西北农林科技大学学报（自然科学版）
西北農林科技大學學報（自然科學版）
서북농림과기대학학보（자연과학판）
JOURNAL OF NORTHWEST SCI-TECH UNIVERSITY OF AGRICULTURE AND FORESTRY(NATURAL SCIENCE EDITION)
2008年
9期
212-218
,共7页
植物叶片%机器识别%概率神经网络%分形维数%特征提取
植物葉片%機器識彆%概率神經網絡%分形維數%特徵提取
식물협편%궤기식별%개솔신경망락%분형유수%특정제취
[目的]提出一种将植物叶片的形状特征与其纹理特征相结合的综合特征识别方法,有效解决了传统的值物机器识别分类特征单一且识别率较低的问题,为植物的快速机器识别提供技术参考.[方法]提取植物叶片样本的综合特征信息,以概率神经网络(PNN)为分类器对所得的特征信息进行训练,训练好的网络用来识别植物叶片的类别,从而确定相应植物的种类.[结果]有效提取了含有8个分量的植物叶片综合特征向量,通过对PNN分类器的训缘,实现了30种植物叶片的快速机器识别,平均识别率达98.3%.比较测试表明,若去掉叶片纹理特征,单以其形状特征作为识别依据,平均识别率仅为93.7%.[结论]植物叶片综合特征识别方法有效弥补了传统单特征识别方法的不足,使识别效率得到了较大的提高.
[目的]提齣一種將植物葉片的形狀特徵與其紋理特徵相結閤的綜閤特徵識彆方法,有效解決瞭傳統的值物機器識彆分類特徵單一且識彆率較低的問題,為植物的快速機器識彆提供技術參攷.[方法]提取植物葉片樣本的綜閤特徵信息,以概率神經網絡(PNN)為分類器對所得的特徵信息進行訓練,訓練好的網絡用來識彆植物葉片的類彆,從而確定相應植物的種類.[結果]有效提取瞭含有8箇分量的植物葉片綜閤特徵嚮量,通過對PNN分類器的訓緣,實現瞭30種植物葉片的快速機器識彆,平均識彆率達98.3%.比較測試錶明,若去掉葉片紋理特徵,單以其形狀特徵作為識彆依據,平均識彆率僅為93.7%.[結論]植物葉片綜閤特徵識彆方法有效瀰補瞭傳統單特徵識彆方法的不足,使識彆效率得到瞭較大的提高.
[목적]제출일충장식물협편적형상특정여기문리특정상결합적종합특정식별방법,유효해결료전통적치물궤기식별분류특정단일차식별솔교저적문제,위식물적쾌속궤기식별제공기술삼고.[방법]제취식물협편양본적종합특정신식,이개솔신경망락(PNN)위분류기대소득적특정신식진행훈련,훈련호적망락용래식별식물협편적유별,종이학정상응식물적충류.[결과]유효제취료함유8개분량적식물협편종합특정향량,통과대PNN분류기적훈연,실현료30충식물협편적쾌속궤기식별,평균식별솔체98.3%.비교측시표명,약거도협편문리특정,단이기형상특정작위식별의거,평균식별솔부위93.7%.[결론]식물협편종합특정식별방법유효미보료전통단특정식별방법적불족,사식별효솔득도료교대적제고.
