共查询到20条相似文献，搜索用时 288 毫秒
1.
为探究卷积神经网络(CNN)算法和多源遥感优选特征数据融合对丘陵地区水稻种植区的识别效果和适用性,以江西省上高县为研究区,利用Sentinel-2与GF-1遥感影像数据,对研究区晚稻种植区域进行识别。选取影像波段特征、植被指数、纹理特征及地形特征等分类特征,用分离阈值法(SEaTH)筛选出对各类别分离度较大的特征变量。基于Sentinel-2优选特征数据、GF-1优选特征数据、Sentinel-2与GF-1优选特征融合数据,使用CNN分类算法进行晚稻识别,同时用支持向量机(SVM)、最大似然法(MLC)分类算法进行对比。结果表明,Sentinel-2与GF-1优选特征融合数据在CNN分类算法下对水稻的识别效果最好,总体精度、Kappa系数分别为96.19%、0.93,结合野外调查数据进行验证,实际验证精度达94.69%。由研究结果可知,Sentinel-2与GF-1优选特征融合数据在CNN分类算法下对丘陵地区水稻识别具有较好的效果和适用性,是丘陵地区水稻遥感识别的有效手段。 相似文献
2.
针对目前油菜虫害识别在背景、角度、姿态、光照等方面的鲁棒性问题,提出一种基于深度卷积神经网络的油菜虫害检测方法:首先在卷积神经网络和区域候选网络的基础上,构建油菜虫害检测模型,再在深度学习tensorflow框架上实现模型的检测,最后对比分析结果。油菜虫害检测模型利用VGG16网络提取油菜虫害图像的特征,区域候选网络生成油菜害虫的初步位置候选框,Fast R–CNN实现候选框的分类和定位。结果表明,该方法可实现对蚜虫、菜青虫(幼虫)、菜蝽、跳甲、猿叶甲5种油菜害虫的快速准确检测,平均准确率达94.12%,与RCNN、Fast R–CNN、多特征融合方法、颜色特征提取方法相比,准确率分别提高了28%、23%、12%、2%。 相似文献
3.
【目的】基于深度学习的分类方法是使用高分辨率遥感影像快速提取作物种植空间信息的新方法。【方法】以云南省陇川县甘蔗种植园为研究区,收集空间分辨率为0.5 m的Google Earth开放影像进行数据预处理,建立样本数据集,构建U-Net神经网络模型,训练模型参数;使用U-Net模型提取甘蔗种植空间信息,通过地面样方数据验证甘蔗提取精度。【结果】(1)基于深度学习方法的甘蔗分类总体精度和Kappa系数分别为92.76%和0.848 0,面积总精度为94.41%;平坝区、丘陵区分类精度存在差异,总精度和Kappa系数分别为97.10%、0.922 1和88.42%、0.767 3;(2)受部分地物RGB影像特征与甘蔗相似的影响,分类结果存在错分现象。【结论】基于U-Net神经网络模型的方法可用于高分辨率影像的甘蔗提取,更准确的分类精度还有待进一步研究和验证。 相似文献
4.
实时监测蜜蜂觅食行为不仅有助于评估当地农作物授粉状况,也有助于及时采取措施提升蜜蜂产品的产量和品质。将计算机视觉技术引入蜜蜂觅食行为(是否携带花粉)的监测,设计5种浅层卷积神经网络(CNN)进行对比分析,并与深层网络GoogLeNet V1的迁移学习进行对比,寻找适合监测蜜蜂觅食行为的最优模型。发现GoogLeNet V1的识别准确率最高,达0.953 6,但训练耗时最长(7 326 s);浅层卷积神经网络中准确率最高的模型为11层神经网络模型(含4层卷积层),测试准确率为0.903 6,耗时相对较短(1 054 s)。最后,对比传统机器学习算法,发现深度学习优势明显。研究表明,GoogLeNet V1深层网络适用于精度要求高、设备条件好的蜜蜂监测环境;而11层卷积神经网络更符合智能养蜂的实际需求。 相似文献
5.
