检索结果-南通市图书馆

基于多粒度特征融合和小样本学习的智能叶片分类系统的研究与实现

在线全文

学校读者我要写书评

暂无评论

基于多粒度特征融合和小样本学习的智能叶片分类系统的研究与实现

作者：刘松岳南京理工大学

学位级别：硕士

长期以来,植物叶片分类任务一直是计算机视觉和模式识别领域中的一个重大挑战,致力于此方面研究的工作也层出不穷。近年来,随着人工智能技术的快速发展,基于深度学习的叶片分类方法逐渐成为一种可靠且高效的手段,众多学者也提出了许多... 详细信息

长期以来,植物叶片分类任务一直是计算机视觉和模式识别领域中的一个重大挑战,致力于此方面研究的工作也层出不穷。近年来,随着人工智能技术的快速发展,基于深度学习的叶片分类方法逐渐成为一种可靠且高效的手段,众多学者也提出了许多不同架构的神经网络模型,大大提高了植物叶片的分类精度。然而,尽管这些方法在公开数据集上表现较好,但实际应用并不理想,且难以应用于更复杂的问题,如叶片分级,即在对叶片进行分类的基础上再对同一类的叶片进行更细级别(质量等级)的划分。原因在于这些网络模型缺少捕捉叶片细粒度精细特征的能力,导致高相似度叶片的分类效果并不理想。此外,部分稀缺树木的叶片采集较为困难,而不同季节,不同地域也会导致同类叶片有较大的外观差异。这些都导致叶片数据集难以构建,且样本稀少。因此,针对小样本场景下的叶片分类问题很有研究价值。然而,目前却少有针对这方面的研究工作。基于上述问题,本文对叶片分类问题进行了深入研究,主要研究内容如下:(1)提出了一种用于叶片分类和分级的多粒度特征融合网络(Multi-granularity Feature Fusion Network,MFFN),MFFN关注叶片的多粒度信息,并将粗粒度与细粒度进行有效融合。具体为:模型包含粗粒度和细粒度两个分支,由粒度混合损失将两个分支联系起来,促使模型逐步学习由粗到细的粒度表征。采用了多步骤训练方式,每一步提取不同层级的特征,实现浅层特征与深层特征的融合。此外,还提出了几何通道注意力模块,该模块由空间变换和双线性注意力池化组成,使MFFN可以关注图像中更具区分度的局部区域,提取出的特征更具区分性。MFFN在Flavia leaf和Swedish leaf两个公开的叶片数据集上分别达到99.8%和99.7%的分类准确率,且在烟叶数据集上达到71.9%的分级准确率,均超过了目前最优的方法。(2)提出一种用于小样本叶片分类的联合全局和局部多粒度特征网络(Multigranularity Feature Network Based on Global and Local Structures,MFGL)。MFGL借助特征金字塔网络FPN的结构来提取多层次粒度特征,并将大粒度层特征作为全局特征,多个小粒度层特征的融合作为局部特征,通过全局特征的高语义性和类别相关性来加强局部特征,以期让网络充分考虑全局结构信息,挖掘出隐藏在局部结构中的细微变化信息。同时设计一种局部加权损失来考虑困难样本,以让分类更为精准。实验表明MFGL可以更准确定位到叶片图像的判别性区域,在四个叶片数据集的实验表明其优于现有方法,在5-way 5-shot和5-way 1-shot设置下分别达到最高97.8%和87.6%的分类准确率。(3)基于对叶片分类任务的需求分析,结合本文提出的模型和方法,设计并实现了一套基于智能小样本叶片分类系统,并对系统的数据加载、参数设置、模型训练、模型测试以及可视化等功能模块进行了详细介绍。此外,针对叶片分类网络模型实际部署困难问题,采用一种解耦式知识蒸馏方法,有效实现了模型的压缩,并选取三种不同骨架网络进行实验。实验表明,当使用Res Net10骨架网络时,分类准确率和模型运算量可以达到较好平衡,此时模型的压缩效果也最为明显。

关键词：叶片分类细粒度图像分类小样本图像分类多粒度特征融合模型压缩

利用CBIA与WSN构建的植物叶片分类系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用研究 2015年第11期32卷 3336-3340页

作者：李晨姚玮韩忠伟高一鸿 Florian Schmidt 蒋涛丁惠君王振宇申旻旻锡根大学自然科学与工程学院德国北威州锡根d57076 吉林动画学院游戏学院长春130012 北京邮电大学计算机学院北京100876 成都信息工程大学控制工程学院成都610225 深圳大学医学部生物医学工程系广东深圳518060 华南理工大学软件学院广州510640

