刘素华[1]2003年在《基于模糊理论的仓储物昆虫的分类识别研究》文中研究指明仓储物昆虫简称昆虫，是经济昆虫研究的主要对象。昆虫侵害的对象涉及到人类生活所需的各种物资。另外，随着我国经济的高速发展，储备物资的种类和数量日益增多，加之国内外贸易的日趋频繁，客观上为这些仓储物昆虫的繁衍和传播蔓延提供了有利条件。因此，加强对昆虫的检疫工作，提高检疫工作的技术水平，是强化防治昆虫传播蔓延的第一道防线，对保护储备物资，减少损失，加速国民经济发展具有重要的意义。 多年来，国内外昆虫研究人员一直在努力寻找一种科学的，快速、准确、实用的虫种鉴定方法。近年来，随着计算机技术应用领域的不断扩展，计算机数字图像处理技术、模式识别等方法取得了突破性进展。目前，利用计算机技术对仓储物昆虫进行自动识别和分类，是昆虫研究领域希望解决的重要课题之一。 本文尝试用模糊集合理论的方法对仓储物昆虫进行分类与识别。模糊集合理论是美国自动控制专家L．A．Zadeh教授于1965年提出的，虽然出现的较晚，但目前在各个领域的应用十分活跃。在文中简单介绍了模糊集合理论的原理，详细讲述了一种无监督学习方法——模糊C-均值聚类，以及模糊模式识别的两种方法。 本文首先对采集到的昆虫图像进行中值滤波和直方图均衡化等预处理，接下来用计算机对增强后的昆虫图像的灰值统计量特征、纹理特征以及形状特征共17个特征进行自动提取，并将这17个特征归一化。然后，用改进的模糊C-均值算法进行聚类，形成标准模式库，并用基于贴近度与择近原则的模糊模式识别方法设计了分类器。最后，将待识别的后续昆虫样本送入分类器进行识别。 在郑州工程学院昆虫标本防止研究所的大力支持下，获得了国内常见的叁种仓储物昆虫的标本图像9幅作为分类器的学习样本，后又利用光学显微照相机采集30幅昆虫图像，运用上述方法进行识别，总识别率达到88％。对于初步实验数据分析，感到比较满意。本课题的研究有着广阔的应用前景并为仓储物昆虫的鉴定和分类研究开创了新的途径。
姚青, 吕军, 杨保军, 薛杰, 郑宏海[2]2011年在《基于图像的昆虫自动识别与计数研究进展》文中认为随着计算机技术的快速发展,现代农业逐步走向数字化、精准化和智能化,昆虫自动识别和计数成为国内外研究的热点。论文综述了国内外基于图像的昆虫自动识别与计数技术研究的主要方法和应用,概述了各种方法的原理,比较了它们的优缺点,最后讨论了存在的问题及研究展望。
韩萍[3]2001年在《仓储物害虫声音模式识别的研究》文中指出仓储物害虫是经济昆虫研究的主要对象，其侵害对象涉及到人类生活所需的各种物资，对国民经济造成了巨大的损失，据报道仅以粮食一项来说，全世界每年因仓虫危害造成的损失平均可达总产量的5％～10％。因此，加强仓虫的研究，对提高仓虫的防治技术水平，保护储备物资，减少损失，加速国民经济的发展都具有重要意义。 多年来，对仓储物害虫的鉴定和分类识别市昆虫学研究领域中的一个重要课题，它对我们认识不同种类的害虫的主物特性，找出安全、经济、有效防除害虫的措施方法以及预测害虫发生的是器和数量提供了重要的科学依据。 目前，对仓储物害虫的鉴定和分类方法主要有两种，一是以外部形状作为依据；另一种是利用现代生物化学和生物物理学实验方法、依据仓储物害虫的内部生理特征进行分类。但上述方法对仓储物害虫的种类进行鉴定和分类的人员都必须具备一定的专业技术知识，并且时间长、不能现场操作，而从事仓库管理的一般工作人员很难利用上述方法对仓储物害虫的种类进行辨别。