提高超大规模SVM训练计算速度的研究

近年来用支持向量机(Support Vector Machine)解决大样本问题的尝试日渐增多。限制SVM在大样本问题中应用的一个关键因素是SVM训练所引出的超大规模二次规划问题无法由标准的二次规划方法所解决。SMO算法(Sequential Minimal Optimization)是一种有发展前途的大规模SVM训练算法,我们用块算法的思想对其进行了改进,并称改进后的算法为分块SMO算法(CSMO)。新算法对于带有小支持向量集的超大样本问题在速度方面具有明显的优势。

基于小波基特征提取的苹果叶部病害检测算法设计

针对苹果叶部常见病害实现绿色、无损检测,提出了一种基于SVM和小波基特征提取的苹果叶部病害识别算法。该算法通过对苹果叶片图像进行小波变换,提取出小波系数后,进一步执行小波包变换,再提取出具有代表性的小波基特征,根据每个区域的特征参数,得到一组小波基特征向量,然后通过SVM进行模型训练,使用SVM分类器对不同病害进行分类识别。试验结果表明,基于小波基特征提取的苹果叶部病害识别算法,识别常见五种苹果叶部病害准确率较高,可靠性较好,满足实际生产中对苹果叶部病害无损检测的需求,为绿色、智慧果业提供技术支持。

SVM在羽绒识别中的应用

目前,对羽绒种类的识别,均借助于显微镜由人工完成,这种方式存在诸多弊端。本文提出将SVM引入羽绒识别中,用计算机自动完成对羽绒的识别。在羽绒图像经过图像处理的基础上,用SVM对二值图像中的菱节进行识别,然后对识别出的菱节进行配对、计算节距,由计算机自动确定羽绒的种类。

基于特征提取的数字识别算法研究

基于模板匹配的数字识别算法需要保证训练样本和模板样本一致,基于深度学习的数字识别算法需要保证有大量的训练样本。然而户外环境复杂,很难找到所有与训练样本相匹配的模板样本,搜集到的图像也比较有限,很难建立一个大的数据集,因此识别准确率欠佳。基于这种情况,本文提出了一种采用方向梯度直方图(histogram of oriented gradients,HOG)特征提取和支持向量机(support vector machine,SVM)分类器训练的方法对数字进行识别。为了增强复杂样本识别的鲁棒性,本文还对获取的图像进行了一系列的投影分割操作。实验后发现,本文所提算法可以有效避免模板匹配和深度学习方法的缺点,具有较高的识别准确率,且运行速度较快。

基于机器视觉与机器学习的车牌识别系统

车牌识别系统包括车牌位置检测子系统、车牌预测子系统和车牌字符识别子系统。车牌位置检测子系统由通道同或算法和漫水填充算法组成。通道同或算法实现预选车牌位置,漫水填充算法实现对不完整车牌图像的补充,共同实现对车牌图像的预定位。车牌预测子系统由支持向量机SVM模型对车牌图像进行训练和分类,进一步预测车牌图像。车牌字符识别子系统由卷积神经网络CNN模型对字符进行训练并识别字符图像。此系统运用于实际的车牌信息提取中,能够减少管理者的工作量,实现车牌信息识别的自动化,降低识别成本。

一种改进的莲子头部识别装置

本文设计并开发了一种基于瞳孔识别算法的莲子头识别装置。通过莲子打孔机与落料机构的配合,实现莲子穿孔加工,提高心率和净率,降低莲子仁的破损率,生产具有较高附加值的莲子。