较,之后介绍了几种分类方法,最后得出结论并指出一些方法的不足。

基于CNN网络和多任务损失函数的实时叶片识别

针对传统叶片识别易受环境干扰,难以实现复杂背景下的多叶片实时识别问题,提出一种基于CNN网络和多任务损失函数的实时叶片识别方法。采用CNN网络提取叶片图像特征图,输入到RPN网络生成区域候选框;依据特征图和区域候选框,提取候选框特征图,分别进行叶片分类和边界框回归,预测叶片类别和叶片预测框的定位;利用多任务损失函数约束分类和回归,来提高叶片分类和回归的准确率和运算速度。实验结果表明,该方法的平均实时叶片识别准确率为91.8%,平均实时识别速度为25 fps。

基于CENTRIST的植物叶片识别研究与实现

针对传统植物识别方法工作任务量大,效率低下,难以保证数据客观性的问题,将CENTRIST视觉特征描述符应用于植物叶片的自动识别,设计出一个基于植物叶片图像的在线自动识别系统,对叶片图像进行预处理并提取其CEN-TRIST特征,使用最近邻分类器进行分类,计算并查询网络数据库中与之最匹配的图像,能够快速识别常见的32种植物叶片,平均正确识别率达到了90%以上。系统的后台使用PHP语言实现,所有叶片图像的信息存储于网络服务器的MySQL数据库中。实验结果表明,该系统对叶片识别具有非常好的效果,而且易于实现,也方便数据扩充和用户使用。

基于自适应监督式局部线性嵌入的植物叶片识别算法研究

局部线性嵌入(LLE)算法在实际应用中存在显著的缺陷,其中之一就是必须确定近邻参数k。本研究提出一种新的监督自适应LLE算法。根据Fisher投影距离构造了一个相似判断准则,用它设置阈值来帮助选择参数k。不同的样本可以根据其所处数据区域分布的密集程度自适应地选择不同的k值。将这种方法应用于植物叶片分类识别中,试验结果表明叶片平均识别率达到了92.4%,优于传统的LLE和监督的LLE方法。

基于复频域纹理特征的植物叶片识别算法

针对空间域特征不能全面准确地描述叶片的问题,提出了一种基于复频域纹理特征(Complex frequency domain texture features,CFDTF)的叶片识别算法。首先,对叶片图像进行预处理。其次,对预处理后的图像进行分块,并对每一个图像块进行双树复小波变换(Dual-tree complex wavelet transform,DTCWT),分别计算复频域局部二值模式(Local binary pattern,LBP)和局部相位量化(Local phase quantization,LPQ)特征,得到图像块的特征。接着,串联所有图像块的特征得到整个图像的特征。最后,在Flavia数据库上通过KNN分类器分类识别。结果表明,与传统的颜色、形状、纹理等特征相比,该算法平均识别精度明显提高,达到95.75%。

基于多特征融合和卷积神经网络的植物叶片识别

植物叶片识别是植物自动分类识别研究的重要分支和热点,利用卷积神经网络进行图像分类研究已成为主流。为了提高植物叶片识别准确率,提出了基于多特征融合和卷积神经网络的植物叶片图像识别方法。首先对植物叶片图像进行预处理,提取LBP特征和Gabor特征,将多特征相加融合输入网络进行训练,使用卷积神经网络(AlexNet)构架作为分类器,利用全连接层对植物叶片进行识别。为了避免过拟合现象,使用"dropout"方法训练卷积神经网络,通过调节学习率、dropout值、迭代次数优化模型。实验结果表明,基于多特征融合的卷积神经网络植物叶片识别方法对Flavia数据库32种叶片和MEW2014数据库189种叶片识别分类效果较好,平均正确识别率分别为93.25%和96.37%,相比一般的卷积神经网络识别方法,该方法可以提高植物叶片的识别准确率,鲁棒性更强。

基于移动端的树木叶片识别方法的研究

对于林业相关领域研究人员、植物学家、植物爱好者来说,研究设备对于植物种类的自动识别能力非常重要,而以往都需要采集标本带回实验室,在PC机上进行分类。随着科技的发展,智能手机走进了我们的生产和生活,而Android系统无疑是手机系统的佼佼者,所以该文提出了一种新的通过特征融合,适用于移动设备的树木叶片识别方法,并选择在Android平台上进行该技术的研究,可以预见在未来这种方法将会快速发展至全平台使用。

特征融合在植物叶片识别中的应用研究

利用模式识别领域的特征融合方法进行植物叶片识别,植物叶片对植物种类分辨与认知具有重大作用,其纹理、形状是分辨植物种类的一个极佳指标。以植物叶片为研究对象,提取叶片的LBP纹理特征、HOG纹理特征以及形状特征,设计多特征融合模型,基于ECOC-SVM多分类器对UCI数据集32种640张植物叶片图像进行训练、分类。实验结果表明,基于多特征融合模型训练的ECOC-SVM对数据集中的叶片有很好的描述能力,识别率达92%,识别效果较好。