安徽农业科学
安徽農業科學
안휘농업과학
JOURNAL OF ANHUI AGRICULTURAL SCIENCES
2012年
6期
3781-3782,3785
,共3页
胡玉霞%张红涛%罗康%张恒源
鬍玉霞%張紅濤%囉康%張恆源
호옥하%장홍도%라강%장항원
储粮害虫%蚁群优化算法%支持向量机%特征提取%识别
儲糧害蟲%蟻群優化算法%支持嚮量機%特徵提取%識彆
저량해충%의군우화산법%지지향량궤%특정제취%식별
[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性.[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取.[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上.[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的.
[目的]研究基于ACO-SVM的糧蟲特徵提取,探討糧蟲特徵提取的可行性.[方法]通過分析儲糧害蟲圖像識彆繫統中的1箇關鍵環節——特徵提取,提齣把支持嚮量機(Support vector machine,簡稱SVM)算法中交扠驗證訓練模型的識彆率作為儲糧害蟲特徵提取評價準則的1箇重要因子,將蟻群優化算法(Ant Colony Optimization,簡稱ACO)應用于糧蟲特徵的自動提取.[結果]該算法從糧蟲的17維形態學特徵中自動提取齣麵積、週長等7箇特徵的最優特徵子空間,採用參數優化之後的SVM分類器對90箇糧蟲樣本進行分類,識彆率達到95%以上.[結論]該研究錶明蟻群優化算法在糧蟲特徵提取中的應用是可行的.
[목적]연구기우ACO-SVM적량충특정제취,탐토량충특정제취적가행성.[방법]통과분석저량해충도상식별계통중적1개관건배절——특정제취,제출파지지향량궤(Support vector machine,간칭SVM)산법중교차험증훈련모형적식별솔작위저량해충특정제취평개준칙적1개중요인자,장의군우화산법(Ant Colony Optimization,간칭ACO)응용우량충특정적자동제취.[결과]해산법종량충적17유형태학특정중자동제취출면적、주장등7개특정적최우특정자공간,채용삼수우화지후적SVM분류기대90개량충양본진행분류,식별솔체도95%이상.[결론]해연구표명의군우화산법재량충특정제취중적응용시가행적.