CN107451603B - 一种蝗虫龄期的识别方法 - Google Patents
一种蝗虫龄期的识别方法 Download PDFInfo
- Publication number
- CN107451603B CN107451603B CN201710552219.6A CN201710552219A CN107451603B CN 107451603 B CN107451603 B CN 107451603B CN 201710552219 A CN201710552219 A CN 201710552219A CN 107451603 B CN107451603 B CN 107451603B
- Authority
- CN
- China
- Prior art keywords
- locust
- samples
- characteristic
- sample
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种蝗虫龄期的预测方法,包括:获得蝗虫的所有特征部分的光谱反射率,并对所述蝗虫的所有特征部分的光谱反射率进行归一化处理;获得特征集中的特征样本和训练集中的训练样本;根据交叉验证获得特征集中K个最优的特征样本,并获得所述K个最优的特征样本的均值,根据所述均值和训练集中的训练样本至特征集的距离,获得所述训练样本的龄期。本发明能够很好的区分蝗虫的幼虫和成虫,具有良好的准确性。
Description
技术领域
本发明涉及昆虫虫龄识别技术领域,更具体地,涉及蝗虫龄期的识别方法。
背景技术
蝗虫是世界性害虫,历史上造成过巨大的灾难。目前我国飞蝗发生区涉及16个省市区,波及近200个县,其中重发生区100个县,夏秋季飞蝗的发生面积达2500~3000万亩;土蝗发生区域涉及20余个省,波及近500个县,其中严重发生区200个县,发生面积在2亿亩以上。近几年蝗虫发生频率上升,危害程度加重。全国农机中心组织专家对2015年飞蝗发生趋势进行了预测:预计西藏飞蝗在川藏大部常发区中等发生,发生面积160万亩,达标面积105万亩。预计亚洲飞蝗总体偏轻发生,发生面积80万亩,达标面积35万亩。预计北方农牧交错区土蝗总体中等发生。预计发生面积4800万亩,达标面积2500万亩。预计夏蝗在环渤海湾、华北湖库和黄河中下游滩区等主要蝗区中等发生,其他蝗区偏轻或轻发生,发生面积1163万亩,需防治面积710万亩。我国每年因蝗害造成的经济损失达几十亿元。
在对蝗虫进行监测防治时,如果能够在蝗灾爆发以前得到预警可以最大程度上减少损失,然而蝗虫龄期的识别一般都是基于形态学上的方法,通过人为识别蝗虫翅膀的特征来区分蝗虫龄期。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的蝗虫龄期的识别方法。
根据本发明的一个方面,提供一种蝗虫龄期的预测方法,包括:
S1、获得蝗虫的所有特征部分的光谱反射率,并对所述蝗虫的所有特征部分的光谱反射率进行归一化处理;
S2、利用形态学方法,识别部分5龄和成虫,根据识别的5龄和成虫的所有特征部分归一化处理后的光谱反射率,获得特征集中的特征样本,根据其他未识别的蝗虫的所有特征部分归一化处理后的光谱反射率,获得训练集中的训练样本;
S3、根据交叉验证获得特征集中K个最优的特征样本,并获得所述K个最优的特征样本的均值,根据所述均值和训练集中的训练样本至特征集的距离,对训练样本进行分类,获得所述训练样本的龄期。
优选地,所述步骤S1包括:
S1.1、选取蝗虫的特征部位,通过高光谱分选仪获得蝗虫的所有特征部位在400-1000nm波长范围的光谱;
S1.2、根据ENVI中的区域计算函数,获得所述光谱的光谱反射率;
S1.3、根据所有蝗虫的同一特征部分的光谱反射率的最大值和最小值,对蝗虫的每个特征部位的光谱反射率进行归一化处理。
优选地,所述步骤S2包括:
S2.1、利用形态学方法,识别部分5龄和成虫;
S2.2、对任意一只蝗虫,根据该蝗虫所有特征部位的归一化处理后的光谱反射率,获得该蝗虫的空间向量;
S2.3、将识别的5龄和成虫的空间向量,作为特征集中的特征样本,将未识别的蝗虫的空间向量,作为训练集中的训练样本;
其中,所述空间向量的维度与所述特征部位的个数一致。对特征集中的任意一个特征样本,计算该特征样本与所述均值的欧式距离,作为对应该特征样本的权值;