因此，利用计算机识别技术对仓储物害虫进行自动识别和分类一直是仓储物害虫研究领域希望解决的重要课题之一。 鉴于国内外目前尚无文献报道有关利用声音对仓储物害虫进行计算机自动识别和分类的问题，本文首次提出声音模式识别技术的仓储物害虫计算机自动分类的新方法。 本文在第一章绪论中首先对仓储物害虫的识别的意义和现状进行了简介，并对一般声音模式识别的方法进行了概括性的论述；接下来在第二章中针对仓虫声音的特点先后经过Madline神经网降噪、数值归一化处理以及利用FFT算法作频谱分析，最终提取仓虫声音的特征向量；第叁章把前面提取的特征送入BP神经网络识别分类。 在郑州工程学院害虫防治研究室的大力支持下，获取了国内常见的叁种仓储物害虫：米象、玉米象和赤拟谷盗。每种仓虫用6只作为BP神经网络的学习样本，后又运用上述方法识别了30只仓虫，总识别率达到81％。对于初步实验数据分析结果，感到比较满意。本课题的研究有着广阔的应用前景，并为仓储物 仓储物害虫声音模式识别的研究害虫的鉴定和分类研究开创了新的途径。
何振毅, 陆永忠[4]2006年在《病媒昆虫分类技术的研究进展》文中研究指明介绍病媒生物的传统分类方法和2种新分类方法:基因分类和计算机模式识别自动分类。重点介绍了计算机模式识别自动分类技术,包括其一般过程、常用方法、系统的功能组成及国内外应用概况等。指出,这种模式识别技术在各个领域有广泛的应用前景,检验检疫系统宜尽快投入开发。
杨玲玲[5]2008年在《水稻飞虱自动识别技术的研究》文中指出水稻是重要的粮食作物之一,生物灾害是影响水稻稳产、高产的重要因素。稻飞虱是我国水稻的主要害虫,不同种飞虱对水稻造成的伤害不同,可见,准确识别稻飞虱种类、记录其发生数量是防治害虫危害的有效措施。传统的识别方法存在测报实时性差、对专家依赖性大等弊端。飞虱种类的自动识别技术能够解决专业的种类鉴定需求日益增加与鉴定人员相对缩减之间的矛盾,有较广阔的应用前景。本文结合图像处理技术、BP神经网络技术,针对白背飞虱和灰飞虱雌雄虫的静态图像,进行适合的图像处理和识别研究,实验结果证明采用这种方法进行飞虱的种类鉴别是可行的。论文的主要研究内容及成果如下:(1)研究方案的确定。人工区分飞虱主要依靠其背部颜色和纹理,虫体的大小则作为辅助判别依据,据此本文把飞虱背部作为研究目标,分别取白背飞虱雌虫43个样本,白背飞虱雄虫67个样本,灰飞虱雌虫67个样本,灰飞虱雄虫72个样本,拍摄其背部的静态显微数字图像,用于自动识别。(2)图像预处理。通过比较均值滤波和中值滤波,可知中值滤波能够很好地保护图像细节,经实验分析,采用3×3方形模版进行图像滤波能够得到比较满意的结果。在图像分割阶段,采用了全局阈值法,通过分析比较R、G、B各个通道的灰度值分布,发现B通道中目标与背景像素的灰度值相差最明显,基于此,在图像B分量通道中进行图像分割。在确定最佳分割阈值时,与形态学处理相结合,以面积差比P来评价分割效果。通过比较可知,当阈值为98时|P|值最小,也即分割的目标区域较接近于原来虫体本身,分割效果较理想。(3)图像特征提取。主要依据人工区分飞虱主要且稳定的特点来提取能够反映飞虱种间差别的有效特征。基于仅按照颜色特征来表征一幅图像的信息势必造成表达准确性的降低,着重对飞虱进行了颜色和纹理特征的综合描述。用百分率直方图法提取了色度值在20-40°之间的像素数在整个目标区域占的百分比,其值不受对象的大小、形状和它的同一色背景噪声影响,可以成为图像模式识别的有力输入特征。