發(fā)布時(shí)間：2018-04-28 10:37

  本文選題：玉米果穗 + 發(fā)育程度��； 參考：《農(nóng)業(yè)機(jī)械學(xué)報(bào)》2017年01期

【摘要】：為提高玉米果穗發(fā)育程度檢測(cè)的自動(dòng)化程度與精度,提出一種基于機(jī)器視覺(jué)技術(shù)的測(cè)量方法。在隨機(jī)森林機(jī)器學(xué)習(xí)算法的基礎(chǔ)上構(gòu)造禿尖、干癟和籽粒區(qū)域的識(shí)別模型。該模型由多個(gè)獨(dú)立同分布的弱分類(lèi)器構(gòu)成,對(duì)輸入的訓(xùn)練樣本進(jìn)行列和行兩個(gè)方向上的隨機(jī)采樣。比較隨機(jī)森林模型和決策樹(shù)模型的分類(lèi)效果可知隨機(jī)森林模型有效避免了過(guò)擬合和局部收斂現(xiàn)象的產(chǎn)生,并具有良好的推廣能力。為確定最優(yōu)的弱分類(lèi)器數(shù)目,選擇弱分類(lèi)器個(gè)數(shù)為訓(xùn)練樣本數(shù)量的1/80、1/40、1/20、1/10、1/5、1/4時(shí)分別構(gòu)建隨機(jī)森林分類(lèi)器。研究結(jié)果表明,當(dāng)隨機(jī)森林中弱分類(lèi)器個(gè)數(shù)為訓(xùn)練樣本數(shù)量的1/20時(shí),模型的識(shí)別率與穩(wěn)定性最好。然后,以最優(yōu)的隨機(jī)森林模型作為分類(lèi)器構(gòu)建玉米果穗不同發(fā)育程度自動(dòng)檢測(cè)方法。試驗(yàn)結(jié)果表明,各區(qū)域長(zhǎng)度測(cè)量的準(zhǔn)確性均在95%以上,測(cè)量速度可達(dá)30個(gè)/min以上。
[Abstract]:In order to improve the automation and precision of corn ear development detection, a method based on machine vision was proposed. Based on the stochastic forest machine learning algorithm, a recognition model of bald tip, dry area and grain area is constructed. The model is composed of several independent and distributed weak classifiers. The input training samples are sampled randomly in both columns and rows. Comparing the classification effect of stochastic forest model and decision tree model, we can see that stochastic forest model can avoid overfitting and local convergence effectively, and has good generalization ability. In order to determine the optimal number of weak classifiers, a random forest classifier is constructed when the number of weak classifiers is 1 / 80 / 40 / 1 / 40 / 20 / 10 / 10 / 5 / 4 of the number of training samples. The results show that the recognition rate and stability of the model are the best when the number of weak classifiers in the random forest is 1 / 20 of the number of training samples. Then, the optimal stochastic forest model was used as classifier to construct the automatic detection method for different development degree of corn ear. The experimental results show that the accuracy of each region length measurement is more than 95%, and the measuring speed can reach more than 30 / min.
【作者單位】： 華中農(nóng)業(yè)大學(xué)信息學(xué)院;華中農(nóng)業(yè)大學(xué)理學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(31301235)
【分類(lèi)號(hào)】：S513;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張雷;王琳琳;張旭東;劉世榮;孫鵬森;王同立;;隨機(jī)森林算法基本思想及其在生態(tài)學(xué)中的應(yīng)用——以云南松分布模擬為例[J];生態(tài)學(xué)報(bào);2014年03期

2 李旭青;劉湘南;劉美玲;吳伶;;水稻冠層氮素含量光譜反演的隨機(jī)森林算法及區(qū)域應(yīng)用[J];遙感學(xué)報(bào);2014年04期

3 王盼;陸寶宏;張瀚文;張巍;孫銀鳳;季妤;;基于隨機(jī)森林模型的需水預(yù)測(cè)模型及其應(yīng)用[J];水資源保護(hù);2014年01期

4 王棟;岳彩榮;田傳召;范懷剛;王躍輝;;基于隨機(jī)森林的大姚縣TM遙感影像分類(lèi)研究[J];林業(yè)調(diào)查規(guī)劃;2014年02期

5 劉毅;杜培軍;鄭輝;夏俊士;柳思聰;;基于隨機(jī)森林的國(guó)產(chǎn)小衛(wèi)星遙感影像分類(lèi)研究[J];測(cè)繪科學(xué);2012年04期