为了将计算机辅助植物叶片分类算法从理论研究向实际应用推进,利用基于内容的图像分析与无线传感器网络技术实现了移动设备终端的植物叶片分类功能。利用基于Sobel边缘检测子的全自动图像分割方法获取叶片的准确形状,利用基于霍特林变... 详细信息

为了将计算机辅助植物叶片分类算法从理论研究向实际应用推进,利用基于内容的图像分析与无线传感器网络技术实现了移动设备终端的植物叶片分类功能。利用基于Sobel边缘检测子的全自动图像分割方法获取叶片的准确形状,利用基于霍特林变换的方法对叶片进行旋转预处理并提取傅里叶描述子等九种形状特征,然后使用多类支持向量机分类器对叶片进行分类,再进一步使用早期融合的方法对分类结果进行加强,随后利用以上叶片分类方法作为核心技术建立无线传感器网络,最后利用Java与安卓技术实现移动客户端的应用功能。实验结果显示,对于两个叶片数据库,分别达到了80%的分类准确率水平,与国际同类研究水平相当;对于无线传感器网络,移动终端用户可在9 s内从服务器得到叶片分类的反馈结果;移动客户端实现了安卓操作系统上的应用程序。综上所述,研究已经取得了显著的阶段性成果,并将在下一阶段的工作中引入更加新颖高效的方法来进一步提高叶片分类准确率。

关键词：基于内容的图像分析叶片分类图像分割特征提取支持向量机特征融合无线传感器网络

多尺度纹理和轮廓特征融合的叶片分类方法研究

在线全文

学校读者我要写书评

暂无评论

多尺度纹理和轮廓特征融合的叶片分类方法研究

作者：郭季姗武汉理工大学

学位级别：硕士

植物的品种分类可以促进建立植物表型和性状的对应关系数据库,逐步实现利用信息化技术控制作物育种过程,从而推动分子育种的实现。现有的植物分类方法大多以叶片为研究对象进行不同物种的植物分类,且取得了显著研究成果,但是缺少对同一... 详细信息

植物的品种分类可以促进建立植物表型和性状的对应关系数据库,逐步实现利用信息化技术控制作物育种过程,从而推动分子育种的实现。现有的植物分类方法大多以叶片为研究对象进行不同物种的植物分类,且取得了显著研究成果,但是缺少对同一物种下的不同品种的细粒度叶片分类的研究。细粒度叶片分类是在物种分类的基础上进行的更加精细的二次分类,叶片之间极高的类间相似性给分类带来了巨大挑战,因此,如何更加细致地描述叶片图像中包含的细节信息,提取出具有显著区分性的特征是细粒度叶片分类的关键问题。针对该问题,本文提出多尺度纹理和轮廓特征融合的分类方法,以大豆品种叶片为研究对象,旨在探究细粒度叶片分类问题,实现植物品种分类,主要研究工作如下:（1）建立了大豆品种叶片数据集,为细粒度叶片分类研究提供数据支撑。大豆是我国的主要经济作物,种植广泛,方便采集,因此基于大豆叶片建立了三个不同的数据集,分别是大豆多部位叶片数据集（Multi-Parts Leaves,MPL）、大豆单部位叶片数据集（Single-Part Leaves,SPL）和大豆多生长期叶片数据集（Multi-Growth-Stage Leaves,MGSL）。其中本文使用了MPL和SPL数据集,MGSL用于课题组的其他研究。（2）不同品种的叶片具有极高的类间形状相似性,叶片特征需要增强表达局部细节信息的能力,因此本文提出了多尺度直线局部二值模式（Multi-scale Line-based Local Binary Pattern,MLLBP）纹理描述子用于提取叶片中包含的细节信息。首先利用轮廓下采样点连线切割叶片轮廓,基于切割后长度不等的轮廓曲线段定义不同尺度,形成多尺度框架。曲线较长的尺度提取叶片的全局特征,表达叶片整体信息,曲线较短的尺度提取叶片的局部特征,表达叶片细节信息。然后,获取切割叶片的直线上的像素点进行LBP编码,提出了直线局部二值模式（Line-based Local Binary Pattern,LLBP）,改进LBP计算量较大、对背景噪声不鲁棒的问题,之后结合多个尺度获取叶片的多尺度纹理特征,即MLLBP特征,实现从全局到局部地描述叶片的纹理信息。同时,根据轮廓点空间分布特性提取多尺度轮廓特征描述叶片形状。最后,对特征的缩放、平移、旋转以及镜像等不变性进行了详细的分析和证明。（3）为实现纹理特征和轮廓特征的融合,采用特征权重学习算法调节纹理特征和轮廓特征在叶片分类中的权重,结合SVM分类器完成分类。首先分别对纹理特征和轮廓特征构建SVM分类器,然后根据训练样本集自动学习各个特征的权重,最后利用特征权重将基于两种特征的分类器组合成为一个复杂的分类器。实验结果表明,与单独使用纹理特征和轮廓特征以及直接拼接两种特征相比,该方法具有更高的叶片分类准确率,能够有效提高叶片分类效果。

