本文關(guān)鍵詞： 圖像識(shí)別 識(shí)別 算法 運(yùn)動(dòng)蝦苗 改進(jìn)PCA Ada Boost 行為量化　出處：《農(nóng)業(yè)工程學(xué)報(bào)》2017年01期 　論文類型：期刊論文

【摘要】：針對(duì)蝦行為量化過(guò)程中運(yùn)動(dòng)蝦苗較難檢測(cè)與識(shí)別的問(wèn)題,該文以南美白對(duì)蝦蝦苗為例,提出了一種基于改進(jìn)主成分分析(principal component analysis,PCA)+AdaBoost算法的運(yùn)動(dòng)蝦苗自動(dòng)識(shí)別方法。在室內(nèi)自然光條件下,利用工業(yè)相機(jī)采集承裝容器中蝦苗的灰度圖像。提取圖像中大小為100×100像素的不同運(yùn)動(dòng)狀態(tài)的蝦苗圖像,首先使用改進(jìn)PCA算法進(jìn)行主成分分析,并進(jìn)行特征提取。根據(jù)特征參數(shù)的分布情況,對(duì)其進(jìn)行歸一化處理,利用歸一化的特征構(gòu)建多個(gè)弱分類器,利用Adaboost方法將弱分類器構(gòu)建成強(qiáng)分類器。最后,利用強(qiáng)分類器對(duì)運(yùn)動(dòng)蝦苗進(jìn)行識(shí)別。試驗(yàn)結(jié)果表明,在150幅不同運(yùn)動(dòng)狀態(tài)蝦苗測(cè)試樣本中,基于改進(jìn)PCA+Adaboost方法的識(shí)別正確率98%,平均每個(gè)樣本識(shí)別時(shí)間為0.027 898 s,滿足行為量化中的自動(dòng)識(shí)別要求。
[Abstract]:In order to solve the problem that it is difficult to detect and identify the movement shrimp seedlings in the process of behavior quantification, this paper takes the shrimp seedling of Penaeus vannamei as an example. An automatic recognition method for moving shrimp seedlings based on improved principal component analysis (PCA) principal component analysis (PCA) AdaBoost algorithm is proposed in this paper. The grayscale image of shrimp seedling in container was collected by industrial camera. The image of shrimp seedling with different motion states was extracted from the image with 100 脳 100 pixels. Firstly, the improved PCA algorithm was used for principal component analysis. According to the distribution of feature parameters, it is normalized to construct several weak classifiers using normalized features, and the weak classifier is constructed into strong classifier by Adaboost method. A strong classifier was used to identify the moving shrimp seedlings. The experimental results showed that in 150 samples of shrimp seedlings in different moving states, Based on the improved PCA Adaboost method, the recognition accuracy is 98 and the average recognition time per sample is 0.027 898 s, which meets the requirement of automatic recognition in behavioral quantization.
【作者單位】： 中國(guó)水產(chǎn)科學(xué)研究院漁業(yè)機(jī)械儀器研究所;
【基金】：中國(guó)水產(chǎn)科學(xué)研究院中央級(jí)公益性科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(2015A02XK06) 國(guó)家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系項(xiàng)目(CARS-47)
【分類號(hào)】：S917.4;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前7條

1 趙鋒;王克儉;苑迎春;;基于顏色特征和AdaBoost算法的麥穗識(shí)別的研究[J];作物雜志;2014年01期

2 張保華;黃文倩;李江波;趙春江;劉成良;黃丹楓;;基于亮度校正和AdaBoost的蘋果缺陷在線識(shí)別[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2014年06期

3 曾憲貴;劉磊安;左文明;;基于膚色相似度和AdaBoost算法的人臉跟蹤[J];仲愷農(nóng)業(yè)工程學(xué)院學(xué)報(bào);2011年01期

4 余劍;;基于AdaBoost改進(jìn)算法的農(nóng)作物病蟲(chóng)害預(yù)測(cè)模型研究[J];沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào);2010年06期

5 孫俊;金夏明;毛罕平;武小紅;唐凱;張曉東;;基于Adaboost及高光譜的生菜葉片氮素水平鑒別研究[J];光譜學(xué)與光譜分析;2013年12期

6 ;華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)第35卷總目次2007年[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年12期

7 ;[J];;年期

相關(guān)會(huì)議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測(cè)中的應(yīng)用[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫(xiě)體漢字相似字符識(shí)別[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險(xiǎn)評(píng)估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會(huì)論文集[C];2012年

相關(guān)博士學(xué)位論文 前4條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

3 張?zhí)珜?人眼注視點(diǎn)估計(jì)方法的研究[D];南開(kāi)大學(xué);2013年

4 趙培英;基于智能計(jì)算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測(cè)研究[D];東華大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實(shí)時(shí)行人檢測(cè)算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測(cè)及統(tǒng)計(jì)方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測(cè)算法研究及其在硬件平臺(tái)上的實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺(jué)圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測(cè)算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

10 張?jiān)?一種基于AdaBoost的組合分類算法研究[D];四川師范大學(xué);2015年

，

本文編號(hào)：1495754