6 呂淑婷;張啟敏;;一類(lèi)帶Poisson跳的隨機(jī)森林發(fā)展系統(tǒng)數(shù)值解的收斂性[J];寧夏大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年04期

7 李治;楊曉梅;孟樊;范文義;;物候特征輔助下的隨機(jī)森林宏觀(guān)尺度土地覆蓋分類(lèi)方法研究[J];遙感信息;2013年06期

8 金宇;周可新;方穎;劉欣;;基于隨機(jī)森林模型預(yù)估氣候變化對(duì)動(dòng)物物種潛在生境的影響[J];生態(tài)與農(nóng)村環(huán)境學(xué)報(bào);2014年04期

9 馬明;岳彩榮;張?jiān)骑w;李小婷;張博;;基于TM影像的土地覆蓋分類(lèi)比較研究[J];綠色科技;2014年03期

10 ;[J];;年期

相關(guān)會(huì)議論文 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標(biāo)檢測(cè)中的應(yīng)用[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達(dá)數(shù)據(jù)分析的隨機(jī)森林方法及算法改進(jìn)[A];黑龍江省第十次統(tǒng)計(jì)科學(xué)討論會(huì)論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機(jī)森林結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于的鋼鐵分類(lèi)[A];中國(guó)化學(xué)會(huì)第29屆學(xué)術(shù)年會(huì)摘要集——第19分會(huì)：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉�(gòu)效關(guān)系研究[A];第十一屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機(jī)森林回歸分析方法及在代謝組學(xué)中的應(yīng)用[A];2011年中國(guó)衛(wèi)生統(tǒng)計(jì)學(xué)年會(huì)會(huì)議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機(jī)森林和k-近鄰法在某型坦克變速箱狀態(tài)識(shí)別中的應(yīng)用[A];第八屆全國(guó)轉(zhuǎn)子動(dòng)力學(xué)學(xué)術(shù)討論會(huì)論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹(shù)的集合體和后向消除策略去分類(lèi)P-糖蛋白化合物[A];第十屆全國(guó)計(jì)算(機(jī))化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2009年

相關(guān)博士學(xué)位論文 前4條

1 曹正鳳;隨機(jī)森林算法優(yōu)化研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2014年

2 雷震;隨機(jī)森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學(xué);2012年

3 岳明;基于隨機(jī)森林和規(guī)則集成法的酒類(lèi)市場(chǎng)預(yù)測(cè)與發(fā)展戰(zhàn)略[D];天津大學(xué);2008年

4 李書(shū)艷;單點(diǎn)氨基酸多態(tài)性與疾病相關(guān)關(guān)系的預(yù)測(cè)及其機(jī)制研究[D];蘭州大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 錢(qián)維;藥品不良反應(yīng)監(jiān)測(cè)中隨機(jī)森林方法的建立與實(shí)現(xiàn)[D];第二軍醫(yī)大學(xué);2012年

2 韓燕龍;基于隨機(jī)森林的指數(shù)化投資組合構(gòu)建研究[D];華南理工大學(xué);2015年

3 賀捷;隨機(jī)森林在文本分類(lèi)中的應(yīng)用[D];華南理工大學(xué);2015年

4 張文婷;交通環(huán)境下基于改進(jìn)霍夫森林的目標(biāo)檢測(cè)與跟蹤[D];華南理工大學(xué);2015年

5 李強(qiáng);基于多視角特征融合與隨機(jī)森林的蛋白質(zhì)結(jié)晶預(yù)測(cè)[D];南京理工大學(xué);2015年

6 朱玟謙;一種收斂性隨機(jī)森林在人臉檢測(cè)中的應(yīng)用研究[D];武漢理工大學(xué);2015年

7 肖宇;基于序列圖像的手勢(shì)檢測(cè)與識(shí)別算法研究[D];電子科技大學(xué);2014年

8 李慧;一種改進(jìn)的隨機(jī)森林并行分類(lèi)方法在運(yùn)營(yíng)商大數(shù)據(jù)的應(yīng)用[D];電子科技大學(xué);2015年

9 趙亞紅;面向多類(lèi)標(biāo)分類(lèi)的隨機(jī)森林算法研究[D];哈爾濱工業(yè)大學(xué);2014年

10 黎成;基于隨機(jī)森林和ReliefF的致病SNP識(shí)別方法[D];西安電子科技大學(xué);2014年

，

本文編號(hào)：1814910