对训练集中的任意一个训练样本,计算该训练样本与特征集中各特征样本间的欧式距离,作为基础距离;
将所述基础距离与对应该特征样本的权值的乘积,作为该训练样本与该特征样本之间的相似度;
将训练样本与所有特征样本之间的相似度,按照从大到小的顺序进行排序,选取排序靠前的M个特征样本,作为验证样本,根据所述验证样本中数量最多的龄期作为训练样本的龄期。
优选地,所述步骤S1.1中的波长为763nm。
优选地,所述步骤S1.2之前还包括:对所述光谱进行黑白校准。
优选地,所述步骤S1.3包括:
对任意一个蝗虫,将该蝗虫特征部分的处理前的光谱反射率与所有蝗虫中同一特征部分的光谱反射率光谱中最小值的差值,作为第一差值;
将所有蝗虫的同一特征部分的光谱反射率光谱中最大值和最小值的差值,作为第二差值;
根据第一差值和第二差值的商,获得该蝗虫特征部分的处理后的光谱反射率。
优选地,所述特征部位包括头和翅膀。
优选地,获得所述K个最优的特征样本的均值的计算公式为:
优选地,计算最优的特征样本与所述均值的欧式距离的计算公式为:
本申请提出一种蝗虫龄期的预测方法,通过对K个特征样本的空间向量取均值,然后计算各特征样本至均值的距离作为参数,将训练样本至特征样本的距离再乘以该特征样本对应的参数,作为最终进行排序的依据,能够很好的区分蝗虫的幼虫和成虫,具有良好的准确性。
附图说明
图1为现有技术中K-近邻算法的应用场景图;
图2为根据本发明实施例的蝗虫龄期的识别方法的流程示意图;
图3为根据本发明实施例的步骤203获得训练样本的龄期的流程示意图;
图4为根据本发明实施例的蝗虫龄期的识别方法的流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明实施例提供一种蝗虫龄期的预测方法,为了便于理解,在此先对本实施例及后续实施例中可能涉及到的相关概念进行解释说明:
光谱反射是指被物体反射的光通量与入射到物体的光通量之比,光谱反射率反映了物体对入射光的光谱选择性吸收、光散射以及物体表面的镜面反射的综合特性。由于不同龄期的蝗虫的外骨骼在硬度、颜色、成分上都存在差异,因此光谱反射率可以精准地表征蝗虫的龄期。
归一化是一种无量纲处理手段,使物理系统数值的绝对值变成某种相对值关系,能够起到简化计算的目的。
特征集用于存放已知类别的数据(特征样本),而训练集则用于保存未知类别的数据(训练样本),通过测量训练集中的训练样本与特征集中特征样本之间的距离,就可以实现对训练集中训练样本的分类。
K-近邻算法,也称之为KNN算法,该算法的思路是:如果一个训练样本在特征集中的k个最相似(即特征集中最邻近)的样本中的大多数属于某一个类别,则该训练样本也属于这个类别。KNN算法中,所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
下面通过一个例子进行说明,参见如图1,圆要被决定赋予哪个类,是三角形还是四方形,如果K=3,由于三角形所占比例为2/3,圆将被赋予三角形那个类,如果K=5,由于四方形比例为3/5,因此圆被赋予四方形类。由此也说明了KNN算法的结果很大程度取决于K的选择。
K-近邻算法描述为:
1)计算训练样本与各个特征样本之间的距离;
2)按照距离的递增关系进行排序;
3)选取距离最小的K个点;
4)确定前K个点所在类别的出现频率;
5)返回前K个点中出现频率最高的类别作为测试数据的预测分类。
基于上述内容,本实施例提供一种蝗虫龄期的识别方法,参见图2,包括:
201、获得蝗虫的所有特征部分的光谱反射率,并对所述蝗虫的所有特征部分的光谱反射率进行归一化处理;
202、利用形态学方法,识别部分5龄和成虫作为特征集中的特征样本,其他未识别的蝗虫作为训练集中的训练样本,将各蝗虫的归一化处理后的光谱反射率作为特征集或训练集中的样本数据;
203、根据交叉验证获得特征集中K个最优的特征样本,并获得所述K个最优的特征样本的均值,根据所述均值和训练集中的训练样本至特征集的距离,对训练样本进行分类,获得训练样本的龄期。
需要说明的是,现有的K-近邻算法在计算训练样本与各个特征样本之间的距离后,基于前K个特征样本所属类别为训练样本分类,由于每次在计算距离时仅仅考虑训练样本与特征样本间的距离,而不同的特征样例差异较大,因此,多样本的差异性严重影响着K-近邻算法的分类准确性,而本发明则在排序前,对K个特征样本的空间向量取均值,然后计算各特征样本至均值的距离作为参数,将训练样本至特征样本的距离再乘以该特征样本对应的参数,作为最终进行排序的依据,具有准确率更高的优点。
