[桂花树价格]基于神经网络和贝叶斯信息融合的小桂花成熟度检测方法

　　为了在智能植物生长柜中掌握带有良好香味的小桂花的成熟度，对柜内环境参数进行智能控制是可行的，建议利用小桂花的外部形态特征。花，特别是提取根的形态特征并将其与气生形态特征结合起来，以检测小桂花的成熟方法。Matlab图像处理工具箱对阈值图像进行分割并提取出所提取的桂花图像特征，并对桂花上下部的形态特征数据进行分析。学习样本为基础，建立相应神经网络和神经的成熟度检测模型。络检测值采用贝叶斯理论对信息进行整合，进一步提高了神经网络模型检测的准确性。物的根与地上部分之间有很大的相关性[1]。和叶的生长与植物的生长并行，可以用作成熟的标志。于智能植物生长办公室[2]，作物根系生长在营养液的透明容器中，并且在生根过程中可以完全暴露在空气中，从而为植物生长创造了必要条件。取根的形态特征。解蔬菜的成熟度对提高作物产量至关重要，桂花树价格尤其是在智能植物生长的环境中，成熟度不仅与蔬菜的营养品质有关，而且与蔬菜的营养品质也密切相关。约能源，减少消耗。熟度尤其重要。
　　于作物成熟度的检测，张昌立等。[3]提取番茄图像，提取H值作为番茄的表面颜色特征，并采用由遗传算法形成的多层神经网络来达到番茄的自动成熟度。

　　确率达到94％。

　　于颜色特征容易受照明等因素的影响，因此本文提出了一种利用小桂花的形态特征，特别是将茎部和叶片的特征结合起来的方法。
　　用神经网络模型分析地下部分的根部特征。两部分进行形态特征建模训练，然后根据贝叶斯理论，对神经网络上下部分进行信息融合，以进一步提高桂花成熟度的检测精度体积小。

　　文采用神经网络建模方法建立了小桂花形态与成熟度之间的关系模型。经网络的输入采用通过小桂花图像处理获得的特征数据，而输出则使用累积的温度比来选择标准成熟度。
　　后，对结果进行贝叶斯信息融合，以准确检测小桂花的成熟度。体流程图如图1所示。实验是在智能培养箱中进行的：以小桂花为研究对象，标准营养液为水培法，使用智能控制面板调整了环境参数，以确保小桂花生长所需的不同养分。供适当的成长环境。像采集在标准的背景板对比下，收集小桂花冠层的顶视图和植物的侧视图，以及地下部分的根部。整摄像机，使其光轴垂直于要测量的物体的平面，桂花树价格并确保底板的边缘与图像显示屏的边缘刚好对齐，以避免几何失真。本文中，BP神经网络用于构建小桂花成熟度的预测模型。BP神经网络是直接多层网络，它使用反向传播算法来驱动网络，该算法通常包括输入层，隐藏层和输出层[6]。入层：根据研究需要确定BP神经网络的输入节点数。

　　经网络模型的输入层分别包含两个神经元，神经网络1表示植物的高度和叶片日冕的投影表面，而神经网络2表示根的长度。侧面区域。出层：两个神经网络的输出对应于成熟度，该成熟度对应于植物完全成熟时积累的温度值与当前植物达到的积累温度值之间的比率。
　　了促进成熟度的准确成熟，本文档将成熟度分为8个级别，目标输出模式为（000），（001），（010），（011），（100），（101） ），（110），（111），分别对应1到8级。式层：单个蒙版层的BP神经网络可以接近任意连续的非线性函数。递函数：隐藏层神经元的传递函数被选择为S型tansig的切线函数。以在类型S的对数对数函数中选择输出神经元的传递函数。练函数：选择具有更好训练效果的L-M优化算法。
　　并结果表明合并过程使结果更接近于实际值并提高了准确性。过采集图像并处理不同成熟时期的桂花不同茎，叶和根，提取形态特征数据并进行神经网络建模以预测其演化。熟度很高，并且可以预测茎和叶的成熟度。

　　
　　确率为89.5％，根成熟度的预测准确度为94.0％。用贝叶斯估计方法对两个神经网络进行信息融合可以有效地减少模型稳定性对结果的影响。方法将贝叶斯理论与神经网络相结合，并根据形态分析数据预测小桂花的成熟度，是一种实用，准确，实用的方法。还改善了智能生长柜环境参数的智能控制以及资源的使用。速率非常重要。
　　本文转载自
　　桂花树价格 http://m.guihua99.net/m/