叶片识别
叶片识别叶片识别一般有如下流程: ,如植物的花、叶、茎等器官。但相比起植物其他器官,叶片存活时间长,采集方便。由于植物叶片基本处于一个平面状态,适合进行二维图像加工。将植物叶片进行采摘选取样本,放置于单一颜色背景进行拍照获取图像。叶片预处理预处理一般包括:尺寸调整、灰度化、图像分割、图像降噪、形态学处理。有时选取颜色特征是不进行图像灰度化。图像尺寸调整:将图像调整到统一大小便于后期处理。图像灰度化:利于图像模块化处理,得到更好二值图像图像分割:指把图像分成各具特性的区域并提出感兴趣的目标。图像去噪:分割后图像会存在少许噪声,对图像分析产生干扰,通过滤波去除噪声。图像锐化:增强轮廓显示效果,获取细节清晰图像。形态学处理:二值后图像会有小孔洞和边缘毛刺。叶片特征提取 (叶片结构,Hu不变距,描述几何特征等)。 (基于灰度共生矩阵,小波变换等)。 (RGB,LAB,HSI)。一般描述几何特征有:偏心率,复杂度,矩形度,球状性等,选取比例型的数据。灰度共生矩阵描述纹理特征:能量,熵,对比度,相关性等。 HOG特征等可区分性,独立性,可靠性,数量少。,寻找目标特征和模型特征之间的对应,即输入叶片和样本叶片之间匹配度,相似性度量函数等。,收集数据进行量化分析和总结,从而得到推断和预测等。近邻法、主成分分析、Fisher判别法(LDA)。,N卷积神经网络传统叶片识别采用两步:第一步,从输入的叶片图像中计算出认为设置的特征;第二部,根据得出的特征去训练分类器,用于测试数据分类。这种方法好坏往往取决于人为选择的特征是否合理,而人在选择特征时都是靠经验,具有很大的盲目性,并且这种特征不具有迁移性。猫的视觉系统是分级的,这种分级可以看成是逐层迭代抽象的过程: 瞳孔接收像素,方向选择性细胞抽象出边缘,对边缘进一步抽象得出形状,对形状进一步抽象得出是什么物体高级特征是低层特征的组合与抽象,越高级的特征越能体现人类的语义信息。图2对这种逐步抽象的分层模型进行了展示,N是一个多层的神经网络,由多个卷积层子采样层交替组成,而每层由多个独立神经元组成,它的基本框架如图3所示
叶片识别 来自淘豆网www.taodocs.com转载请标明出处.
相关知识
MATLAB植物叶片虫害识别技术
plantLeafDiseaseDetection植物叶片病害识别资源
基于深度学习的植物叶片识别算法研究
基于改进ResNet的植物叶片病虫害识别
基于深度学习的苹果叶片病害识别研究
基于CNN的番茄叶片病虫害识别技术
农作物叶片病虫害识别与监控系统的设计
基于特征检测的蔬菜叶片病虫害识别模型研究
Yolo v5深度学习用于植物叶片病害识别【matlab】
梨树叶片病害图片识别,用什么药
网址: 叶片识别 https://m.huajiangbk.com/newsview1421420.html
| 上一篇: 【种图家】一种新型植物种类自动识 |
下一篇: 从叶子看植物的健康状态 |