需要说明的是,K值较小意味着只能与输入实例较近的训练实例才会对预测结果起作用,但容易发生过拟合,若K值过大,优点是可以减少学习的估计误差,但缺点是学习的近似误差增大,这时与输入实例较远的训练实例也会对预测起作用,使预测发生错误,在实际应用中,K值一般选较小值,采用交叉验证获得最优K值,K的最大值不超过样本的平方根,最小不超过1。
在上述实施例的基础上,步骤101具体包括:
1011、选取蝗虫的特征部位,通过高光谱分选仪获得蝗虫的所有特征部位在400-1000nm波长范围的光谱;
需要说明的是,高光谱分选仪有两种镜头,一种镜头的波长范围在400-1000nm,另一种镜头的波长范围在1000-1700nm,蝗虫和背景(如小麦)的光谱分布主要在400-1000之间,如果使用1000-1700nm的镜头并不能很好的采集到图像,通俗的说,就即无法采集到目标信息,因此,本实施例采用400-1000nm波长范围的镜头对蝗虫的特征部分进行扫描,获得光谱。
1012、利用ENVI中的区域计算函数,获得光谱的光谱反射率;
ENVI(英文全称:The Environment for Visualizing Images)是一个完整的遥感图像处理平台,具有卓越的高光谱分析功能,ENVI的光谱分析工具包括以下功能:监督和非监督方法进行影像分类、使用强大的光谱库识别光谱特征、检测和识别目标、识别感兴趣的特征、对感兴趣物质的分析和制图、执行像素级和亚像素级的分析和使用分类后处理工具完善分类结果。
通过向ENVI导入校准后的光谱,在光谱上选择感兴趣的区域,然后点击光谱反射率组件,获得光谱反射率。
1013、对蝗虫的每个特征部位的光谱反射率,根据所有蝗虫的相同特征部分的光谱反射率的最大值和最小值,进行归一化处理,获得各蝗虫的每个特征部位的归一化处理后的光谱反射率。
在上述各实施例的基础上,步骤202包括:
2021、利用形态学方法,识别部分5龄和成虫;
2022、对任意一只蝗虫,根据该蝗虫所有特征部位的归一化处理后的光谱反射率,获得该蝗虫的空间向量;
2023、将识别的5龄和成虫的空间向量,作为特征集中的特征样本,将未识别的蝗虫的空间向量,作为训练集中的训练样本;
其中,所述空间向量的维度与所述特征部位的个数一致。
例如,某蝗虫具有两个特征部位,一个特征部位归一化处理后的反射率为0.5,另一个特征部位归一化处理后的反射率为0.6,那么,该蝗虫的空间向量表示为(0.5,0.6)。
在上述各实施例的基础上,步骤203中根据均值和训练集中的训练样本至特征集的距离,获得训练样本的龄期的步骤,参见图3,包括:
301、对特征集中的任意一个特征样本,计算该特征样本与均值的欧式距离,作为对应该特征样本的权值;例如,某个特征样本为(0.5,0.6),均值的空间向量为(0.4,0.2),那么该特征样本与均值的欧式距离为也就得到了对应该特征样本的权值为0.41。
302、对训练集中的任意一个训练样本,计算该训练样本与特征集中各特征样本间的欧式距离,作为基础距离;
303、将基础距离与该特征样本的权值的乘积,作为该训练样本与该特征样本的相似度;例如,某训练样本与特征样本1之间的欧式距离,也就是基础距离为0.6,而对应特征样本1的权值为0.73,那么该训练样本与特征样本1之间的相似度就是0.6×0.73=0.438。
304、将训练样本与所有特征样本的相似度按照从大到小的顺序进行排序,选取前M个特征样本,作为验证样本,根据验证样本中数量最多的龄期作为训练样本的龄期。例如,对某个训练样本,在K等于5的情况下,其中3个特征样本是成虫,2个特征样本是5龄,那么就认为这个训练样本是成虫。
在上述各实施例的基础上,步骤S1.1中的波长为763nm。
需要说明的是,发明人发现,经763nm波长扫描的蝗虫和背景之间的差异最大,更容易识别出蝗虫的光谱。
由于受到诸如光源的不均匀性、光敏单元本身响应差异、暗电流及偏置等因素的影响,对于一个灰度均匀的目标,可能会输出强度不均匀的图像,这将对后续图像处理中的目标特征提取及测量不利。因此,步骤S1.2之前还包括:对光谱进行黑白校准,获得校准后的光谱数据,需要说明的是,黑白校准能够有效减小实验误差。
黑白校准的具体步骤包括:通过选择白板区域以及默认的黑色区域计算吸光度图像,减少仪器以及光源造成的误差,对数据进行校准。
