針對(duì)傳統(tǒng)中藥鑒定、分子鑒定、生物技術(shù)鑒定及光譜檢測(cè)技術(shù)的主觀性強(qiáng)、耗時(shí)、操作復(fù)雜等不足,以及金線蓮整個(gè)葉片形態(tài)區(qū)分度小、單一分類(lèi)器鑒別精度不高的問(wèn)題,該研究提出了基于機(jī)器視覺(jué)的葉片子區(qū)間多特征提取方法和基于多模型融合的Stacking集成學(xué)習(xí)算法實(shí)現(xiàn)金線蓮的品系分類(lèi)。試驗(yàn)采集6個(gè)品系的金線蓮葉片圖像數(shù)據(jù),進(jìn)行圖像預(yù)處理后提取葉片子區(qū)間內(nèi)紋理、顏色共114個(gè)特征,基于這些特征,構(gòu)建堆疊式兩階段集成學(xué)習(xí)框架,以邏輯回歸、K最近鄰、隨機(jī)森林和梯度提升決策樹(shù)（Gradient Boosting Decision Tree,GBDT）作為基分類(lèi)器,GBDT作為元分類(lèi)器進(jìn)行學(xué)習(xí)。試驗(yàn)結(jié)果表明,Stacking集成學(xué)習(xí)模型的整體識(shí)別綜合評(píng)價(jià)指標(biāo)F值達(dá)93.91%,分類(lèi)正確率達(dá)94.49%,分別比邏輯回歸、K最近鄰、隨機(jī)森林和GBDT這4個(gè)單一分類(lèi)模型高出4.40、11.87、11.01、12.94個(gè)百分點(diǎn)和5.36、11.34、6.93、12.13個(gè)百分點(diǎn)。因此,該研究能夠有效識(shí)別金線蓮品系,為形狀大小相似、形狀特征難以利用的植物葉片識(shí)別提供參考。 

【文章頁(yè)數(shù)】：8 頁(yè)

【參考文獻(xiàn)】：
期刊論文
[1]不同來(lái)源金線蓮的HPLC指紋圖譜[J]. 陳瑩,任麗,嚴(yán)桂杰,黃錦芳,張雪,吳水生.  沈陽(yáng)藥科大學(xué)學(xué)報(bào). 2019(09)
[2]基于Stacking集成學(xué)習(xí)的水稻表型組學(xué)實(shí)體分類(lèi)研究[J]. 袁培森,楊承林,宋玉紅,翟肇裕,徐煥良.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(11)
[3]采用梯度提升決策樹(shù)的車(chē)輛換道融合決策模型[J]. 徐兵,劉瀟,汪子揚(yáng),劉飛虎,梁軍.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2019(06)
[4]基于線性判別分析和梯度提升決策樹(shù)的WLAN室內(nèi)定位算法[J]. 張會(huì)清,牛錚.  儀器儀表學(xué)報(bào). 2018(12)
[5]基于機(jī)器視覺(jué)形狀特征參數(shù)的祁門(mén)紅茶等級(jí)識(shí)別[J]. 宋彥,謝漢壘,寧井銘,張正竹.  農(nóng)業(yè)工程學(xué)報(bào). 2018(23)
[6]基于改進(jìn)SVM算法的植物葉片分類(lèi)研究[J]. 馬娜,李艷文,徐苗.  山西農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(11)
[7]基于多特征融合和深度置信網(wǎng)絡(luò)的稻田苗期雜草識(shí)別[J]. 鄧向武,齊龍,馬旭,蔣郁,陳學(xué)深,劉海云,陳偉烽.  農(nóng)業(yè)工程學(xué)報(bào). 2018(14)
[8]改進(jìn)Otsu算法與ELM融合的自然場(chǎng)景棉桃自適應(yīng)分割方法[J]. 王見(jiàn),周勤,尹愛(ài)軍.  農(nóng)業(yè)工程學(xué)報(bào). 2018(14)
[9]基于邏輯回歸算法的復(fù)雜背景棉田冠層圖像自適應(yīng)閾值分割[J]. 劉立波,程曉龍,戴建國(guó),賴(lài)軍臣.  農(nóng)業(yè)工程學(xué)報(bào). 2017(12)
[10]基于HSV空間顏色直方圖的油菜葉片缺素診斷[J]. 張凱兵,章愛(ài)群,李春生.  農(nóng)業(yè)工程學(xué)報(bào). 2016(19)



本文編號(hào)：3685100