共查询到20条相似文献，搜索用时 593 毫秒
1.
【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2～4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLO... 相似文献
2.
《木材工业》2021,(6)
针对传统木材缺陷识别方法效率低、精度不高及泛化能力差等问题,对传统LeNet-5模型进行改进:通过分别增加卷积层和池化层的层数至4层,以增加网络深度;采用批量归一化算法,以解决内部协变量位移过拟合的问题;改用Leaky Relu函数作为激活函数,并加入稀疏分类交叉熵作为损失函数,使用Adam作为优化器,来优化网络模型。应用改进LeNet-5模型对辐射松木材常见缺陷(结疤、裂痕)及无缺陷样本集进行识别试验,结果表明:相对于传统LeNet-5模型以及VGG19、AlexNet、ResNet-50三种经典模型,改进LeNet-5模型的训练集准确率最高为99.87%、验证集为99.43%,运算时间缩短,木材缺陷识别精度和效率提高。 相似文献
3.
针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷（活节、死节、有裂缝节子和裂缝）检测模型。首先,在Backbone网络引入坐标注意力机制（coordinate attention,CA）增强每个通道之间的信息交互,然后采用混合空间金字塔池化（hybrid spatial pyramid pooling-fast,HSPPF）结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合（curve efficient intersection over union,CEIoU）作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值（mean average precision,mAP）为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。 相似文献
4.
基于优化卷积神经网络的木材缺陷检测 总被引：1，自引：0，他引：1
针对深度学习中的卷积神经网络算法,在木材无损检测过程中存在缺陷定位不准确、缺陷轮廓和边界信息不完整、识别精度需进一步提高等问题,利用非下采样剪切波变换最优稀疏表示特性,以及简单线性迭代聚类算法能很好地保持像素紧凑度和图像边界轮廓的优点,设计了一种优化的卷积神经网络算法,以提高木材无损检测的准确率。首先采用非下采样剪切波变换对采集的木材图像进行简单预处理,保留木材图像的缺陷特征不丢失,降低图像处理的复杂度以及运算量;然后利用卷积神经网络对木材图像实现深层次的算法设计,同时应用简单线性迭代聚类算法对初步模型进行增强改进,提取出相对准确的木材缺陷轮廓;最后通过反复调整参数和调试优化器,优化卷积神经网络算法的收敛速度,提高学习和运算效率,完善卷积神经网络对木材缺陷轮廓的提取,在降低运算复杂度的同时,提高其精度,具有良好的鲁棒性。相比径向基函数(RBF)神经网络、向后反馈-径向基函数(BP-RBF)混合神经网络和卷积神经网络,本算法对木材缺陷具有更好的识别效果,其识别准确率达到98.6%左右,且识别时间相对更短。 相似文献
5.
为了第一时间发现森林火灾，避免因森林火灾造成严重后果，提出以森林火灾烟雾为主要目标的检测模型YOLO-SCW,在YOLOv7的基础上，引入SPD-Conv层，以减小特征提取过程中小目标特征缺失的问题。之后在检测头金字塔池化部分增加坐标准意力机制模块，通过将位置信息编码到通道中，增加了模型对目标的关注度，并且减少了背景对检测效果的干扰。最后，通过WIoU矩形框损失函数，提高了预测框的回归速度与精度。在测试过程中，改进后的YOLO-SCW较YOLOv7模型mAP提高了9.1%,并减少了误检与漏检现象，证明YOLO-SCW有着更好的特征提取能力与泛化能力，对森林火灾烟雾监测任务表现出色。 相似文献
6.