在上述各实施例的基础上,步骤S1.3包括:
对任意一个蝗虫,将该蝗虫特征部分的处理前的光谱反射率与所有蝗虫中同一特征部分的光谱反射率光谱中最小值的差值,作为第一差值;
将所有蝗虫的同一特征部分的光谱反射率光谱中最大值和最小值的差值,作为第二差值;
根据第一差值和第二差值的商,获得该蝗虫特征部分的处理后的光谱反射率。
在上述各实施例的基础上,特征部位包括头和翅膀。
需要说明的是,之所以将蝗虫的特征部分选为翅膀和头部,一方面是由于这两个部位是观察蝗虫时最显著的部位,另一方面翅膀和头部都容易切割分离,以进行研究,蝗虫在发育过程中,由若虫成长为成虫的过程需要进行多次蜕皮,每一次蜕皮就增加1龄,当蜕皮至第5次时,称之为5龄,5龄蝗虫的翅芽还没有完全蜕变,而成虫的翅膀已经蜕变完全,并且颜色上也更接近自然界的草木颜色,通过观察蝗虫的翅膀和头部,即可区分出5龄蝗虫和成虫。
在一个可选实施例中,获得所述K个最优的特征样本的均值的计算公式为:
在一个可选实施例中,计算特征样本与所述均值的欧式距离的计算公式为:
下面结合具体的实施例对本发明蝗虫龄期的识别方法进行说明,参见图4,包括:
401、通过高光谱分选仪以763nm的波长扫描蝗虫翅膀和头部,获得相应的光谱,对光谱进行黑白校准;
402、利用ENVI中的区域计算函数,得到所有蝗虫的特征部分在校准后的光谱反射率。
403、对各蝗虫的特征部位的光谱反射率进行归一化处理,获得处理后的光谱反射率。
例如,某个蝗虫的头部光谱反射率在归一化处理前为70%,所有蝗虫的头部光谱反射率光谱中最小值为50%,最大值为90%,那么该蝗虫头部处理后的光谱反射率为:(70-50)/(80-50)=0.5,同理可得该蝗虫翅膀的归一化处理后的光谱反射率,例如,为0.6。
404、将每个蝗虫的特征部位归一化处理后的光谱反射率转换为空间向量,以上述蝗虫为例,转化后的空间向量为(0.5,0.6)。
405、利用形态学方法,根据成虫翅膀和5龄翅膀的不同,从样本中识别出部分5龄和成虫,将识别出的5龄和成虫的空间向量作为特征集,其余蝗虫的空间向量作为训练集。
406、采用交叉验证算法,从特征集中选择K个最优特征样本的空间向量。例如,选择了5个最优特征样本的空间向量:包括成虫1号(0.7,0.6)、5龄1号(0.2,0.3)、成虫2号(0.6,0.6)、5龄2号(0.1,0.2)和成虫3号(0.6,0.8),训练集中的一个训练样本的空间向量为(0.4,0.4)。
407、计算特征集的K个最优特征样本的均值,计算公式为:
408、对特征集中的任意一个特征样本,计算该特征样本与均值的欧式距离,作为对应该特征样本的权值。
例如,特征样本1为(x1,y1),那么特征样本1与均值的欧式距离
409、对训练集中一个训练样本,计算该训练样本与特征集中各特征样本间的欧式距离,将获得的训练样本与特征样本间的欧式距离与该特征样本的权值的乘积,作为该训练样本与该特征样本的相似度。
410、将训练样本与所有特征样本的相似度按照从大到小的顺序进行排序,选取前M个特征样本,作为验证样本,根据验证样本中数量最多的龄期作为训练样本的龄期。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种蝗虫龄期的预测方法,其特征在于,包括:
S1、获得蝗虫的所有特征部分的光谱反射率,并对所述蝗虫的所有特征部分的光谱反射率进行归一化处理;
S2、根据识别的5龄和成虫的所有特征部分归一化处理后的光谱反射率,获得特征集中的特征样本,根据其他未识别的蝗虫的所有特征部分归一化处理后的光谱反射率,获得训练集中的训练样本;
S3、根据交叉验证获得特征集中K个最优的特征样本,并获得所述K个最优的特征样本的均值,根据所述均值和训练集中的训练样本至特征集的距离,对训练样本进行分类,获得训练样本的龄期;
其中,所述步骤S2包括:
S2.1、利用形态学方法,识别部分5龄和成虫;
S2.2、对任意一只蝗虫,根据该蝗虫所有特征部位的归一化处理后的光谱反射率,获得该蝗虫的空间向量;
S2.3、将识别的5龄和成虫的空间向量,作为特征集中的特征样本,将未识别的蝗虫的空间向量,作为训练集中的训练样本;
其中,所述空间向量的维度与所述特征部位的个数一致;
所述S3中根据所述均值和训练集中的训练样本至特征集的距离,获得所述训练样本的龄期的步骤,包括:
对特征集中的任意一个特征样本,计算该特征样本与所述均值的欧式距离,作为对应该特征样本的权值;
