發(fā)布時間：2020-12-10 08:59

　　隨著機器學(xué)習和深度學(xué)習的發(fā)展,圖像識別和目標檢測受到廣泛關(guān)注�；认x檢測識別作為研究蝗蟲爆發(fā)機理和建立預(yù)測模型的基礎(chǔ),是建立蝗蟲災(zāi)害動態(tài)監(jiān)測預(yù)警系統(tǒng)的重要手段。目前在蝗蟲識別領(lǐng)域的研究較少且相對滯后,傳統(tǒng)的識別方法與新出現(xiàn)的目標檢測方法在識別準確度和速度上存在明顯差別。此外,研究的方法多適用于單一背景中蝗蟲的檢測,針對草地、農(nóng)作物等自然背景下的蝗蟲識別準確率較低。基于此問題需求,本文采用基于二值圖像的區(qū)域顯著性識別算法、多色度融合識別算法和基于候選區(qū)域的快速卷積神經(jīng)網(wǎng)絡(luò)(Faster RCNN)算法對蝗蟲圖像進行檢測與識別的研究,以提高復(fù)雜背景中的蝗蟲識別準確率,取得了較為理想的結(jié)果。本文提出基于二值圖像的區(qū)域顯著性識別算法,算法提取蝗蟲和背景的局部特征,通過支持向量機實現(xiàn)二分類,實驗證明該算法可實現(xiàn)對同一地區(qū)蝗蟲的準確識別。為對大面積粘連蝗蟲實現(xiàn)分割,提出基于多色度融合的算法,該算法不在著眼于蝗蟲的個體特征,而是基于每個像素點的顏色特征進行分類�？紤]到蝗蟲和背景在不同的顏色區(qū)間內(nèi),因此將圖像轉(zhuǎn)換成不同的顏色模型,充分拉大顏色差異,最后基于像素完成圖像分割。為了實現(xiàn)干旱時期乃至土壤、巖石... 

【文章來源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

G-a-L模型與2G-R-B模型的效果對比圖

內(nèi)蒙古大學(xué)碩士學(xué)位論文8膨脹運算處理后的二值圖開運算處理后的二值圖閉運算處理后的二值圖圖2.2蝗蟲圖像形態(tài)學(xué)處理結(jié)果圖Figure2.2Morphologicalprocessingresultsoflocustimages在進行形態(tài)學(xué)處理的時候，應(yīng)該根據(jù)實際情況合理選取合適的運算。本文對圖像先進性閉運算再進行開運算效果更好，如圖2.3所示。圖2.3閉開運算處理后的二值圖Figure2.3Binaryimageofcloseopeningoperations2.1.4定位提取蝗蟲區(qū)域圖像中連通區(qū)域既有蝗蟲對象也有背景噪聲（如圖2.1），需要提取各區(qū)域的特征確定屬于蝗蟲還是背景。由于二值圖像無法獲取連通區(qū)域的局部特征，因此將二值圖像中連通區(qū)域在原始彩色圖像中找到對應(yīng)區(qū)域，裁剪出各區(qū)域用于特征提齲具體步驟如下：①在二值圖像中把連通區(qū)域標記出來，返回連通區(qū)域的個數(shù)Mi；②獲取這Mi個連通區(qū)域的長、寬屬性；③得到包含每個連通區(qū)域的最小外接矩形的精確位置；④在原始圖像中定位相同位置的矩形；⑤裁剪出矩形標定的目標子圖像。裁剪后的子圖像用于后期提取局部特征。定位裁剪示意圖如圖2.4所示。

內(nèi)蒙古大學(xué)碩士學(xué)位論文8膨脹運算處理后的二值圖開運算處理后的二值圖閉運算處理后的二值圖圖2.2蝗蟲圖像形態(tài)學(xué)處理結(jié)果圖Figure2.2Morphologicalprocessingresultsoflocustimages在進行形態(tài)學(xué)處理的時候，應(yīng)該根據(jù)實際情況合理選取合適的運算。本文對圖像先進性閉運算再進行開運算效果更好，如圖2.3所示。圖2.3閉開運算處理后的二值圖Figure2.3Binaryimageofcloseopeningoperations2.1.4定位提取蝗蟲區(qū)域圖像中連通區(qū)域既有蝗蟲對象也有背景噪聲（如圖2.1），需要提取各區(qū)域的特征確定屬于蝗蟲還是背景。由于二值圖像無法獲取連通區(qū)域的局部特征，因此將二值圖像中連通區(qū)域在原始彩色圖像中找到對應(yīng)區(qū)域，裁剪出各區(qū)域用于特征提齲具體步驟如下：①在二值圖像中把連通區(qū)域標記出來，返回連通區(qū)域的個數(shù)Mi；②獲取這Mi個連通區(qū)域的長、寬屬性；③得到包含每個連通區(qū)域的最小外接矩形的精確位置；④在原始圖像中定位相同位置的矩形；⑤裁剪出矩形標定的目標子圖像。裁剪后的子圖像用于后期提取局部特征。定位裁剪示意圖如圖2.4所示。

【參考文獻】：
期刊論文
[1]基于Hu不變矩特征的鐵路軌道識別檢測算法[J]. 董昱,郭碧.  鐵道學(xué)報. 2018(10)
[2]全國草地資源空間分布規(guī)律研究[J]. 付義勛,趙志芳,陳百煉.  科技資訊. 2018(08)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識別[J]. 梁萬杰,曹宏鑫.  江蘇農(nóng)業(yè)科學(xué). 2017(20)
[4]內(nèi)蒙古草原地區(qū)生態(tài)環(huán)境可持續(xù)發(fā)展的路徑探析[J]. 杜玉明,王維,趙麗媛.  環(huán)境研究與監(jiān)測. 2015(01)
[5]基于HOG與改進的SVM的手掌靜脈識別算法[J]. 徐笑宇,姚鵬.  計算機工程與應(yīng)用. 2016(11)
[6]甘藍菜青蟲害自動識別系統(tǒng)的開發(fā)與試驗研究——基于機器視覺[J]. 高雄,王海超.  農(nóng)機化研究. 2015(01)
[7]基于機器視覺的作物多姿態(tài)害蟲特征提取與分類方法[J]. 李文勇,李明,陳梅香,錢建平,孫傳恒,杜尚豐.  農(nóng)業(yè)工程學(xué)報. 2014(14)
[8]草地退化的危害與生態(tài)恢復(fù)措施的研究[J]. 姚小偉,祖麗菲亞.  草業(yè)與畜牧. 2014(02)
[9]基于機器視覺的自然環(huán)境中獼猴桃識別與特征提取[J]. 崔永杰,蘇帥,王霞霞,田玉鳳,李平平,張發(fā)年.  農(nóng)業(yè)機械學(xué)報. 2013(05)
[10]基于計算機視覺的大田害蟲遠程自動識別系統(tǒng)[J]. 韓瑞珍,何勇.  農(nóng)業(yè)工程學(xué)報. 2013(03)

博士論文
[1]基于機器視覺的害蟲識別方法研究[D]. 吳翔.浙江大學(xué) 2016

碩士論文
[1]基于支持向量機的車標圖像識別技術(shù)研究[D]. 王小康.北京交通大學(xué) 2018



本文編號：2908433