此外还提取了图像的颜色矩特征。在提取纹理特征参数时,提出用中胸背板区域的纹理特点来代表整个飞虱纹理特点的方法。提取子图像时需使飞虱本身的主轴方向与图像的y轴一致,而且子图像不能包含背景噪声,否则便失去了统计意义。(4)图像的分类识别。对比分析了叁种常用的BP神经网络的训练改进方法,通过比较其训练误差、收敛速度和检验率得出L-M方法收敛速度较快,网络误差较小,检验率较高。实验结果证明当输入向量为除了面积以外的18个特征值时,网络的误差最小,训练后的网络对检验样本的识别率也较理想,这一结果表明该神经网络分类器是合适的。(5)水稻飞虱识别系统的设计。该系统的功能是根据用户提交的飞虱图像资料,进行一系列处理后,提取相关的特征向量,判断该个体属于哪种类型,实现了识别的基本功能。
莫然[6]2013年在《基于图像分析的病虫识别系统的设计与实现》文中指出为了研究高性能的病虫识别方法,本文利用数字图像处理技术及模式识别技术,以Visual Studio2010为软件实现方式,设计了一种基于图像分析的病虫识别系统。主要研究内容如下：(1)病虫图像预处理。本文介绍了如何对病虫图像进行位置归一化、图像缩放、平滑去噪、阈值分割、数学形态学操作、轮廓提取和轮廓填充等处理,并给出了处理结果。利用病虫的惯性主轴实现了病虫位置归一化;利用双叁次插值实现病虫图像的缩放；根据病虫图像的特殊性,给出了改进的中值滤波和阈值分割方法以及改进的数学形态学操作方法和轮廓提取方法,最后对病虫图像进行轮廓填充,从而实现对病虫图像的预处理。(2)病虫特征提取。本文针对病虫图像的特点,提取出两类特征：病虫全局形状特征和SIFT局部特征。形状特征分为两类：几何特征和矩特征。几何特征包括区域周长、区域面积、横轴长等,矩特征包括形状参数、偏心率等。介绍了SIFT局部特征的提取方法,并提取出病虫的SIFT特征。(3)特征优选和分类识别。首先介绍了以模糊数学理论为基础的模糊聚类方法,并叙述了如何利用该方法实现特征优选。之后介绍了本文中分类器的设计方法,将分类器设计为两层,一级分类通过病虫的形状特征进行分类,二级分类通过病虫的SIFT局部特征进行分类,并将一级分类的输出作为二级分类的输入。(4)系统的设计与实现。详细叙述了该识别系统的各个功能模块,系统的工作流程以及具体的实现方法,并给出了针对六种病虫图像进行识别后的结果。在本文最后,总结了该文的研究内容并指出了需要改进的地方。
胡声艳, 冯文惠[7]2006年在《Tabu搜索算法在模糊识别教学中的研究及应用》文中研究说明针对谷物害虫图像识别的特点,可使用基于模糊理论的仓储物害虫图像识别方法。它将禁忌搜索算法(Tabu search)引入其中,以克服模糊C-均值聚类的局部性和对初始聚类中心的敏感性;然后,采用了基于贴近度和择近原则的模糊识别方法,最后,详细设计了上述各算法。仿真结果说明,该方法在识别速度和准确率方面都达到了令人满意的效果,不仅为害虫的在线检测提供了一种新思路,也拓展了模糊理论的应用范围。