林火破坏程度大、蔓延速度快的特点给森林生态环境和人类带来极大的危害。深度学习技术可以学习和自适应提取林火特征,捕获的林火图像中火焰的像素尺寸不同,林火提取的特征也不同。为了能够识别复杂背景下不同像素尺度的火灾,笔者提出了一种改进的YOLOv5林火识别方法,通过在YOLOv5的检测网络加入解耦头,解决林火图像输出变量时分类和回归的冲突问题,加快网络收敛速度提高识别精度;在网络中引进CBAM注意力机制,更关注林火信息同时提升识别精度;在Neck网络引入加权双向特征金字塔网络(BiFPN),替换原有的路径聚合网络(PANet),对不同维度的林火特征进行融合,进行特征筛选,增强特征表示能力。实验结果表明,该林火识别算法在自制的林火数据集上进行训练和验证模型,检测性能上均优于YOLOv5算法,在准确率、召回率、平均精度分别提升了5.2%,3.0%,3.4%,mAP@.5:.95提升了4.6%,并且在不同尺寸林火目标的识别精度上均有提升。研究结果对林火识别性能提升有着积极意义。 相似文献
7.
基于改进卷积自编码机的油茶果图像识别研究 总被引：1，自引：0，他引：1
为进一步提高油茶果识别的速度与精度,提出一种基于改进卷积自编码机神经网络的油茶果图像识别方法。该方法以非对称分解卷积核提高训练速度,以输出端重构输入端的直连训练方式减少信息损失;利用改进的自编码机训练不同颜色通道的图像,随后在共享层中利用金字塔池化算法融合高阶特征,利用softmax算法构建分类器。结合selective-search算法生成候选区域,并对其进行筛选,利用训练好的网络设计油茶果果实图像检测器验证算法的实用性。改进算法100次迭代所需时间为166 s,平均识别准确率为90.4%;改进模型收敛性能较好,学习能力强,经过10次迭代之后即可达到85%的识别准确率,在样本数目为200的小数据集上可达到82%的识别准确率;同时,检测器的搭建验证了算法的有效性,在2 s内即可实现对单张实际图像上目标区域的检测,总体识别精度为87%,使得算法具有一定的实时检测能力。试验结果证明,改进后的算法具有较高的识别准确率与学习能力,以及一定的实用性,可为油茶果图像识别提供参考。 相似文献
8.
《林业工程学报》2021,(4)
为做好森林管护工作,减少人力和物力的消耗,利用快速发展的行人检测算法可对林区行人进行检测和甄别,但林区行人检测与传统行人检测有很多不同,如林区行人被树木遮挡、着装与背景色调相似等特征,导致漏检现象严重。为此,针对林区行人的特点,笔者提出了一种实时检测林区行人的算法CornerNet-P,将林区行人的位置预测简化成为2个关键点的预测。以CornerNet-Lite为基础,改进算法的损失函数,预测2组热力图来检测林区行人的角点位置,预测嵌入层损失以匹配同一行人的角点,预测偏置层损失来减少尺度变化过程中的精度损失,并获得最终的边界框;然后提取COCO2014数据集中的行人数据并随机分为训练集和测试集两部分,使用训练集分别训练该算法与YOLOv4算法中的参数,使用测试集和真实的林区行人图像对算法的检测精度和检测速度进行检验。试验结果表明,CornerNet-P算法相比YOLOv4算法平均检测精度提高了1.7%,检测速度提高了5.1%,并可以较好地检测真实林区行人图像。CornerNet-P算法可以实现林区的行人检测,具有较快的检测速度和较满意的精度。 相似文献
9.
松材线虫病是我国近几十年来最严重的一种森林病害,加强疫情的监测迫在眉睫。本研究在自建数据集的基础上采用3种不同的注意力模块(CBAM、SE和CA)改进YOLOv5算法并结合数字正射影像图自动识别松材线虫病受害木,分别对比了改进模型CBAM-YOLOv5、SE-YOLOv5、CA-YOLOv5与YOLOv5模型的识别效果,实现了对变色松树和枯死疫木检测效果的提升。结果表明：3种注意力改进策略的变色松树查全率、平均精度和F1分数显著提高,查准率不逊色于YOLOv5模型;综合考量查全率和F1分数指标,SE-YOLOv5模型的变色松树和枯死疫木检测效果最好,其F1分数分别达到89.7%和76.9%,比原模型分别提高了5.5%和5.4%,其检测精度分别为91.7%和80.3%,较YOLOv5模型分别提升了4.7%和5.1%;在理想置信度阈值情况下3种注意力改进策略的变色松树和枯死疫木查全率均值分别为85.4%和76.6%,基本满足实际检测需求。对各注意力改进模型检测层的特征图和热力图进行剖析可以看出,嵌入注意力机制有利于提取高贡献度的特征成分,可以提升变色松树特征提取的准确性。因此,改进的YOL... 相似文献
10.
