雜草種子穩(wěn)定遺傳特征的提取及其識別研究.pdf

1、在農業(yè)的生產過程中，雜草的危害觸目驚心。全世界每年都會因草害致使農作物減產，造成巨大損失。因此，加強對雜草種子的自動識別研究，對雜草種子的檢疫和鑒定工作都很重要。由于雜草種子種類繁多，不同生長期形態(tài)變化較大，雜草種子識別是一種高維、大量的目標識別和分類問題。本文采用成熟期的豆科類雜草種子作為研究對象，基于生物穩(wěn)定遺傳特性提取了雜草種子的形態(tài)學特征和HU不變矩特征，通過分析特征間的關系，設計了雜草種子分類識別系統。實驗結果表明，該系統有效

2、地提高了雜草種子的識別率。論文的主要研究內容如下：
　　(1)傳統方法是領域專家利用放大鏡或顯微鏡進行目視分類。勞動強度大且需要目視判讀者具有豐富的專業(yè)知識。本論文利用現代信息處理手段進行雜草種子的自動識別和分類研究，提高了識別率的同時減少了人為操作的時間。
　　(2)對雜草種子圖像進行直方圖分析、圖像分割、圖像去噪和邊緣檢測等預處理，通過比較各類算法的優(yōu)劣，提出基于形態(tài)學處理的邊緣提取方法，提取出感興趣的雜草種子輪廓信息，

3、并將其從背景中分離出來。
　　(3)針對豆科類雜草種子，基于生物穩(wěn)定遺傳特性理論，提取出種子的主要參數。這些參數主要包括9個形態(tài)學特征和7個HU不變矩特征，這16個特征具有平移、旋轉和尺度不變性。由于雜草種子種類繁多，涉及到大量類別、高維數據的分類和識別的問題，因此需要對高維數據進行合理的降維。本文主要采用主成分降維法分析9個特征值得到4個主成分特征；結合聚類分析的分析方法，對這些高維、大量數據集進行合理的分類。
　　(4)

4、利用BP神經網絡來評估圖像特征組合與識別率的關系。實驗結果表明，16個特征由于維數多，識別率高，采用PCA降維取得的識別率與16個特征值識別率相差不大，但由于神經網絡易陷入局部極小值等缺點，采用BP神經網絡識別率總體不高。故最終選取RBF核函數進行SVM建模，識別結果表明識別率得到明顯提高。針對雜草種子大規(guī)模的訓練集，SVM的尋優(yōu)速度和分類速度及參數的選擇均不太如人意，采用支持向量回歸機的方式來訓練樣本，SVR的回歸模型的性能明顯優(yōu)于前