关键词：品种叶片数据集多尺度纹理特征多尺度轮廓特征特征融合叶片分类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种结合形状与纹理特征的植物叶片分类方法

计算机工程与应用 2014年第23期50卷 185-188页

作者：董红霞郭斯羽湖南大学电气与信息工程学院长沙410082

根据植物叶片识别植物种类对于生物科学与生态科学具有重要的辅助作用。针对叶片分类,提出了一种基于形状与纹理特征的分类算法。在进行了去噪等预处理后,通过阈值分割和数学形态学方法获取叶片区域;在分割得到的二值区域图像上提取了... 详细信息

根据植物叶片识别植物种类对于生物科学与生态科学具有重要的辅助作用。针对叶片分类,提出了一种基于形状与纹理特征的分类算法。在进行了去噪等预处理后,通过阈值分割和数学形态学方法获取叶片区域;在分割得到的二值区域图像上提取了形状特征,在灰度图像上提取了纹理特征;在所得特征的基础上,利用BP网络对叶片进行分类。在实际图片上的实验结果表明,相比于已有算法,该方法可以达到更高的正确分类率。

关键词：叶片分类形状特征纹理反向传播(BP)神经网络

基于显著性检测的苹果叶片病害分类与果实分割研究

在线全文

学校读者我要写书评

暂无评论

基于显著性检测的苹果叶片病害分类与果实分割研究

作者：盛星山东师范大学

学位级别：硕士

随着传感器和算法的不断改进,计算机视觉逐步应用到水果采摘、作物控制、收割和其它许多工作中,加快推进了农业机械化和智能化的步伐。其中,能对植物病害类型进行准确分类和水果果实实现精准定位与分割的视觉系统,对各种智慧农业中使用... 详细信息

随着传感器和算法的不断改进,计算机视觉逐步应用到水果采摘、作物控制、收割和其它许多工作中,加快推进了农业机械化和智能化的步伐。其中,能对植物病害类型进行准确分类和水果果实实现精准定位与分割的视觉系统,对各种智慧农业中使用的智能设备有着极其重要的意义。然而,现在的很多先进的模型使用的数据集都是根据室内等可控条件下采集的,在实际应用中,由于真实的果园里光照条件的变化、叶片与果实的重叠与遮挡、分布密集与颜色的异同等复杂的问题,这些模型常常会造成机器的误分类、漏检与混检,严重影响了智能设备的正常工作,降低了智能设备的效率。本研究针对的对象是真实场景下的果园里的苹果叶片和绿色果实,首先构建了两个真实场景下的苹果叶片和果实数据集,然后从不同的角度对苹果叶片病害类型的分类、绿色果实的分割问题进行了探索,并提升了它们的效果,为农业现代化、信息化做出了一定的贡献,具体研究内容如下:(1)绿色果实分类、检测与分割数据集的构建。为使模型能够在实际的果园环境中更高效地工作,本研究在采集果园图像的时候重点考虑了果园的复杂性和多样性,采集了不同状态下的多种果园的真实场景。为此,采集的数据集共分为四个步骤:图像的采集与清洗、图像数据集的标注、对标注图像检查与统计和生成数据集,通过上述步骤构建了苹果的果实与叶片还有桃子果实的数据集,支持苹果叶片与果实病害分类、苹果果实的实例分割两种任务类型。(2)提出显著性检测模型DEANet(Deep Enhanced Attention Network)。主要包括两个部分:维度-通道融合(Channel-Spatial Fusion Block,CSF)模块和边缘优化损失模块。本方法提出的CSF模块使用注意力机制,通过注意力机制捕捉RGB图像和深度图像之间的空间依赖和通道依存关系,能够更好的挖掘两个模态图像之间的互补信息,保证提取有用信息特征的彻底性和完整性。此外,本方法还提出了一个边缘优化损失函数,通过对物体的边缘进行监督来得到更平滑的显著性物体边缘。(3)提出了基于显著性检测和级联骨干网络的两阶段网络CBNet(Cascade Backbone Network)用于野外苹果叶片病害分类。本方法使用Mobile Vi T部分取代CNN进行特征提取,为了更好的提取图像中的特征,本方法提出了一种特征提炼(Feature Refinement,FR)模块,该模块包含一个维度注意力机制,通过维度注意力挖掘特征通道间的联系,从而可以更有效的提炼出图像中有意义的特征向量。本研究还提出了一种新颖的级联骨干网络来取代传统的解码器结构,这有助于更有效融合提取的特征信息。(4)提出基于显著性检测和边界引导的两阶段果实分割模型Edge Seg Net。本研究提出了一种基于边界引导的复杂环境下的水果果实分割框架,用于提升被遮挡或重叠的果实的分割精度,通过对果实的边缘特征进行准确提取并用准确的边缘特征对果实的位置进行边缘细化来实现果实的准确分割。本方法提出的全局定位模块(Global Localization Module,GLM)能够利用高层的语义信息和局部的细节信息来准确地定位潜在的目标区域;提出了多尺度定位模块(Multi-Scale Localization Block,MSLB),利用丰富的多尺度特征准确地定位潜在目标区域内的目标;还提出了边缘感知模块(Boundary-Aware Module,BAM),充分利用边缘图像中的边缘信息来细化目标的边界,使得边界更为平滑。综上,本研究在构建的苹果叶片和果实的数据集上进行了大量的实验,这些实验的结果表明:上述研究提升了在复杂的果园环境中的苹果叶片病害分类与果实分割的精度,为智慧农业的发展提供了技术支持,推进了现代信息技术在农业问题上的发展。

