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

【摘要】：為提高玉米果穗發(fā)育程度檢測的自動化程度與精度,提出一種基于機器視覺技術(shù)的測量方法。在隨機森林機器學(xué)習(xí)算法的基礎(chǔ)上構(gòu)造禿尖、干癟和籽粒區(qū)域的識別模型。該模型由多個獨立同分布的弱分類器構(gòu)成,對輸入的訓(xùn)練樣本進行列和行兩個方向上的隨機采樣。比較隨機森林模型和決策樹模型的分類效果可知隨機森林模型有效避免了過擬合和局部收斂現(xiàn)象的產(chǎn)生,并具有良好的推廣能力。為確定最優(yōu)的弱分類器數(shù)目,選擇弱分類器個數(shù)為訓(xùn)練樣本數(shù)量的1/80、1/40、1/20、1/10、1/5、1/4時分別構(gòu)建隨機森林分類器。研究結(jié)果表明,當(dāng)隨機森林中弱分類器個數(shù)為訓(xùn)練樣本數(shù)量的1/20時,模型的識別率與穩(wěn)定性最好。然后,以最優(yōu)的隨機森林模型作為分類器構(gòu)建玉米果穗不同發(fā)育程度自動檢測方法。試驗結(jié)果表明,各區(qū)域長度測量的準確性均在95%以上,測量速度可達30個/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】：國家自然科學(xué)基金項目(31301235)
【分類號】：S513;TP391.41

【相似文獻】

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;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森林算法及區(qū)域應(yīng)用[J];遙感學(xué)報;2014年04期

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

4 王棟;岳彩榮;田傳召;范懷剛;王躍輝;;基于隨機森林的大姚縣TM遙感影像分類研究[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;;基于隨機森林的國產(chǎn)小衛(wèi)星遙感影像分類研究[J];測繪科學(xué);2012年04期

6 呂淑婷;張啟敏;;一類帶Poisson跳的隨機森林發(fā)展系統(tǒng)數(shù)值解的收斂性[J];寧夏大學(xué)學(xué)報(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森林宏觀尺度土地覆蓋分類方法研究[J];遙感信息;2013年06期

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

9 馬明;岳彩榮;張云飛;李小婷;張博;;基于TM影像的土地覆蓋分類比較研究[J];綠色科技;2014年03期

10 ;[J];;年期

相關(guān)會議論文 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標(biāo)檢測中的應(yīng)用[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

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

3 張?zhí)忑?梁龍;王康;李華;;隨機森林結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于的鋼鐵分類[A];中國化學(xué)會第29屆學(xué)術(shù)年會摘要集——第19分會：化學(xué)信息學(xué)與化學(xué)計量學(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];第十一屆全國計算（機）化學(xué)學(xué)術(shù)會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機森林回歸分析方法及在代謝組學(xué)中的應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計學(xué)年會會議論文集[C];2011年

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

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

相關(guān)博士學(xué)位論文 前4條

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

2 雷震;隨機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;基于隨機森林和規(guī)則集成法的酒類市場預(yù)測與發(fā)展戰(zhàn)略[D];天津大學(xué);2008年

4 李書艷;單點氨基酸多態(tài)性與疾病相關(guān)關(guān)系的預(yù)測及其機制研究[D];蘭州大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 錢維;藥品不良反應(yīng)監(jiān)測中隨機森林方法的建立與實現(xiàn)[D];第二軍醫(yī)大學(xué);2012年

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

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

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

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

6 朱玟謙;一種收斂性隨機森林在人臉檢測中的應(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檢測與識別算法研究[D];電子科技大學(xué);2014年

8 李慧;一種改進的隨機森林并行分類方法在運營商大數(shù)據(jù)的應(yīng)用[D];電子科技大學(xué);2015年

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

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

，

本文編號：1814910