基于多特征提取和Stacking集成学习的金线莲品系分类

发布时间：2022-10-04 13:17

　　针对传统中药鉴定、分子鉴定、生物技术鉴定及光谱检测技术的主观性强、耗时、操作复杂等不足,以及金线莲整个叶片形态区分度小、单一分类器鉴别精度不高的问题,该研究提出了基于机器视觉的叶片子区间多特征提取方法和基于多模型融合的Stacking集成学习算法实现金线莲的品系分类。试验采集6个品系的金线莲叶片图像数据,进行图像预处理后提取叶片子区间内纹理、颜色共114个特征,基于这些特征,构建堆叠式两阶段集成学习框架,以逻辑回归、K最近邻、随机森林和梯度提升决策树（Gradient Boosting Decision Tree,GBDT）作为基分类器,GBDT作为元分类器进行学习。试验结果表明,Stacking集成学习模型的整体识别综合评价指标F值达93.91%,分类正确率达94.49%,分别比逻辑回归、K最近邻、随机森林和GBDT这4个单一分类模型高出4.40、11.87、11.01、12.94个百分点和5.36、11.34、6.93、12.13个百分点。因此,该研究能够有效识别金线莲品系,为形状大小相似、形状特征难以利用的植物叶片识别提供参考。 

【文章页数】：8 页

【参考文献】：
期刊论文
[1]不同来源金线莲的HPLC指纹图谱[J]. 陈莹,任丽,严桂杰,黄锦芳,张雪,吴水生.  沈阳药科大学学报. 2019(09)
[2]基于Stacking集成学习的水稻表型组学实体分类研究[J]. 袁培森,杨承林,宋玉红,翟肇裕,徐焕良.  农业机械学报. 2019(11)
[3]采用梯度提升决策树的车辆换道融合决策模型[J]. 徐兵,刘潇,汪子扬,刘飞虎,梁军.  浙江大学学报(工学版). 2019(06)
[4]基于线性判别分析和梯度提升决策树的WLAN室内定位算法[J]. 张会清,牛铮.  仪器仪表学报. 2018(12)
[5]基于机器视觉形状特征参数的祁门红茶等级识别[J]. 宋彦,谢汉垒,宁井铭,张正竹.  农业工程学报. 2018(23)
[6]基于改进SVM算法的植物叶片分类研究[J]. 马娜,李艳文,徐苗.  山西农业大学学报(自然科学版). 2018(11)
[7]基于多特征融合和深度置信网络的稻田苗期杂草识别[J]. 邓向武,齐龙,马旭,蒋郁,陈学深,刘海云,陈伟烽.  农业工程学报. 2018(14)
[8]改进Otsu算法与ELM融合的自然场景棉桃自适应分割方法[J]. 王见,周勤,尹爱军.  农业工程学报. 2018(14)
[9]基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割[J]. 刘立波,程晓龙,戴建国,赖军臣.  农业工程学报. 2017(12)
[10]基于HSV空间颜色直方图的油菜叶片缺素诊断[J]. 张凯兵,章爱群,李春生.  农业工程学报. 2016(19)



本文编号：3685100