对训练集中的任意一个训练样本,计算该训练样本与特征集中各特征样本间的欧式距离,作为基础距离;
将所述基础距离与对应该特征样本的权值的乘积,作为该训练样本与该特征样本之间的相似度;
将训练样本与所有特征样本之间的相似度,按照从大到小的顺序进行排序,选取排序靠前的M个特征样本,作为验证样本,根据所述验证样本中数量最多的龄期作为训练样本的龄期。
2.如权利要求1所述的蝗虫龄期的预测方法,其特征在于,所述步骤S1包括:
S1.1、选取蝗虫的特征部位,通过高光谱分选仪获得蝗虫的所有特征部位在400-1000nm波长范围的光谱;
S1.2、根据ENVI中的区域计算函数,获得所述光谱的光谱反射率;
S1.3、根据所有蝗虫的同一特征部分的光谱反射率的最大值和最小值,对蝗虫的每个特征部位的光谱反射率进行归一化处理。
3.如权利要求2所述的蝗虫龄期的预测方法,其特征在于,所述步骤S1.1中的波长为763nm。
4.如权利要求2或3所述的蝗虫龄期的预测方法,其特征在于,所述步骤S1.2之前还包括:对所述光谱进行黑白校准。
5.如权利要求2所述的蝗虫龄期的预测方法,其特征在于,所述步骤S1.3包括:
对任意一个蝗虫,将该蝗虫特征部分的处理前的光谱反射率与所有蝗虫中同一特征部分的光谱反射率光谱中最小值的差值,作为第一差值;
将所有蝗虫的同一特征部分的光谱反射率光谱中最大值和最小值的差值,作为第二差值;
根据第一差值和第二差值的商,获得该蝗虫特征部分的处理后的光谱反射率。
6.如权利要求1所述的蝗虫龄期的预测方法,其特征在于,所述特征部位包括头和翅膀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710552219.6A CN107451603B (zh) | 2017-07-07 | 2017-07-07 | 一种蝗虫龄期的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710552219.6A CN107451603B (zh) | 2017-07-07 | 2017-07-07 | 一种蝗虫龄期的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451603A CN107451603A (zh) | 2017-12-08 |
CN107451603B true CN107451603B (zh) | 2020-01-10 |
Family
ID=60488397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710552219.6A Active CN107451603B (zh) | 2017-07-07 | 2017-07-07 | 一种蝗虫龄期的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451603B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414457B (zh) * | 2018-02-27 | 2020-06-09 | 中国农业大学 | 蝗虫龄期识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705017B2 (en) * | 2009-01-15 | 2014-04-22 | Tokitae Llc | Photonic fence |
CN101819141B (zh) * | 2010-04-28 | 2012-04-25 | 中国科学院半导体研究所 | 基于近红外光谱与信息处理的玉米品种鉴别方法 |
-
2017
- 2017-07-07 CN CN201710552219.6A patent/CN107451603B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107451603A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870421B (zh) | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 | |
CN110717368A (zh) | 一种纺织品定性分类方法 | |
