摘要
基于计算机视觉的紫色土图像分类，可以帮助在田间地头劳作的农业生产人员科学地辨识土壤种类，对农业生产有积极的指导作用。论文以提高紫色土图像分类准确率为目的，对多特征融合的紫色土图像分类展开研究。论文的主要工作包含如下3个方面。 （1）提取基于人工设计的颜色特征、纹理特征进行紫色土图像分类。为了减少光照、遮挡对图像颜色特征的影响，分析在RGB颜色空间和HSV颜色空间下有遮挡的紫色土图像的颜色信息，发现HSV颜色空间下的H分量颜色信息受光照、遮挡影响小，提取H分量直方图特征、H分量颜色矩，同时提取紫色土图像的GLCM特征、LBP特征、RGB直方图特征，分别利用SVM分类器进行紫色土图像分类，仿真实验结果表明利用H分量直方图特征进行分类的准确率最高，比其他4组特征更具区分性。 （2）优化ResNet50模型进行紫色土图像分类。对比分析AlexNet、VGG16、Inception-v3和ResNet50模型进行紫色土图像分类的性能，仿真结果表明ResNet50的准确率最高、训练时间较少，证明了ResNet50进行紫色土图像分类的优势。针对紫色土图像数据集小而用ResNet50进行分类准确率不高的问题，引入迁移学习方法，同时在ResNet50的全局平均池化层后加入一层128维的全连接层，并引入Dropout技术，设计ReLU-Mish函数替换ReLU激活函数，仿真实验表明优化后的ResNet50的分类准确率有所提高，学到的特征区分性更强。 （3）融合多特征进行紫色土图像分类，并加以应用。为了更充分地描述紫色土图像特征，将H分量直方图特征和优化ResNet50提取的深层特征进行组合，组合特征为156维。针对组合特征间可能存在冗余特征，且在小样本紫色土图像分类任务中，特征维数过大易过拟合的问题，利用ReliefF算法计算组合特征中各个特征的权重，权重大的特征对分类性能有积极作用，根据特征权重累积贡献率择优选出融合特征进行紫色土图像分类，仿真实验表明基于融合特征进行紫色土图像分类的准确率比H分量直方图特征、优化ResNet50提取的深层特征、组合特征的分类准确率都高，证明了多特征融合进行紫色土图像分类的有效性，并将多特征融合的紫色土图像分类模型加以应用，设计并实现了紫色土图像分类系统。
NETL