基于深度学习和支持向量机的４种苜蓿叶部病害图像识别

1、研究思路

对采集获得的８９９张苜蓿叶部病害图像，利用人工裁剪方法从每张原始图像中获得１张子图像，然后利用结合Ｋ中值聚类算法和线性判别分析的分割方法进行病斑图像分割，得到４种病害的典型病斑图像（每张典型病斑图像中仅含有１个病斑）共１６５１张。基于卷积神经网络提取病斑图像特征，建立病害识别支持向量机（Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）模型。结果表明：当病斑图像尺寸归一化为３２×３２像素，利用归一化的特征ＨＳＶ（即特征Ｈ、特征Ｓ和特征Ｖ归一化后的组合特征）构建的病害识别ＳＶＭ模型最优，其训练集识别正确率为94.41％，测试集识别正确率为87.48％。

2、病斑图像分割

Ｋ中值聚类算法和线性判别分析的分割方法实现了所获得４种苜蓿叶部病害病斑图像的分割，分割效果较好。

结合Ｋ中值聚类算法和线性判别分析的图像分割方法

基于深度学习和支持向量机的４种苜蓿叶部病害图像识别相关推荐

深度迁移学习在花生叶部病害图像识别中的应用
深度迁移学习在花生叶部病害图像识别中的应用 1.论文思路首先迁移 Inception-v3 模型在茶叶叶部病害图像数据集上进行微调, 然后将微调所得模型迁移至花生叶部病害图像数据集上继续训练.实验结 ...
基于深度学习的农作物叶片病害检测系统（UI界面+YOLOv5+训练数据集）
摘要:农作物叶片病害检测系统用于智能检测常见农作物叶片病害情况,自动化标注.记录和保存病害位置和类型,辅助作物病害防治以增加产值.本文详细介绍基于YOLOv5深度学习模型的农作物叶片病害检测系统,在介 ...
基于深度学习的模糊对象的鬼成像
训练集:ENMNIST 模糊对象通过Airy卷积获得测试集:多缝本文神经网络:新的残差神经网络 (ResNetV2).残差密集块 (RDB) 和 eHoloNet 深度学习与鬼成像的发展历程 ...
DeepRMethylSite:一种基于深度学习的蛋白质精氨酸甲基化位点预测方法
DeepRMethylSite:一种基于深度学习的蛋白质精氨酸甲基化位点预测方法 https://www.researchgate.net/publication/341890599_DeepRMet ...
换种监控姿势：基于深度学习+流处理的时序告警系统
来自:DBAplus社群作者介绍左喻灏,新炬网络AIOps高级工程师.拥有丰富的HBase运维经验和专业的机器学习知识,擅长使用人工智能技术解决大数据运维中的实际问题.2019年开始基于各类机器学 ...
3种基于深度学习的有监督关系抽取方法
摘要:本文对几种基于深度学习的有监督关系抽取方法进行了介绍,包括CNN关系抽取.BiLSTM关系抽取以及BERT关系抽取. 本文分享自华为云社区<基于深度学习的有监督关系抽取方法简介>,作 ...
一种基于深度学习的遥感图像分类及农田识别方法
文章针对现有的神经网络收敛速度慢.识别准确率不高的缺点,提出了一种基于卷积神经网络的遥感图像农田分类及识别方法.该算法使用较大的卷积核,有效地提取梯度信息:设计深度为6层的卷积神经网络,提高了网络的分 ...
基于深度学习的两种信源信道联合编码
本文分享自华为云社区<基于深度学习的信源信道联合编码>,原文作者:技术火炬手 . 信源编码是一个数据压缩的过程,其目的是尽可能地将信源中的冗余度去掉:而信道编码则是一个增加冗余的过程,通过 ...
一种基于深度学习的目标检测提取视频图像关键帧的方法
摘要:针对传统的关键帧提取方法误差率高.实时性差等问题,提出了一种基于深度学习的目标检测提取视频图像关键帧的方法,分类提取列车头部.尾部及车身所在关键帧.在关键帧提取过程中,重点研究了基于SIFT特征 ...

基于深度学习和支持向量机的４种苜蓿叶部病害图像识别

基于深度学习和支持向量机的４种苜蓿叶部病害图像识别

1、研究思路

2、病斑图像分割

基于深度学习和支持向量机的４种苜蓿叶部病害图像识别相关推荐

最新文章

热门文章