牛霆葳[8]2015年在《基于机器视觉的农田害虫自动识别方法研究》文中研究表明害虫的监测、虫情虫害的统计预报工作是害虫综合管理预防的重要环节之一,传统的害虫监测统计方式需要具有相关知识的专业人员完成,而且会耗费大量的人力财力。基于机器视觉的害虫自动识别方法具有效率高、无接触、安装方便以及识别准确率高等优点,十分适合现代农业生产的需要。基于机器视觉的害虫识别与计数技术应用了昆虫学、图像处理以及模式识别等方面的理论原理。目前的研究主要针对的是实验室环境下的害虫识别,而实验室内的环境较为稳定。实验室中,没有风吹、杂物的影响,光照强度均匀稳定不会发生变化,而且害虫样本通常由人工摆放。故在此条件下采集到的害虫图像的背景简单,光照稳定,目标害虫姿态良好。为了能在实际的复杂农业环境下实现准确、高效地基于机器视觉的害虫分类识别,本文对现有的实现方法进行研究、分析,对存在的问题和不足进行了改进和完善。害虫识别技术主要包括：害虫图像采集、害虫图像预处理、图像特征数据提取、特空间征优化以及分类识别计数等几个步骤。为了获得更加准确、可靠的特征数据,对图像预处理技术进行改进,解决了害虫摆放一致性的问题,减少了灰度纹理特征数据的误差。图像特征是害虫识别的基础,本文提取了包括17种形态特征、26种纹理特征、11种颜色特征共54维的原始特征空间。为了使害虫的分类识别结果更加准确、高效,采用多种智能算法对原始特征空间进行优化降维,获取到的最优特征子空间有效的提升了害虫分类识别方法的性能。为了验证上述设计的方法的可行性,本文使用工控机、摄像头、光源以及金属箱体等硬件设备开发了适用于野外环境的害虫自动识别与计数系统。系统的软件采用C≠语言编写,配合硬件设备,实现了害虫自动识别与计数、害虫模型实时建立、害虫信息远程传输等功能,并进行了初步的测试。
张洁[9]2013年在《基于图像识别的农作物害虫诊断技术研究与应用》文中提出针对目前我国农作物害虫诊断大多停留在人工阶段,存在着客观性差、效率低、劳动强度大等问题,以及现有的基于图像识别的农作物害虫诊断存在很多不足之处,本文对基于图像识别的农作物害虫诊断关键理论算法和实际应用进行了系统的研究,主要工作概述如下：对基于图像识别的农作物害虫诊断的基础工作做了系统的研究。论述了图像识别的基础问题,包括图像识别问题的分类、图像识别的基本框架以及传统的图像数据集。针对课题研究目标,介绍了两种害虫图像的获取方式,提出并验证了一种适合害虫图像预处理的方法。提出了农作物害虫图像数据集构建原则,并在此原则指导下,利用现有的害虫图像资源分别构建了水稻、油菜、玉米、大豆四种常见大田作物的害虫图像数据集。现有的农作物害虫图像分割的研究主要集中于简单背景,或者灰度图像的自动分割,且大多采用阈值分割算法进行分割,但现实场景中,受到环境因素的影响如作物叶片、杂草、土壤以及光照等,害虫图像一般具有复杂的农田背景,因此现有的害虫图像自动分割算法往往不理想。针对以上问题,本文把基于人机交互的半自动图像分割算法如GrabCut算法和最大相似度区域合并算法用于害虫图像的分割,并提出了一种结合纹理颜色直方图的最大相似度区域合并算法,通过复杂农田背景害虫图像的分割实验证明了该算法的可行性和有效性。现有的害虫图像特征提取大多集中在提取害虫的单一特征,如颜色特征、形态特征或纹理特征,因为其识别对象要集中在一种或几种害虫的识别,因此使用单一特征可以取得很好的识别率,但是推广到多种害虫的识别往往效果不好。针对以上问题,本文提出了基于多特征融合的农作物害虫图像识别。该方法使用Fisher线性判别法计算各特征的权值,结合欧式距离分类器,以水稻、油菜、玉米、大豆四种作物的34种害虫为实验数据,通过多种特征组合方式分别进行实验,实验结果证明该算法具有很高的识别率。以实际应用为目标,开发了一套界面友好、易于扩展的基于图像识别的农作物害虫诊断系统。该系统不仅可以读取本地害虫图像进行识别,还可以获取外置图像采集设备捕捉到的实时图像进行识别,用户只需简单的交互就可以获取害虫种类以及防治方法,有效的指导用户合理使用农药进行害虫的防治。