针对现有基于深度卷积神经网络进行水稻（Oryza sativa L.）遥感识别中样本采集工作量大、样本标注要求高及水稻感受野尺度选择难等问题,构建了一种基于像元和多尺度的深度卷积神经网络（DCNN）水稻遥感识别模型。首先,针对水稻种植分布特点,综合深度卷积神经网络方法的特点,设计了基于像元的DCNN提取模型;其次,将多尺度与DCNN相结合,构建多尺度DCNN模型,增加感受野的多尺度特性;最后,为了验证多尺度DCNN模型提取水稻的效果,以高分一号和高分二号卫星影像为数据源,选取传统机器学习SVM模型、语义分割D-Linknet模型、单一尺度DCNN模型进行分类精度对比分析。结果表明,本研究提出的多尺度DCNN模型的准确率、精确率、召回率、平衡F分数分别为97.75%、96.68%、99.08%、97.85%;与其他模型相比,多尺度DCNN模型结构简单、样本制作简便、识别精度高,具有较好的应用价值。 相似文献
6.
7.
为对农用地(耕地)遥感影像中道路和农田信息进行精确高效的提取，采用卷积神经网络(CNN)的方法，以河北省献县某乡冬小麦种植田为研究区，建立“道路-背景”和“农田-背景”2个高精度遥感影像数据集，构建基于MobileNet v1的U-Net、SegNet、PSPNet、DeepLab v3+和基于MobileNet v2的DeepLab v3+共5种CNN语义分割模型，进行道路和农田提取试验；在模型训练前后加入迁移学习、图像拼接和模型融合3种策略。结果表明:1)在2个数据集上，基于MobileNet v1的U-Net和基于MobileNet v1的SegNet 2种模型的识别率和稳定性最佳；2)在提取道路和农田时，融合后模型的平均交并比值分别为0.853 3和0.956 8；3)对预测图进行后处理，可以为路径规划和作物秸秆产量计算等研究提供道路拓扑图和农田预测图。 相似文献
8.
深度学习在大田种植中的应用及展望 总被引：2，自引：0，他引：2
深度学习是目前机器学习领域最前沿和最具前景的技术,本研究采用归纳总结法,介绍了深度学习的特征及与传统机器学习的区别,归纳和梳理了深度学习在大田种植中的应用现状。结果表明:1)深度学习在大田种植中的应用初现端倪,主要集中在作物的识别与分类、农业遥感影像应用、土壤环境监测、农业场景识别等;2)采用的主要模型有卷积神经网络(CNN)、自编码(AE)、深度置信网络(DBN)、堆栈自编码(SAE)、全卷积神经网络(FCN)、深度神经网络(DCNN)等,其对各领域的分类与识别精度均有提高;3)目前存在的主要问题是标注数据缺乏,尤其在遥感图像分类领域,普遍采用了迁移学习、数据增强、微调等技术来解决标注数据缺乏的问题。随着大田种植领域数据的增长以及信息技术的快速发展,基于深度学习和多源异构数据的作物识别与分类、作物长势监测、病虫害预测预警、农作物产量预测、果树花朵及果体识别、水果质量及产量的优化控制等将会获得较快发展。 相似文献
9.
为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM（支持向量机）和CNN（卷积神经网络）组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明,在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%,算法实时性强,具有实际推广应用前景。 相似文献
10.
基于深度学习的苹果树侧视图果实识别 总被引：3，自引：2，他引：1
【目的】传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义。【方法】文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务。【结果】在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91%,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4%;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6%。【结论】基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴。 相似文献
11.
12.
