基于流形学习的杂草种子识别的研究

论文摘要

农业是国民经济的支柱产业,是支撑国民经济建设与发展的基础,所以农产品产量和品质的提升能极大地促进经济的发展。农田杂草的存在,严重影响了农作物的生长发育,使农作物的产量减少、质量变劣,所以对杂草种子的识别就显的非常重要。随着信息技术的发展,机器学习和图像识别被越来越多的应用到农业方面,主要用于对玉米和小麦等农作物种子及其质量的识别和鉴定,应用在杂草种子识别上还是一个新的研究领域,国内在这方面的研究很少。在总结国内外相关研究的基础上,本文以杂草种子为研究对象,使用基于流形学习的算法和主成分分析法进行特征提取,结合分类器,对杂草种子图像进行识别。本文的主要研究内容如下:(1)杂草种子图像的获取与预处理本研究采用了1个杂草种子数据库作为实验的数据集。该数据库有50类杂草种子样本,每类样本20个种子图片。杂草种子数据库中的种子图像不能直接使用,需要对种子进行预处理工作。比如变换种子图像的大小;统一种子图像的背景颜色;调整种子图像的位置等。(2)杂草种子特征提取算法的研究主要研究了传统的特征提取算法:主成分分析法,以及当前热点的流形学习算法:局部线性嵌入和等距映射的基本原理,并将其应用于杂草种子特征提取上,提取杂草种子d维的特征,然后使用三种分类器进行识别,最后对实验结果进行对比分析。(3)流形学习算法的参数研究研究了流形学习算法:局部线性嵌入和等距映射这两种方法参数的设定,从实验的角度对不同的k值下的d维识别率进行了分析比较,并最终确定k值和d值。(4)杂草种子识别以50类杂草种子1000张彩色图片为实验数据,四种算法用于特征提取,结合3种分类器进行识别,实验结果显示识别率最高可达到97%,满足设计要求,说明流形学习算法和主成分分析法可以用来对杂草种子进行特征提取。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的目的与意义
• 1.2 国内外研究概况
• 1.2.1 国内研究概况
• 1.2.2 国外研究概况
• 1.3 论文研究内容及组织
• 1.3.1 论文的研究内容
• 1.3.2 论文的组织格式
• 第二章 分类器简介
• 2.1 欧氏距离分类器
• 2.2 K 最近邻（KNN）分类器
• 2.3 支持向量机分类器
• 2.3.1 线性支持向量机
• 2.3.2 非线性支持向量机
• 2.4 本章小结
• 第三章 基于流形学习的杂草种子特征提取研究
• 3.1 流形学习中的相关数学定义
• 3.2 流形学习的定义
• 3.3 等距映射
• 3.4 局部线性嵌入
• 3.5 特征提取中的参数优化
• 3.6 基于流形学习的杂草种子特征提取研究
• 3.7 本章小结
• 第四章 基于线性降维的杂草种子特征提取研究
• 4.1 主成分分析
• 4.2 Color PCA 算法
• 4.3 基于线性降维的杂草种子特征提取研究
• 4.4 本章小结
• 第五章 系统实验
• 5.1 实验平台
• 5.2 实验路线
• 5.3 数据的获取
• 5.4 图像的预处理
• 5.5 实验结果与分析
• 5.5.1 实验数据组织
• 5.5.2 杂草种子识别
• 5.6 实验总结
• 5.7 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 工作展望
• 参考文献
• 致谢
• 作者简介