关键词：叶片分类果实分割计算机视觉显著性检测深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于本征信息分解的植物叶片分类方法研究

广东蚕业 2019年第8期53卷 53-55页

作者：杨涛杨博雄尹萍熊纯邹佳雪三亚学院信息与智能工程学院海南三亚572022 三亚学院陈国良院士工作站海南三亚572022

为提高植物分类的准确率,文章提出了一种基于本征信息分解的植物叶片分类方法。该方法采用能量优化算法对植物叶片图像进行本征分解,然后在反射率本征图像中提取颜色特征,在光照本征图像中提取纹理和边缘特征,并按照一定比例综合三种特... 详细信息

为提高植物分类的准确率,文章提出了一种基于本征信息分解的植物叶片分类方法。该方法采用能量优化算法对植物叶片图像进行本征分解,然后在反射率本征图像中提取颜色特征,在光照本征图像中提取纹理和边缘特征,并按照一定比例综合三种特征分类植物叶片。文章选取Swedish叶片数据集中的10种植物叶片(每种70张)进行实验。实验结果表明,每种植物叶片按照分解原始图像后的特征与原始图像特征分类相比,分类准确率有所提高。分解后,按照单一颜色特征进行分类,平均准确率提高4%,达到92%;按照单一纹理特征进行分类,平均准确率提高13%,达到80%;按照综合特征进行分类,平均准确率提高5%,达到97%。文章方法具有较好的植物叶片分类效果,对农业领域的植物分类具有一定的借鉴意义。

关键词：本征信息特征提取多特征融合叶片分类

在线全文

学校读者我要写书评

暂无评论

基于纹理特征的武夷岩茶叶片分类方法

武夷学院学报 2019年第12期38卷 14-17页

作者：林丽惠武夷学院数学与计算机学院认知计算与智能信息处理福建省高校重点实验室

针对武夷岩茶叶片分类问题,提出一种基于纹理特征的武夷岩茶叶片分类方法。实地采集武夷岩茶鲜茶叶叶片图像,对鲜茶叶叶片图像进行预处理后,提取茶叶叶片图像灰度共生矩阵在0°、45°、90°、135°四个方向且距离σ为1的能量、熵、对比... 详细信息

针对武夷岩茶叶片分类问题,提出一种基于纹理特征的武夷岩茶叶片分类方法。实地采集武夷岩茶鲜茶叶叶片图像,对鲜茶叶叶片图像进行预处理后,提取茶叶叶片图像灰度共生矩阵在0°、45°、90°、135°四个方向且距离σ为1的能量、熵、对比度、相关性、逆差距、非相似性和同质性共7个特征值以及特征值在四个方向上的均值和方差。分别使用KNN分类器、集成学习器、判别分析分类器3种分类算法对本文提取的武夷岩茶鲜茶叶叶片图像纹理特征进行分类识别。结果表明,基于纹理特征识别武夷岩茶鲜茶叶叶片图像是一个非常有效的方法,识别率达90.00%。

