共查询到17条相似文献，搜索用时 140 毫秒
1.
为实现对柑橘叶片病虫药害种类的快速精准识别,针对多种类柑橘病叶设计一种融合注意力机制(Attention mechanism)的双向门控循环单元-循环神经网络(Attention-bidirectional gate recurrent unit-recurrent nural network, Att-BiGRU-RNN)分类模型。该模型在编解码模块分别采用BiGRU和RNN结构,能够利用高光谱数据前后波段光谱信息的关联性,有效提取光谱信息的深层特征;根据不同波段光谱信息的差异性引入注意力机制动态分配权重信息,提高重要光谱特征对分类模型的贡献率,提升模型的分类准确率。获取6类柑橘叶片高光谱信息,构建实验样本集,利用Att-BiGRU-RNN、VGG16、SVM和XGBoost分别建立柑橘病叶分类模型,Att-BiGRU-RNN模型总体分类准确率(Overall accuracy, OA)平均可达98.21%,相较于其他3种模型分别提高4.71、10.95、3.89个百分点,对光谱曲线重合度高的除草剂危害和煤烟病叶片的分类准确率有显著提升。实验结果表明,深度学习方法可有效利用高光谱不同... 相似文献
2.
以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病害进行严重度估计。RSTCNN包含3个尺度网络,并由区域检测子网络进行连接。每个尺度网络以VGG19作为基础网络以提取病害的特征,同时为了统一区域检测过程中前后特征图的维度,在全连接层前引入空间金字塔池化(Spatial pyramid pooling,SPP);区域检测子网络则采用空间变换（Spatial transformer,ST）有效提取尺度网络特征图中病害的注意力区域。小麦叶片病害图像通过每个尺度网络中卷积池化层得到的特征图,一方面可作为预测病害严重度类别概率的依据,另一方面通过ST进行注意力区域检测并将检测到的区域作为下一个尺度网络的输入,通过交替促进的方式对注意力区域检测和局部细粒度特征表达进行联合优化和递归学习,最后对不同尺度网络的输出特征进行融合再并入到全连接层和Softmax层进行分类,从而实现小麦叶片病害严重度的估计。本文对采集的患有条锈病和白粉病的小麦叶片图像结合数据增强方法构建病害数据集,实验验证了改进后的RSTCNN在3层尺度融合的网络对病害严重度估计准确率较佳,达到了95.8%。相较于基础分类网络模型,RSTCNN准确率提升了7~9个百分点,相较于传统的基于颜色和纹理特征的机器学习算法,RSTCNN准确率提升了9～20个百分点。结果表明,本文方法显著提高了小麦叶片病害严重度估计的准确率。 相似文献
3.
为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。 相似文献
4.
荒漠草原植被稀疏、裸土细碎化分布对遥感数据空间分辨率和光谱分辨率的指标精度提出更高要求,目前应用于遥感场景的深度学习模型隐藏层较多、模型结构复杂,且采用经典深度学习模型未考虑遥感数据内在特点,导致模型训练普遍存在计算过度、耗时增加等问题。本文利用低空无人机（Unmanned aerial vehicle,UAV）遥感平台搭载高光谱成像光谱仪采集荒漠草原地物高光谱数据,发挥高空间分辨率与高光谱分辨率相结合的优势,并基于三维卷积神经网络（Three-dimensional convolutional network,3D-CNN）方法提出一种适合荒漠草原地物植被、裸土、标记物识别的精简学习分类模型,进行参数组合调优,在调整学习率、批量规模、卷积核尺寸及数量后,最高总体分类精度（Overall accuracy,OA）可达到99.746%。研究结果表明,精简学习分类模型的优化建立在超参数选择基础上,为获得精度高、耗时短、性能稳定的最优模型,需不断调整超参数并对比不同组合分类效果。基于无人机高光谱技术的精简学习分类模型在荒漠草原地物的分类识别应用中具有较大优势。 相似文献
5.
为探究卷积神经网络(Convolutional neural network,CNN)在果品品质检测中的预测能力,实现不同成熟度沙果的识别,本研究以未成熟、可采成熟、食用成熟、生理成熟4个不同成熟度沙果为研究对象,采用高光谱成像技术,分别利用光谱和图像信息采用CNN建立沙果成熟度判别模型。结果表明,基于光谱和图像信息分别建立的沙果成熟度CNN模型的识别准确率均达到98.75%,实现了不同成熟度沙果的识别,为水果品质的无损检测提供了方法和思路。 相似文献
6.
基于FTVGG16卷积神经网络的鱼类识别方法 总被引：3，自引：0，他引：3
针对大多数应用场景中,大多数鱼类呈不规则条状,鱼类目标小,受他物遮挡和光线干扰,且一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目和不确定性,最终导致识别准确率低、分类效果差等问题,本文在分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上,使用Image Net大规模数据集上预训练的VGG16权重作为新模型的初始化权重,通过增加批规范层(Batch normalization,BN)、池化层、Dropout层、全连接层(Fully connected,FC)、softmax层,采用带有约束的正则权重项作为模型的损失函数,并使用Adam优化算法对模型的参数进行更新,汲取深度学习中迁移学习理论,构建了FTVGG16卷积神经网络(Fine-tuning VGG16 convolutional neural network,FTVGG16)。测试结果表明:FTVGG16模型在很大程度上能够克服训练的过拟合,收敛速度明显加快,训练时间明显减少,针对鱼类目标很小、背景干扰很强的图像,FTVGG16模型平均准确率为97. 66%,对部分鱼的平均识别准确率达到了99. 43%。 相似文献
7.
