文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于概率神经网络的玉米苗期杂草识别方法的研究
侵权投诉

基于概率神经网络的玉米苗期杂草识别方法的研究

提出了一种基于计算机视觉技术和概率神经网络技术的玉米幼苗和杂草识别方法。首先利用类间方差最大自动阈值法对杂草图像的修正的超绿特征进行二值化处理;然后提取目标对象的形状特征参数作为输入向量,由概率神经网络(PNN)分类器识别出玉米幼苗。试验结果表明,该方法的有效性,对不同田间环境的玉米幼苗与杂草的准确识别率分别为92.5%和95%,效果优于使用BP网络。

21 0 0年 1 1月

农机化研究 21 P . NN的原理

第 1期 1

细长些,是前者一般具有秆丛生的特性,摄到的但拍 图像比玉米要复杂些。因此,文采用形状分析的特本征方法来识别玉米和杂草,将样本图像进行预处理后,提取出特征参数分别为:长 P、积 A、小外接周面最矩的长和宽、形因子、状的复杂性 C、外形圆形

Seh根据概率密度函数与 B ys分类规则, pct ae建立了 P N的网络拓扑结构,通常由 4层组成,基 N它其本结构如图 3所示 J。第 1层是输人层。将特征向量传递给网络,收输入模式,传送函数是线性的。接其 第 2层是模式层。该层单元 (点 )状态函数是概节的率密度函数,根据问题而定。模式层计算输入特征向量与训练集中各个模式的匹配关系,式层神经元的模

度 D、伸长度 E等(如表 1所示 )。根据统计试验和参 考文献[]选择外形因子、状的复杂性 c、 8,形圆形度 D、长度 E作为特征参数输入 P N分类器。伸 N

个数与输入样本的个数相同,该层中,算出每个在计模式对每个单元的概率密度函数的贡献大小。第 3 : ’ ’

层是求和层。如果输出结果表示分类,么, 3层那第便是将属于某类的概率贡献累计,而得到输入样本从 -. . - . .

;

,

‘≥ .鬻 . 。 .

骞

属于该类的最大可能性。第 4层为决策层。决策层

的神经元是一种竞争神经元,受从求和层输出的各接类概率密度函数,概率密度函数最大的那个神经元输出为 1给所对应的那一类即为待识别的样本模式类,别,它神经元输出全为 O其。

’

.

.

.

j . 。‘。

-

输入麒

模式层

求年层¨

决策层

图 3典型 P N结构 N , -

。

F g 3 A tp c lp o a iit e r e i. y ia rb b l i n u a n t sc l

P N是径向基网络的一种变化形式,有结构简 N具

。 -

、 - _

单、练快捷等特点,用非常广泛,别适合于解决训应特 模式分类问题。在模式分类中,其优势在于可利用线性学习算法完成以往非线性算法所做的工作,同时又可以保持非线性算法高精度的特点。事实上,种基这

图 2修正的超绿特征分割结果 F g 2 S g n ai n r s lsb s d o d f d e c s r e o l i g i . e me tt e u t a e n mo i e x e s g e n fr a ma e o i l

于统计原理的神经网络模型在分类功能与最优 B ys ae 分类器等价。 2 2 P N分类器设计 . N由于所提取的特征参数玉米幼苗和杂草类别之

表 1形状特征的定义 T b 1 D f i o so h p h r ce s . e n t n fs a e c a a tr i i

特征参数 面积,

定义

符号及计算式 ^

间没有明显的函数关系,因此可以充分利用 P N的优 N

点建立杂草分类器。假设求出的训练样本特征值矩 阵为 P={ l 2…, P,, P} P

周长 2 外形因子礼形状复杂性最小外接矩的宽长比

P

K=W L/

描述物体形状的复杂程度描述圆的紧凑性

C:P/ A D="/ 2 4t P r A

圆形度 5 伸长度 6

P:[,2…,m 1, ]

∈R

描述区域的细长性 E=(£一w) ( )/£+

再令训练样本数据类别的下标向量为 T:[ lz,,] ,2… z √=12,,,…其中,=12…,,,,, n表示 p所属类别。,

2基于 P N的识别方法 N 42

基于概率神经网络的玉米苗期杂草识别方法的研究

上一页第2页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email