典型文献
基于粒子群算法和支持向量机的黄花菜叶部病害识别
文献摘要：
使用数字图像处理技术,以黄花菜叶部病害图像为识别对象,基于Lab空间和K-means聚类算法分割病害区域,提取目标区域的颜色特征、方向梯度直方图(histogram of oriented gradient,HOG)特征和形状特征,分别建立单一特征模型和特征融合模型,采用粒子群(particle swarm optimization,PSO)算法通过交叉验证优化支持向量机(support vector machine,SVM)模型的惩罚因子和核参数,建立基于PSO-SVM的多特征融合分类模型识别黄花菜病害.基于SVM的多特征融合分类模型识别率高于单一特征分类模型,识别率可达为81.67％;基于PSO-SVM多特征融合分类模型识别率高达92.39％.基于PSO-SVM的多特征分类模型识别率高,可以及时、便捷、高效地识别黄花菜病害.
文献关键词：
图像处理;黄花菜;病害识别;支持向量机;粒子群算法;多特征融合
中图分类号：
作者姓名：
孙瑜;张永梅;武玉军
作者机构：
山西农业大学信息科学与工程学院,山西太谷030801;大同大学,山西大同037000
文献出处：
引用格式：
[1]孙瑜;张永梅;武玉军-.基于粒子群算法和支持向量机的黄花菜叶部病害识别)[J].中国农学通报,2022(08):135-140
A类：
B类：
粒子群算法,黄花菜,菜叶,叶部病害,病害识别,数字图像处理技术,病害图像,识别对象,Lab,means,聚类算法,目标区域,颜色特征,方向梯度直方图,histogram,oriented,gradient,HOG,形状特征,特征模型,融合模型,particle,swarm,optimization,PSO,交叉验证,验证优化,优化支持向量机,support,vector,machine,惩罚因子,核参数,多特征融合,融合分类,分类模型,模型识别,识别率高,特征分类
AB值：
0.322221
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