US20060050953A1 (en) | Pattern recognition method and apparatus for feature selection and object classification | |
Rad et al. | Classification of rice varieties using optimal color and texture features and BP neural networks | |
Huang et al. | Hyperspectral image analysis based on BoSW model for rice panicle blast grading | |
Mustafa et al. | Classification of fruits using Probabilistic Neural Networks-Improvement using color features | |
Halimi et al. | Estimating the intrinsic dimension of hyperspectral images using a noise-whitened eigengap approach | |
CN112766227B (zh) | 一种高光谱遥感影像分类方法、装置、设备及存储介质 | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
Yipeng et al. | Determination of wheat kernels damaged by fusarium head blight using monochromatic images of effective wavelengths from hyperspectral imaging coupled with an architecture self-search deep network | |
CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
Khoje | Appearance and characterization of fruit image textures for quality sorting using wavelet transform and genetic algorithms | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN107451603B (zh) | 一种蝗虫龄期的识别方法 | |
CN113959974B (zh) | 一种普适性近红外光谱模型的传递方法 | |
CN116523352B (zh) | 一种森林资源信息的管理方法及系统 | |
CN113408616A (zh) | 基于pca-uve-elm的光谱分类方法 | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
CN108319935B (zh) | 基于区域稀疏的人脸群体识别方法 | |
CN115661813A (zh) | 基于高光谱成像技术的多粮混杂碎颗粒快速分类检测方法 | |
McCann et al. | Novel histogram based unsupervised classification technique to determine natural classes from biophysically relevant fit parameters to hyperspectral data | |
Bickler | Prospects for machine learning for shell midden analysis | |
CN109145887B (zh) | 一种基于光谱潜变量混淆判别的阈值分析方法 | |
CN112418156A (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
CN112257544A (zh) | 基于稀疏词典的高分遥感影像震后建筑物检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |