天津大学电气自动化与信息工程学院天津大学机器人与自主系统研究所, 天津市过程检测与控制重点实验室, 天津 300072
针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。
图像处理 火焰检测 视频图像 混合高斯模型 多特征融合 支持向量机 激光与光电子学进展
2021, 58(4): 0410006
1 中国热带农业科学院海口实验站/海南省香蕉健康种苗繁育工程技术研究中心, 海口 571101
2 贵州省农业科学院亚热带作物研究所, 兴义 562400
我国是世界产蕉大国, 香蕉总产量已居世界第2位, 香蕉产业已成为我国南亚热带地区农民脱贫致富的重要支柱产业。但目前我国香蕉品种更新缓慢, 现有品种的高产性、抗寒性、抗病性均存在一定程度的缺陷, 而物理诱变技术在培育改良品种特性上具有独特的优势。本文综述了物理诱变技术及其在香蕉育种中的研究进展, 包括物理诱变定义、种类及应用等方面, 以期对香蕉诱变研究及新品种选育实践提供参考。
香蕉 物理诱变 育种 banana physical mutation breeding
