检索结果-维普期刊中文期刊服务平台

基于图像分析的植物叶片识别技术综述被引量：40: 1; 作者张宁刘文萍《计算机应用研究》 CSCD 北大核心 2011年第11期4001-4007,共7页; 对近年来基于图像分析的叶片识别技术进行了广泛研究。首先阐述了基于图像分析的植物叶片识别技术的意义及研究现状;然后介绍了主要的叶片图像识别步骤,重点从基于关系结构匹配的识别、基于统计学的识别和基于机器学习的识别三类方法进... 展开更多; 关键词数字图像分析植物叶片识别图像模板匹配统计学机器学习理论; 在线阅读下载PDF 职称材料

基于克隆选择算法和K近邻的植物叶片识别方法被引量：25: 2; 作者张宁刘文萍《计算机应用》 CSCD 北大核心 2013年第7期2009-2013,共5页; 针对植物叶片识别中分类器设计和训练识别时间较长的问题,提出了一种基于人工免疫系统下的克隆选择算法和K近邻判别分析(CSA+KNN)的叶片识别方法。进行图像预处理后,通过提取叶片的几何特征和纹理特征得到叶片综CSA+KNN进行植物叶片样... 展开更多; 关键词植物叶片识别克隆选择算法人工免疫系统数字图像分析几何特征纹理特征; 在线阅读下载PDF 职称材料

基于集成神经网络的植物叶片识别方法被引量：12: 3; 作者恩德忽胜强《浙江农业学报》 CSCD 北大核心 2015年第12期2225-2233,共9页; 针对植物叶片识别中识别精度低的问题,从叶片特征描述、分类器设计两个角度出发提出了一种基于集成神经网络的植物叶片识别方法。叶片特征由区域几何特征与纹理特征共同构成,其中区域几何特征由不变矩特征和叶片几何描述参数共同构成,... 展开更多; 关键词植物叶片识别几何特征纹理特征集成神经网络; 在线阅读下载PDF 职称材料

基于复频域纹理特征的植物叶片识别算法被引量：5: 4; 作者梅星宇李新华 +2 位作者鲍文霞张东彦梁栋《江苏农业学报》 CSCD 北大核心 2019年第6期1334-1339,共6页; 针对空间域特征不能全面准确地描述叶片的问题,提出了一种基于复频域纹理特征(Complex frequency domain texture features,CFDTF)的叶片识别算法。首先,对叶片图像进行预处理。其次,对预处理后的图像进行分块,并对每一个图像块进行双... 展开更多; 关键词植物叶片识别复频域纹理特征双树复小波变换; 在线阅读下载PDF 职称材料

基于多特征融合和卷积神经网络的植物叶片识别被引量：17: 5; 作者韩斌曾松伟《计算机科学》 CSCD 北大核心 2021年第S01期113-117,共5页; 植物叶片识别是植物自动分类识别研究的重要分支和热点,利用卷积神经网络进行图像分类研究已成为主流。为了提高植物叶片识别准确率,提出了基于多特征融合和卷积神经网络的植物叶片图像识别方法。首先对植物叶片图像进行预处理,提取LBP... 展开更多; 关键词植物叶片识别 LBP GABOR 卷积神经网络深度学习; 在线阅读下载PDF 职称材料

基于叶片图像和监督正交最大差异伸展的植物识别方法被引量：5: 6; 作者张善文张传雷 +2 位作者王旭启周争光张雅丽《林业科学》 EI CAS CSCD 北大核心 2013年第6期184-188,共5页; 无论对于农业信息化还是对于生态保护,研究植物识别都是非常必要的。基于植物叶片的植物识别方法一直是植物学中的一个重要研究方向。植物叶片的颜色、形状、纹理等特征都可以用来作为识别依据（杜吉祥,2005;纪寿文等,2002;王晓峰等,; 关键词流形学习植物叶片识别最大差异伸展监督正交最大差异伸展; 在线阅读下载PDF 职称材料

基于WLLE和SVM的植物叶片图像识别方法被引量：5: 7; 作者丁娇梁栋阎庆《安徽大学学报（自然科学版）》 CAS 北大核心 2013年第4期61-67,共7页; 针对局部线性嵌入(LLE)算法易受噪声影响,以及最近邻分类器不能有效识别植物叶片图像,提出一种基于加权局部线性嵌入(WLLE)和支持向量机(SVM)的植物叶片图像识别方法.首先利用WLLE算法对预处理后的含有高斯噪声叶片图像进行特征提取,然... 展开更多; 关键词流形学习局部线性嵌入加权局部线性嵌入特征提取支持向量机植物叶片识别; 在线阅读下载PDF 职称材料