利用遥感影像提取裸地是监测裸地空间分布的一个重要手段。针对目前普遍存在的边界不清晰、空间信息丢失、小面积裸地漏提和与高反射率建筑不易区分等问题,设计了一种改进DenseNet的遥感裸地提取深度学习模型,主要采取密集连接块、坐标卷积和密集空洞空间金字塔3种方法,增强DenseNet模型在获取坐标信息、丰富裸地空间特征信息、对全局上下文信息感知等方面的能力,减少模型对于空间细节特征丢失环节,提高裸地遥感提取的精度。实验表明,该方法提取裸地的总精度为97.66％、交并比为68.69％、综合评价指标F1为81.44％、召回率为76.62%以及虚警率为25.68%,明显优于其他机器学习方法和深度学习方法。此外,该模型对于多源遥感影像上的裸地提取也具有良好的普适性,在高分一号、高分六号和哨兵二号等遥感数据集上测试的总精度分别为95.80％、93.00％和92.55％;交并比分别为75.18％、75.13％和50.47％;综合评价指标分别为85.83％、85.80％和67.08％。因此,改进的DenseNet模型方法较其他方法更适用于裸地的提取。 相似文献
13.
一年一季农作物遥感分类的时效性分析 总被引：4，自引：1，他引：3
【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。 相似文献
14.
遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。 相似文献
15.
高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础，而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割，以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点，提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象，在南山实习林场采集积雪背景下无人机遥感影像作为试验数据，构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先，从无人机遥感影像中选取1 000张训练样本，128张测试样本，并对样本进行标注，通过数据增强将1 000张训练样本扩增为16 000张，按照4∶1分为训练集和验证集，对U-Net模型进行训练，在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后，利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后，在深度神经网络U-Net单木树冠提取的基础上，采用MCW算法对提取结果进行优化，并对单木树冠提取效果进行精度评估。结果表明，U-Net+MCW算法对于单木尺度的F测度为74.04%，比单一使用U-Net模型提高了28.52%，以该方法提取遥感影像中的天山云杉树冠信息为基础，计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此，U-Net+MCW算法能够有效解决自然光照条件下，由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素，导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题，是一种低成本、高效率的单木树冠提取方法，能够满足中小尺度山地森林资源调查和监测要求。 相似文献
16.
利用高光谱遥感技术代替传统方法检测重金属污染,具有效率高、费用低、检测范围广等优点.但是高光谱影像的空间分辨率较低,为了提高精度需要提取影像的端元.鉴于纯净像元指数（Pixel Purity Index,PPI）法耗时长的缺点,提出一种基于高斯分布的波谱曲线概率法用于高光谱影像端元提取,并结合重金属胁迫下植被波谱响应变化建立了高光谱遥感影像的植被重金属污染检测模型.经过试验研究及分析,发现波谱曲线概率法端元提取的效果和精度与PPI相近,但是时间消耗明显减少.因此,建立的植被重金属污染检测模型可以用于高光谱遥感图像,具有一定的价值. 相似文献
17.
18.
利用41景卫星影像探寻葡萄树遥感辨识的最佳时相与方法。首先对各景影像分别进行了预处理,随后利用6类探试性方法(即地物光谱比较、波段差分或比值分析、光谱指数求算与分析、光谱指数变化追踪、影像复合与辨识方法协同分析)对探试组影像进行了辨识分析,并从中选出3种较佳的辨识方法,最后利用优选的3种方法对验证组影像进行了辨识验证。结果表明:1)在4月中旬至5月初的影像中,仅采用NDVI阈值便可将葡萄树与别种成年果树、小麦予以区分,但低龄的别种果树、有草撂荒地等与葡萄树易混;2)在5月底至6月中旬的影像中,采用(ρBLUE+ρGREEN+ρRED)与NDVI的双重阈值可将葡萄树与其他地物较好的区分开来;3)在上述2时段影像复合、所用辨识方法协同的情况下,可显著提高葡萄树的辨识精度(葡萄树类的正确识别率可达90.42%,总体分类精度可达96.53%);4)葡萄树遥感辨识的较佳时相为4月中旬至5月初,最佳时相为5月底至6月中旬。 相似文献
19.
基于改进VGG卷积神经网络的棉花病害识别模型 总被引：5，自引：2，他引：3
为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。 相似文献
20.
本文叙述应用Bayes判别进行遥感数据的森林模式识别原理和方法,并进行了小型试验,同时对三种不同处理数据方法的结果进行了比较。试验表明,应用电子计算机对遥感数据进行森林模式识别分类是可行的,方法灵活多样,而且精度可以保证。 相似文献