基于纹理特征和SVM的QuickBird影像苹果园提取 总被引：3，自引：0，他引：3
为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。 相似文献
8.
基于随机森林的高寒湿地地区土地覆盖遥感分类方法 总被引：3，自引：0，他引：3
高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。 相似文献
9.
为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。 相似文献
10.
面向空间自相关信息的高光谱图像分类方法 总被引：1，自引：0，他引：1
空间滤波器在提取高光谱图像纹理信息过程中容易丢失空间自相关信息,导致植被分类精度不高。针对当前方法的不足,提出一种空间自相关信息的高光谱图像分类算法(Classification of hyperspectral image based on spatial autocorrelation information,CHISCI)。该方法先用域转换线性插值卷积滤波(Domain transform filter of interpolated convolution,DTFOIC)对高光谱全波段图像提取空间自相关信息,然后对高光谱数据进行主成分分析(Principal component analysis,PCA)降维后的前部分主成分提取空间自相关信息,两种空间自相关信息线性融合后交由支持向量机(Support vector machine,SVM)完成分类。试验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法和边缘保持滤波以及递归滤波的方法,所提出的CHISCI方法对高光谱图像的植被分类精度有较大提高,在训练样本仅为6%和1%的情况下,对印第安农林和萨里斯山谷数据集分类的总体分类精度分别达到96.16%和98.67%,比其他算法高出2~16个百分点,验证了该方法的有效性。 相似文献
11.
在有限标记样本下,为了有效协同空谱信息提高高光谱图像的分类性能,提出了一种基于自适应字典的小样本高光谱图像分类方法.首先,对高光谱图像进行熵率超像素分割,分析标记样本的超像素区域和光谱近邻,将鉴别力高的样本扩展至标记样本集;然后,在扩展的标记样本集上分析测试样本的空谱信息,对不同的测试样本精简标记样本集,形成自适应字典... 相似文献
12.
提出一种结合Beltrami流滤波和域转换递归滤波的高光谱图像分类算法(BFRF-SVM)。分别利用Beltrami流对主成分分析(PCA)降维后的高光谱图像滤波方法和域转换递归滤波方法对全光谱波段进行滤波,两种空间信息进行线性融合后交由支持向量机(SVM)完成分类。实验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法,以及边缘保持滤波和递归滤波以及形态学滤波特征方法,本文提出的BFRF-SVM方法对高光谱图像的分类精度有较大提高,验证了该方法的有效性。 相似文献
13.
14.
基于无人机高光谱成像遥感系统,在400～1 000 nm波段内采集低矮、混杂生长的荒漠草原退化指示物种的高光谱图像信息。分别在退化指示物种的开花期、结实期和黄枯期进行飞行实验,飞行高度30 m,高光谱图像地面分辨率2. 3 cm。采用特征波段提取与深度学习卷积神经网络相结合的方式,提出一种荒漠草原物种水平分类的方法,结合植物物候给出了中国内蒙古中部荒漠草原物种分类的推荐时相,总体分类精度和Kappa系数平均值分别达到94%和0. 91。研究结果表明,无人机高光谱成像遥感技术及深度卷积神经网络可以较好地实现荒漠草原退化指示物种的分类,与基于径向基核函数的支持向量机、基于主成分分析的深度卷积神经网络分类法相比,基于特征波段选择的深度卷积神经网络分类法效果最好,分类精度最高。无人机搭载高光谱成像仪低空遥感和卷积神经网络法提供了一种草原物种水平分类的途径。 相似文献
15.
16.
针对卷积神经网络模型巨大的参数量和计算量导致其实际应用时难度较大的问题，提出了一种基于注意力机制与动态稀疏约束的模型压缩方法。该算法首先借助SENet(Squeeze and excitation networks, SENet)模块(可称为SE模块)评估出网络中各个通道的重要性，并施加稀疏正则化；然后提出一种网络稀疏度的自适应惩罚权重设计方法，根据模型学习效果，动态调整权重，将其添加到最终的训练目标上，实现模型动态压缩。最后，通过实验验证所提出的模型压缩方法，在经典的多分类数据集CIFAR-10上进行实验，证明了本文所提出的基于注意力机制与动态稀疏约束的模型压缩方法可降低网络的冗余度，使网络模型参数量减少43.97%,计算量减少82.94%,而分类准确率只比原始VGG16模型下降0.04个百分点。随后又将提出的模型压缩方法应用到杂草检测任务中，在甜菜与杂草数据集上进行实验，实验结果表明，剪枝模型相较于未剪枝模型的模型参数量减少41.26%,计算量减少45.77%,而平均检测精度均值只减少0.91个百分点，证明了该方法在杂草检测方面效果较好。 相似文献
17.
针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext, M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation, CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达9918%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。 相似文献