發(fā)布時間：2022-10-04 13:17

　　針對傳統(tǒng)中藥鑒定、分子鑒定、生物技術鑒定及光譜檢測技術的主觀性強、耗時、操作復雜等不足,以及金線蓮整個葉片形態(tài)區(qū)分度小、單一分類器鑒別精度不高的問題,該研究提出了基于機器視覺的葉片子區(qū)間多特征提取方法和基于多模型融合的Stacking集成學習算法實現(xiàn)金線蓮的品系分類。試驗采集6個品系的金線蓮葉片圖像數(shù)據(jù),進行圖像預處理后提取葉片子區(qū)間內紋理、顏色共114個特征,基于這些特征,構建堆疊式兩階段集成學習框架,以邏輯回歸、K最近鄰、隨機森林和梯度提升決策樹（Gradient Boosting Decision Tree,GBDT）作為基分類器,GBDT作為元分類器進行學習。試驗結果表明,Stacking集成學習模型的整體識別綜合評價指標F值達93.91%,分類正確率達94.49%,分別比邏輯回歸、K最近鄰、隨機森林和GBDT這4個單一分類模型高出4.40、11.87、11.01、12.94個百分點和5.36、11.34、6.93、12.13個百分點。因此,該研究能夠有效識別金線蓮品系,為形狀大小相似、形狀特征難以利用的植物葉片識別提供參考。 

【文章頁數(shù)】：8 頁

【參考文獻】：
期刊論文
[1]不同來源金線蓮的HPLC指紋圖譜[J]. 陳瑩,任麗,嚴桂杰,黃錦芳,張雪,吳水生.  沈陽藥科大學學報. 2019(09)
[2]基于Stacking集成學習的水稻表型組學實體分類研究[J]. 袁培森,楊承林,宋玉紅,翟肇裕,徐煥良.  農業(yè)機械學報. 2019(11)
[3]采用梯度提升決策樹的車輛換道融合決策模型[J]. 徐兵,劉瀟,汪子揚,劉飛虎,梁軍.  浙江大學學報(工學版). 2019(06)
[4]基于線性判別分析和梯度提升決策樹的WLAN室內定位算法[J]. 張會清,牛錚.  儀器儀表學報. 2018(12)
[5]基于機器視覺形狀特征參數(shù)的祁門紅茶等級識別[J]. 宋彥,謝漢壘,寧井銘,張正竹.  農業(yè)工程學報. 2018(23)
[6]基于改進SVM算法的植物葉片分類研究[J]. 馬娜,李艷文,徐苗.  山西農業(yè)大學學報(自然科學版). 2018(11)
[7]基于多特征融合和深度置信網絡的稻田苗期雜草識別[J]. 鄧向武,齊龍,馬旭,蔣郁,陳學深,劉海云,陳偉烽.  農業(yè)工程學報. 2018(14)
[8]改進Otsu算法與ELM融合的自然場景棉桃自適應分割方法[J]. 王見,周勤,尹愛軍.  農業(yè)工程學報. 2018(14)
[9]基于邏輯回歸算法的復雜背景棉田冠層圖像自適應閾值分割[J]. 劉立波,程曉龍,戴建國,賴軍臣.  農業(yè)工程學報. 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,章愛群,李春生.  農業(yè)工程學報. 2016(19)



本文編號：3685100