摘要：稻米是我国人民食用的主要粮食作物,因此稻米的品种识别与质量检测有着重要的意义。在以前,通常使用的是人工的方式用眼睛观察来识别不同品种的稻米,这种方法效率低下,而且容易受主观的影响导致识别出错,从而影响准确率。本文基于MATLAB平台设计一套稻米品种识别系统,首先使用图像处理将实际拍摄稻米图片进行目标检测和提取,再采用迁移学习的方式训练GoogLeNet深度神经网络模型对稻米图片进行识别,该模型还能检测出每一粒稻米是否为整精米,且识别准确率可达到96.46%。在相同训练参数下对比VGG19训练结果,验证精度提高1.46%,调整数据量探究其对模型性能影响,模型准确率随着数据集增大而提高,精度维持在94.17%以上。

摘要：介绍了一种基于嵌入式图像采集与传输的方案,完成了基本的硬件设计和软件开发。硬件方面采用了USB摄像头与S3C2440处理器组成嵌入式图像采集装置,并通过以太网连接宿主机;软件方面分为系统软件的移植和应用软件的开发。系统软件包含ARM平台的BOOTLOADER和嵌入式WinCE系统的定制和移植,以及摄像球驱动的开发;应用软件包括图像采集模块设计和图像传输模块设计。经测试,该系统具有体积小,稳定性高和快速开发的优点。

摘要：针对传统图像处理在农作物病害上应用存在的手工设计特征复杂且低效等问题,研究深度学习算法在农作物病害识别上的表现。农作物病害图片数据集包含40772张图片,图片包含10种作物品种(苹果、番茄、樱桃、草莓等)的健康样本和26种病害样本,其中23种根据病害程度分为一般、严重两类,共计59种分类样本。采用当今深度卷积神经网络中比较流行的模型ResNet-50以及InceptionV3、MobileNetV2等为基础结构对数据集进行训练与识别。之后从模型结构与训练标签优化等方面对模型进行改进,根据实验数据,模型表现最好的Top-1准确率达到88.10%,Top-5准确率高达99.21%。

摘要：从T1加权MRI图像中提取脑组织是脑容量测定、脑组织分割、脑萎缩诊断等的重要预处理过程。本文将随机森林法引入基于活动邻域模型的脑组织提取方法中以实现参数的自动设置。该方法先对训练样本进行脑组织提取和特征提取,根据相应参数采用随机森林法对样本进行分类,对于测试样本进行类别判别,根据该类别实现自动设定参数。通过验证证实,本研究所设计的脑组织提取方法具有较好的鲁棒性,设计的参数自动设定方法是可行的,能减少用户交互。