- 1、本文档共7页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
?
?
基于优化PSO-BP的多特征融合图像识别算法研究
?
?
摘要:?为提高水果种类识别的准确性,本文提出一种基于优化粒子群结合BP神经网络的识别算法。在算法初期,针对不同种类水果图像样本,借助K均值聚类分割算法,融合彩色信息和灰度信息,完成目标图像的准确分割,提取目标区域在HSV颜色空间下非均匀量化后的颜色特征,使用分块局部二值模式和灰度共生矩阵,分别提取局部和全局纹理特征,并对与粒子群算法(particleswarmoptimization,PSO)结合的BP神经网络进行优化,以获得最优的BP神经网络权值和阈值,同时使用分块的LBP算子和GLCM方法,采用Matlab2017b软件,对苹果、草莓、柠檬3种水果图像局部和整体纹理信息进行提取,并与传统的PSO-BP神经网络、IPSO-BP神经网络及单一BP神经网络训练之后对测试样本的识别相对误差进行比较。研究结果表明,虽然标准PSO-BP算法对图形的分割效率和识别能力不能与深度学习结果相媲美,但在优化后的PSO-BP中,将3种水果识别率与RCNN系列的优化结果相比并不逊色,且与结合ResNet的SSD算法的结果对比中表现出优异性。该算法保证了图像分割目标的完整性,有效控制了整体算法的时间性,提高了识别过程的精确性。该研究对水果识别精度的提高具有重要的应用价值。
关键词:?水果识别;K均值算法;粒子群算法;图像分割;神经网络
:TP391.413?:A
在落实“互联网+农业”战略和智慧农业改革的背景下,传统农业与高新技术融合已成为发展趋势。水果产业是农业重要组成部分,对水果实现高效快捷的智能识别分类具有深远意义,融入图像识别技术可减少劳动力消耗,且高识别率和短周期有利于水果分类储存与保鲜。通过模式识别技术进行水果分类,多是依据水果图像的颜色、局部纹理和形状等特征属性进行定量,然后训练分类器区分判决,但在实际应用中仍无法避免因纹理和形状相似而造成较高的误差。特征提取能力较强的机器学习,最初经历浅层机器学习阶段,该阶段主要采用支持向量机(supportvectormachine,SVM)、Boosting和最大熵方法等。近年来,一些学者对水果识别分类进行研究,李大华等人[1]采用SVM分类器对果蔬纹理特征进行分类;KuangHL等人[2]利用全局颜色直方图、局部二值模式(localbinarypatterns,LBP)、方向梯度直方图(histogramofgradient,HOG)和基于Gabor小波(GaborLBP)的LBP多特征融合,提高水果识别。根据交叉验证精度选择最优块,但也提升了计算的复杂难度。深度学习是建立类似大脑的神经网络,在大数据中自主提取特征,其中基于卷积神经网络(convolutionalneuralnetwork,CNN)模型和深度置信网络(deepbeliefnetwork,DBN)模型的水果识别算法取得很好的效果[34]。由于传统的浅层学习在训练方面受经验的限制,而深度学习模型的计算对硬件资源要求较高。因此,为避免对硬件资源较高的要求,同时追求高效、准确的效果,本研究引入一种基于粒子群优化算法优化的BP神经网络算法(improvedparticleswarmoptimization-backpropagation,IPSO-BP)的方法,实现水果识别中的评估。与传统方法相比,PSO优化的BP神经网络算法,具有更高的识别精度和更快的识别速度。该研究在果品质量、安全评估及消费和储藏中更具适用性。
1K均值图像分割
水果图像在进行目标体分割和特征提取过程中,易受噪声影响,进而带来误差,因此在对水果图像分割之前进行预处理,最大程度的保留有效信息。
图像分割是对整个图像内容中感兴趣的区域实现标记的过程,标记的完整性及准确性直接影响目标体的识别结果。K均值算法是基于距离相似性的聚类算法[5],使用K均值算法的距离相似性原则,对图像像素点实现同类别划分,从而完成图像分割任务。相较于颜色分量之间存在高度相关性[67]的RGB(red,green,blue)颜色空间,选择HSV(hue,saturation,value)颜色空间作为图像信息源,可更大程度得到目标体的有效信息。HSV颜色分量直方图分布如图1所示。图中,H和S包含图像的彩色信息,V包含图像的亮度信息。
在对BP神经网络进行优化过程中,用粒子代表神经网络中的权值和阈值,以均方误差,即粒子适应度值最小作为寻优目标,在更新迭代中找到最优解。
使用Griewank基准测试函数,对标准的PSO和优化的PSO在迭代600次过程中最佳适应度值进行比较,Griewank函数测试结果如图8所示。由图8可以看出,IPSO在迭代前期,收敛速度加快;迭代后期,平
您可能关注的文档
- 关于汽车驾驶员行车安全影响因素分析1.docx
- 互联网+教育背景下小学语文教学改革初探.docx
- 利用管理信息化提升企业核心竞争力探讨.docx
- 基于Mifare方案的校园一卡通系统构建.docx
- 国内发展飞机拆解产业的机会与困难.docx
- 刍议文化自信的实现路径及意义.docx
- 2024年江西省瑞安市六校联盟九年级数学第一学期开学调研试题【含答案】.doc
- 2024年江西省上饶县九年级数学第一学期开学学业质量监测模拟试题【含答案】.doc
- 2024年江西省瑞金市瑞金四中学数学九上开学学业水平测试模拟试题【含答案】.doc
- GB/T 44426.1-2024躺卧保护组织完整性的辅助器具 第1部分:一般要求.pdf
- 2024年江西省寻乌县九上数学开学复习检测模拟试题【含答案】.doc
- 2024年江西省省宜春市袁州区数学九上开学学业水平测试模拟试题【含答案】.doc
- 《GB/T 44275.2-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第2部分:术语》.pdf
- 中国国家标准 GB/T 44275.2-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第2部分:术语.pdf
- GB/T 44285.1-2024卡及身份识别安全设备 通过移动设备进行身份管理的构件 第1部分:移动电子身份系统的通用系统架构.pdf
- 《GB/T 44285.1-2024卡及身份识别安全设备 通过移动设备进行身份管理的构件 第1部分:移动电子身份系统的通用系统架构》.pdf
- 中国国家标准 GB/T 44285.1-2024卡及身份识别安全设备 通过移动设备进行身份管理的构件 第1部分:移动电子身份系统的通用系统架构.pdf
- GB/T 44275.11-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第11部分:术语制定指南.pdf
- 中国国家标准 GB/T 44275.11-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第11部分:术语制定指南.pdf
- 《GB/T 44275.11-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第11部分:术语制定指南》.pdf
文档评论(0)