基于深度半监督学习的植物叶片自动识别被引量：2: 8; 作者吴惠思肖芳燕 +1 位作者史周安文振焜《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2023年第10期1469-1478,共10页; 植物叶片自动识别算法在植物教学和生态保护等领域有着广泛应用,但由于植物种类繁多且类间差异小,传统深度学习方法需要大量的数据标注才能获得较好的训练效果.为此,提出一种基于深度半监督学习的植物叶片自动识别方法.首先,基于一致性... 展开更多; 关键词深度学习半监督学习卷积神经网络特征提取植物叶片识别; 在线阅读下载PDF 职称材料

题名基于图像分析的植物叶片识别技术综述被引量：40: 1; 作者张宁刘文萍; 机构北京林业大学信息学院; 出处《计算机应用研究》 CSCD 北大核心 2011年第11期4001-4007,共7页; 基金中央高校基本科研业务费专项资金资助项目(YX2011-28) 国家"973"计划资助项目(2009CB421105); 文摘对近年来基于图像分析的叶片识别技术进行了广泛研究。首先阐述了基于图像分析的植物叶片识别技术的意义及研究现状;然后介绍了主要的叶片图像识别步骤,重点从基于关系结构匹配的识别、基于统计学的识别和基于机器学习的识别三类方法进行阐述,详细论述了各种识别技术的基本思想和主要公式;最后指出了叶片识别技术的不足和研究方向。; 关键词数字图像分析植物叶片识别图像模板匹配统计学机器学习理论; Keywords digital image analysis plant leaf recognition image template matching statistics machine learning; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于克隆选择算法和K近邻的植物叶片识别方法被引量：25: 2; 作者张宁刘文萍; 机构北京林业大学信息学院; 出处《计算机应用》 CSCD 北大核心 2013年第7期2009-2013,共5页; 基金国家973计划项目(2009CB421105); 文摘针对植物叶片识别中分类器设计和训练识别时间较长的问题,提出了一种基于人工免疫系统下的克隆选择算法和K近邻判别分析(CSA+KNN)的叶片识别方法。进行图像预处理后,通过提取叶片的几何特征和纹理特征得到叶片综CSA+KNN进行植物叶片样本训练,并进行植物叶片识别。在100种植物叶片数据库中进行测试,CSA+KNN法识别率为91.37%。与BP神经网络等方法相比较,实验结果表明了该识别方法的有效性以及较高的训练速率,同时验证了纹理特征在叶片识别中的重要性。CSA+KNN法扩宽了植物叶片的识别方法,可应用于建立数字化植物标本博物馆等领域。; 关键词植物叶片识别克隆选择算法人工免疫系统数字图像分析几何特征纹理特征; Keywords plant leaf recognition Clonal Selection Algorithm （CSA） Artificial Immune System （AIS） digital image analysis geometry feature texture feature; 分类号 TP391.413 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于集成神经网络的植物叶片识别方法被引量：12: 3; 作者恩德忽胜强; 机构河南理工大学电气工程与自动化学院; 出处《浙江农业学报》 CSCD 北大核心 2015年第12期2225-2233,共9页; 基金国家自然科学基金(41074090) 河南省科技计划重点攻关项目(092102210360); 文摘针对植物叶片识别中识别精度低的问题,从叶片特征描述、分类器设计两个角度出发提出了一种基于集成神经网络的植物叶片识别方法。叶片特征由区域几何特征与纹理特征共同构成,其中区域几何特征由不变矩特征和叶片几何描述参数共同构成,叶片纹理特征利用灰度共生矩阵进行提取。在分类器设计方面,采用一种集成神经网络学习算法,用于解决多类别植物叶片分类问题,其基分类器由二类别分类器和互补分类器构成。为避免叶片特征受到旋转等因素的影响,需要对叶片图像进行预处理。在预处理后,利用集成神经网络分类器对叶片样本进行训练与识别。在Flavia叶片数据库中选取20类叶片,每类30张共计600张叶片进行试验,基于集成神经网络的植物叶片识别方法的平均识别精度为91%。与其他叶片识别方法相比,试验结果表明,此方法可以提高叶片识别的精度。; 关键词植物叶片识别几何特征纹理特征集成神经网络; Keywords plant leaf recognition shape feature texture feature artificial neural network ensemble; 分类号 S126 [农业科学—农业基础科学]; 在线阅读下载PDF 职称材料

题名基于复频域纹理特征的植物叶片识别算法被引量：5: 4; 作者梅星宇李新华鲍文霞张东彦梁栋; 机构安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心; 出处《江苏农业学报》 CSCD 北大核心 2019年第6期1334-1339,共6页; 基金国家自然科学基金项目(41771463、61672032); 文摘针对空间域特征不能全面准确地描述叶片的问题,提出了一种基于复频域纹理特征(Complex frequency domain texture features,CFDTF)的叶片识别算法。首先,对叶片图像进行预处理。其次,对预处理后的图像进行分块,并对每一个图像块进行双树复小波变换(Dual-tree complex wavelet transform,DTCWT),分别计算复频域局部二值模式(Local binary pattern,LBP)和局部相位量化(Local phase quantization,LPQ)特征,得到图像块的特征。接着,串联所有图像块的特征得到整个图像的特征。最后,在Flavia数据库上通过KNN分类器分类识别。结果表明,与传统的颜色、形状、纹理等特征相比,该算法平均识别精度明显提高,达到95.75%。; 关键词植物叶片识别复频域纹理特征双树复小波变换; Keywords plant leaf recognition complex frequency domain texture features dual-tree complex wavelet transform; 分类号 TP391 [自动化与计算机技术—计算机应用技术] S126 [农业科学—农业基础科学]; 在线阅读下载PDF 职称材料

题名基于多特征融合和卷积神经网络的植物叶片识别被引量：17: 5; 作者韩斌曾松伟; 机构浙江农林大学信息工程学院浙江农林大学浙江省林业智能监测与信息技术研究重点实验室; 出处《计算机科学》 CSCD 北大核心 2021年第S01期113-117,共5页; 基金国家自然科学基金两化融合重点项目(U1809208) 浙江省自然科学基金公益性项目(GN18C200030)。; 文摘植物叶片识别是植物自动分类识别研究的重要分支和热点,利用卷积神经网络进行图像分类研究已成为主流。为了提高植物叶片识别准确率,提出了基于多特征融合和卷积神经网络的植物叶片图像识别方法。首先对植物叶片图像进行预处理,提取LBP特征和Gabor特征,将多特征相加融合输入网络进行训练,使用卷积神经网络(AlexNet)构架作为分类器,利用全连接层对植物叶片进行识别。为了避免过拟合现象,使用"dropout"方法训练卷积神经网络,通过调节学习率、dropout值、迭代次数优化模型。实验结果表明,基于多特征融合的卷积神经网络植物叶片识别方法对Flavia数据库32种叶片和MEW2014数据库189种叶片识别分类效果较好,平均正确识别率分别为93.25%和96.37%,相比一般的卷积神经网络识别方法,该方法可以提高植物叶片的识别准确率,鲁棒性更强。; 关键词植物叶片识别 LBP GABOR 卷积神经网络深度学习; Keywords Leaf image recognition Local binary patterns Gabor Convolutional neural network Deep learning; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于叶片图像和监督正交最大差异伸展的植物识别方法被引量：5: 6; 作者张善文张传雷王旭启周争光张雅丽; 机构西京学院工程技术系 Ryerson大学电子与计算机工程系西北农林科技大学; 出处《林业科学》 EI CAS CSCD 北大核心 2013年第6期184-188,共5页; 基金国家自然科学基金项目(61272333); 文摘无论对于农业信息化还是对于生态保护,研究植物识别都是非常必要的。基于植物叶片的植物识别方法一直是植物学中的一个重要研究方向。植物叶片的颜色、形状、纹理等特征都可以用来作为识别依据（杜吉祥,2005;纪寿文等,2002;王晓峰等,; 关键词流形学习植物叶片识别最大差异伸展监督正交最大差异伸展; Keywords manifold learning plant leaf recognition maximum variance unfolding（MVU） supervisedorthogonal MVU; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于WLLE和SVM的植物叶片图像识别方法被引量：5: 7; 作者丁娇梁栋阎庆; 机构安徽大学电子信息工程学院; 出处《安徽大学学报（自然科学版）》 CAS 北大核心 2013年第4期61-67,共7页; 基金国家自然科学基金资助项目(61172127) 高等学校博士学科点专项科研基金资助项目(20113401110006) +1 种基金安徽省高校优秀青年人才基金资助项目(2012SQRL017ZD); 文摘针对局部线性嵌入(LLE)算法易受噪声影响,以及最近邻分类器不能有效识别植物叶片图像,提出一种基于加权局部线性嵌入(WLLE)和支持向量机(SVM)的植物叶片图像识别方法.首先利用WLLE算法对预处理后的含有高斯噪声叶片图像进行特征提取,然后采用SVM分类机制对叶片图像进行训练和识别,最后在真实的植物叶片图像数据库中提取植物叶片图像进行分类实验.实验结果表明该方法能提高叶片图像的分类率.; 关键词流形学习局部线性嵌入加权局部线性嵌入特征提取支持向量机植物叶片识别; Keywords manifold learning locally linear embedding weighted locally linear embedding feature extraction support vector machine plant leaf recognition; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度半监督学习的植物叶片自动识别被引量：2: 8; 作者吴惠思肖芳燕史周安文振焜; 机构深圳大学计算机与软件学院; 出处《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2023年第10期1469-1478,共10页; 基金国家自然科学基金(61973221) 广东省自然科学基金(2019A1515011165).; 文摘植物叶片自动识别算法在植物教学和生态保护等领域有着广泛应用,但由于植物种类繁多且类间差异小,传统深度学习方法需要大量的数据标注才能获得较好的训练效果.为此,提出一种基于深度半监督学习的植物叶片自动识别方法.首先,基于一致性正则化思想,为提升数据扰动质量设计了显性、隐性数据扰动流程;然后,运用深度特征提取网络DenseNet,有效地提升了植物叶片细粒度特征的辨别能力;最后,基于模拟退火训练策略过滤训练过程中的异常数据,从而缓解过拟合现象.在分别含有5284幅和18000幅植物叶片图像的公开数据集MalayaKew-D3和私有数据集LeafSZU-2021中获得的实验结果表明,与全量标注数据下监督学习模型相比,该方法在仅使用30%~50%标注数据量时,仍能达到92.36%~96.85%的植物叶片识别准确率;在相同数据标注量下,其平均识别准确率比当前最新的半监督球面均值聚类方法提高了2.95%,且模型参数量降低了38.12%,识别速度提高了61.51%.; 关键词深度学习半监督学习卷积神经网络特征提取植物叶片识别; Keywords deep learning semi-supervised learning convolutional neural network feature extraction plant leaf recognition; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于图像分析的植物叶片识别技术综述	张宁刘文萍	《计算机应用研究》 CSCD 北大核心	2011	40	在线阅读下载PDF 职称材料
2	基于克隆选择算法和K近邻的植物叶片识别方法	张宁刘文萍	《计算机应用》 CSCD 北大核心	2013	25	在线阅读下载PDF 职称材料
3	基于集成神经网络的植物叶片识别方法	恩德忽胜强	《浙江农业学报》 CSCD 北大核心	2015	12	在线阅读下载PDF 职称材料
4	基于复频域纹理特征的植物叶片识别算法	梅星宇李新华鲍文霞张东彦梁栋	《江苏农业学报》 CSCD 北大核心	2019	5	在线阅读下载PDF 职称材料
5	基于多特征融合和卷积神经网络的植物叶片识别	韩斌曾松伟	《计算机科学》 CSCD 北大核心	2021	17	在线阅读下载PDF 职称材料
6	基于叶片图像和监督正交最大差异伸展的植物识别方法	张善文张传雷王旭启周争光张雅丽	《林业科学》 EI CAS CSCD 北大核心	2013	5	在线阅读下载PDF 职称材料
7	基于WLLE和SVM的植物叶片图像识别方法	丁娇梁栋阎庆	《安徽大学学报（自然科学版）》 CAS 北大核心	2013	5	在线阅读下载PDF 职称材料
8	基于深度半监督学习的植物叶片自动识别	吴惠思肖芳燕史周安文振焜	《计算机辅助设计与图形学学报》 EI CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料