唐发明[10]2005年在《基于统计学习理论的支持向量机算法研究》文中进行了进一步梳理传统的统计学研究的是假定样本数目趋于无穷大时的渐近理论,现有的机器学习方法大多是基于这个假设。然而在实际的问题中,样本数往往是有限的。现有的基于传统统计学的学习方法在有限样本的情况下难以取得理想的效果。统计学习理论是在有限样本情况下新建立起来的统计学理论体系,为人们系统地研究小样本情况下机器学习问题提供了有力的理论基础。支持向量机是在统计学习理论基础上开发出来的一种新的、非常有效的机器学习新方法。它较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题,具有很强的推广能力。目前,统计学习理论和支持向量机作为小样本学习的最佳理论,开始受到越来越广泛的重视,正在成为人工智能和机器学习领域新的研究热点。本论文研究的主要内容包括以下几个方面:支持向量机算法、多输出支持向量回归、多类支持向量机分类、支持向量机算法以及支持向量分类和支持向量回归的应用。论文主要研究工作有:1.标准的支持向量机算法,其最优分类超平面与正负两类是等距的,在处理一些特殊分类问题时,会存在不足。在对支持向量机算法进行研究和分析之后,提出了基于不等距分类超平面的支持向量机算法,并对算法进行了简要的理论推导和仿真。2.支持向量回归算法是针对单输出回归问题提出的,对于多输出系统的回归估计,传统的方法是对各个输出独立地建立单输出支持向量回归模型,其缺点是忽略了各个输出之间实际存在的联系,并且不能保证各输出误差和最小化。针对这些问题,通过增加误差和约束条件,且在同一个优化公式中考虑所有输出的回归估计,提出了一种多输出支持向量回归算法,从而可以考虑到各个输出之间的联系,并能提高整个回归模型的回归估计精度。3.支持向量机的训练算法需要解决一个大的二次规划最优化问题,传统的二次规划数学算法在求解大数据的二次规划问题时,需要巨大的内存空间,所以并不能
参考文献：
[1]. 基于模糊理论的仓储物昆虫的分类识别研究[D]. 刘素华. 郑州大学. 2003
[2]. 基于图像的昆虫自动识别与计数研究进展[J]. 姚青, 吕军, 杨保军, 薛杰, 郑宏海. 中国农业科学. 2011
[3]. 仓储物害虫声音模式识别的研究[D]. 韩萍. 郑州大学. 2001
[4]. 病媒昆虫分类技术的研究进展[J]. 何振毅, 陆永忠. 中国国境卫生检疫杂志. 2006
[5]. 水稻飞虱自动识别技术的研究[D]. 杨玲玲. 南京农业大学. 2008
[6]. 基于图像分析的病虫识别系统的设计与实现[D]. 莫然. 南京理工大学. 2013
[7]. Tabu搜索算法在模糊识别教学中的研究及应用[J]. 胡声艳, 冯文惠. 河南商业高等专科学校学报. 2006
[8]. 基于机器视觉的农田害虫自动识别方法研究[D]. 牛霆葳. 天津科技大学. 2015
[9]. 基于图像识别的农作物害虫诊断技术研究与应用[D]. 张洁. 中国科学技术大学. 2013
[10]. 基于统计学习理论的支持向量机算法研究[D]. 唐发明. 华中科技大学. 2005
标签：计算机软件及计算机应用论文; 图像识别论文; 模糊理论论文; 特征提取论文; 图像融合论文; 模糊算法论文; 计算机视觉论文; 害虫论文;