典型文献
基于卷积神经网络的牧草种子图像识别
文献摘要：
传统的灰度图像处理方式会降低数据集的复杂性,进而降低模型识别相似种子的准确率.因此,将卷积神经网络中传统的图像灰质化处理方法改进为归一化典型判别分析(nCDA)算法与卷积神经网络(CNN)相结合的方法(CNN-nCDA),该方法基于多光谱仪采集的种子图像信息,以深度学习框架TensorFlow为基础,利用卷积神经网络构建种子识别算法,可区分高相似度牧草种子.结果表明,仅依靠传统灰度图难以区分形态相似的种子(62.11％～72.5％),而采用CNN-nCDA策略对不同类别种子分类的准确率可达100.0％,优于单独使用nCDA(90.0％～100.0％)、线性判别分析(LDA)(97.3％～100.0％)、支持向量机(SVM)(92.4％～97.5％)的准确率.综上所述,多光谱成像技术中的nCDA算法与卷积神经网络相结合技术,具有较高的校准和验证能力,对现场快速筛选种子具有良好的应用前景.
文献关键词：
TensorFlow;卷积神经网络;多光谱;种子识别;图像识别;牧草种子
中图分类号：
作者姓名：
何欣;王雪萌;张涵;宋瑞;田沛鑫;刘萍;毛培胜;贾善刚
作者机构：
中国农业大学草业科学与技术学院,北京100091
文献出处：
引用格式：
[1]何欣;王雪萌;张涵;宋瑞;田沛鑫;刘萍;毛培胜;贾善刚-.基于卷积神经网络的牧草种子图像识别)[J].草业科学,2022(11):2338-2349
A类：
nCDA
B类：
牧草种子,子图像,图像识别,灰度图像,模型识别,灰质,方法改进,典型判别分析,光谱仪,图像信息,深度学习框架,TensorFlow,网络构建,种子识别,识别算法,分形,形态相似,别种,种子分类,线性判别分析,LDA,综上所述,多光谱成像技术,快速筛选,选种
AB值：
0.243851
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