关键词：武夷岩茶叶片分类纹理特征灰度共生矩阵分类器

基于室内高光谱激光雷达的典型树种叶片光谱观测和分类

在线全文

学校读者我要写书评

暂无评论

红外与毫米波学报 2020年第3期39卷 372-380页

作者：胡佩纶陈育伟蒋长辉林起楠李伟漆建波俞琳锋邵慧黄华国北京林业大学林学院省部共建森林培育与保护教育部重点实验室北京100083 芬兰地理空间研究所遥感和摄影测量部芬兰基尔科努米202431 中国科学院光电研究院定量遥感信息技术重点实验室北京100094 安徽建筑大学电子与信息工程学院安徽合肥230601

高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光... 详细信息

高光谱激光雷达综合了高光谱和激光雷达特征,可为植被生理生化参数提取提供更加精确的遥感探测,但其应用潜力尚未得到充分挖掘。以北京10个典型树种的单叶为样本,开展室内高光谱激光雷达的叶片观测试验,并进行树种分类研究,为未来高光谱激光雷达的林业应用提供基础。首先进行可调谐高光谱激光雷达(Hyperspectral LiDAR,HSL)叶片高光谱测量,并完成与ASD地物光谱仪所测数据对比实验;其次,应用随机森林方法实现10种叶片的分类研究,其输入的特征指数为融合全部波段、部分敏感波段的光谱指数。结果表明:(a)HSL在波段650~1000 nm(71个通道)内观测的叶片高光谱和ASD光谱一致(R^2=0.9525~0.9932,RMSE=0.0587);(b)只用原始波段反射率分类精度为78.31%,其中分类贡献率最大波段的是650~750 nm,使用此波段进行分类精度为94.18%,表明利用红边波段(650~750nm)进行树种分类是十分有效的;(c)对树种敏感的波段为680 nm、685 nm、690 nm、715 nm、720 nm、725 nm、730 nm;(d)结合敏感波段光谱指数与植被指数分类精度82.65%。该研究结果表明在单叶级别,利用高光谱激光雷达能够准确地反映目标叶片的光谱特征并且能有效进行树种分类;未来将可能在野外应用中精确提取目标的生理生化参数。

关键词：高光谱激光雷达叶片分类全波形植被参数

基于度量学习的植物叶片小样本学习分类方法研究

在线全文

学校读者我要写书评

暂无评论

基于度量学习的植物叶片小样本学习分类方法研究

作者：王彬北京林业大学

学位级别：硕士

植物广泛分布在自然环境中,在保护地球生态系统中扮演了重要的角色。在过去植物鉴定的研究中视觉特征通常选用植物的叶子,花,果实,茎等植物器官,其中,植物的叶片是最具有代表性的。目前,随着图像技术的发展,深度学习中的卷积神经网络以... 详细信息

植物广泛分布在自然环境中,在保护地球生态系统中扮演了重要的角色。在过去植物鉴定的研究中视觉特征通常选用植物的叶子,花,果实,茎等植物器官,其中,植物的叶片是最具有代表性的。目前,随着图像技术的发展,深度学习中的卷积神经网络以其在计算机视觉领域出色的表现,成为了解决此类问题的主要手段。但利用深度学习方法的缺点也很明显,获得高分类准确率的前提是网络拥有充足的监督学习样本。大多数情况,研究者仅能获得较少数量的样本图片,一般的深度学习卷积神经网络在面对少量学习样本的情况下表现极其糟糕。因此,小样本学习的概念被提出,其目的是从较少的监督样本中学习这些样本的分类方法。本文构建了一种基于度量学习的方法用来提取植物叶片特征并对叶片进行分类。本文的主要研究内容有以下几点:1、本文首先在基于小样本学习的条件下分别分析并构建了叶片特征提取器和特征分类器的结构框架,利用了双路并行卷积神经网络的思路构建了整体框架。使用了经典的公开叶片数据集:Flavia数据集、Swedish数据集和Leafsnap数据集组成实验数据集,在经过重组、筛选和图像预处理后进行实验。2、本文使用多种优秀的卷积神经网络特征提取器,如Google Net、Desen Net、Res Net等进行特征提取工作,并在小样本分类框架的基础上进行了组合设计,本文给出了不同卷积神经网络在该框架下的性能表现和网络详细结构,并在数据集中进行了分类精确度测试实验,给出了实验结果和分析。3、小样本训练任务中样本数量较少会导致分类精度下降,本文为此提出了一种作用于训练过程中的空间结构优化器。实验证明在使用该优化器的情况下分类准确率会提高近2%,从而证明其有效性。

关键词：叶片分类深度学习小样本学习卷积神经网络空间结构优化器