文献类型：期刊文章

作　　者：谢文涌[1,2] 柴琴琴[1,2] 甘勇辉[3] 陈舒迪[1,2] 张勋[4] 王武[1,2]

Xie Wenyong;Chai Qinqin;Gan Yonghui;Chen Shudi;Zhang Xun;Wang Wu(College of Electrical Engineering and Automation,Fuzhou University,Fuzhou 350108,China;Ministry of Education Key Laboratory of Medical Instrument and Pharmaceutical Technology,Fuzhou University,Fuzhou 350108,China;School of Food Engineering,Zhangzhou Institute of Technology,Zhangzhou 363000,China;College of Pharmacy,Fujian University of Traditional Chinese Medicine,Fuzhou 350122,China)

机构地区：[1]福州大学电气工程与自动化学院,福州350108 [2]福建省医疗器械和医药技术重点实验室,福州350108 [3]漳州职业技术学院食品工程学院,漳州363000 [4]福建中医药大学药学院,福州350122

出　　处：《农业工程学报》

基　　金：国家自然科学基金项目(61773124);福建省科技厅高校产学合作项目(No.2019Y4009);福建省食品药品监督管理局金线莲质量标准提升专项([3500]FJJF[DY]2018008)。

年　　份：2020

卷　　号：36

期　　号：14

起止页码：203-210

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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。

关 键 词：机器视觉 模型  金线莲 子区间分割  特征提取 Stacking集成学习  植物叶片

分 类 号：TP391]