【目的】针对林业有害生物种类多，不少物种之间相似度高，视觉差异小，不易区分，导致林业防控人员无法快速准确识别有害生物种类的问题，本文提出基于深度双线性转换注意力机制网络（DBTANet）的林业有害生物细粒度图像识别方法。【方法】以自然状态下拍摄的60种林业害虫和14种林业有害植物图像作为研究对象，利用水平镜像、亮度调节、高斯模糊和高斯噪声等方法对图像数据集进行增强，按6∶2∶2比例划分为训练集、验证集和测试集；采用双线性插值法将每幅图像缩放至统一尺寸；改进ResNet网络中残差模块，加入深度双线性转换模块和注意力机制模块，建立DBTANet-101网络进行特征提取与分类；利用平均准确率、平均召回率和平均F1值3个指标评价不同模型对林业有害生物的识别结果。【结果】VGGNet-19、ResNet-50、ResNet-101、改进残差模块的ResNet-50和ResNet-101共5个模型对74种林业有害生物平均准确率分别为78.6%、74.9%、76.3%、79.7%和81.1%；在改进残差模块的ResNet-101基础上，增加深度双线性转换模块和注意力机制模块后，74种林业有害生物的平... 相似文献
11.
基于卷积神经网络和树叶纹理的树种识别研究 总被引：1，自引：0，他引：1
利用计算机图像工程技术和卷积神经网络将大量树叶图像叶脉信息提取并分类,主要研究单一背景下阔叶树叶脉纹理特征。本实验采用卷积神经网络在图像信息识别准确率高,无需人工定义树叶纹理特征减少繁琐的人工成本。将网络在Caffe平台上面进行定义,使用符合标准正态分布的一组随机参数初始化网络。对卷积神经网络使用BP神经网络反向传播算法和随机梯度下降算法训练。经过对于网络的训练最终识别率达到95%以上,超过了人眼的识别率,为树种识别研究提供有效的分类方法。卷积神经网络在树叶纹理中省去了人工定义树叶特征的工作。最终多次实验得到可观的识别效果,卷积神经网络适用于树叶图像的识别,其识别率基本达到可以应用的要求。 相似文献
12.
基于卷积注意力模块的端到端遥感图像分类 总被引：1，自引：0，他引：1
随着图像信息处理技术的发展,大量由各式飞行器对地观测所采集的遥感图像数据被应用于各领域实际生产生活中。传统遥感图像分类方法包含一系列复杂的处理流程,在处理效率和效果上已经难以满足当下的需求。随着人工智能相关技术的发展,基于卷积神经网络的遥感图像分类方法开始占据主导地位。为减少算法流程中的复杂处理与提高分类的精度,笔者提出一种基于卷积注意力模块的端到端遥感图像分类框架,该框架采用卷积神经网络框架ResNet101作为整个框架的主干网络。在ResNet101网络4个阶段的卷积模块之间嵌入卷积注意力模块,使得模型关注于最具有类别区分度的区域,从而得到更好的分类结果。在模型训练阶段,采用开源的深度学习开源框架Pytorch对训练数据进行在线增广处理,对训练数据进行随机角度旋转,防止训练过程中发生过拟合现象。本研究基于PatternNet与NWPU-RESISC45两个公开数据集,并仅划分少量数据用于模型训练。结果表明:相比已有的方法,本研究提出的框架能够在GPU加速的环境中,以更高的精度分类遥感图像,满足了实时处理的需求,且支持端到端对遥感图像进行分类,不需要复杂的处理流程。 相似文献
13.
森林火灾检测是保护森林生态系统的关键所在,可以为森林早期火灾判断与预防提供重要依据。如果能够尽可能地对森林火灾识别和检测,可以在很大程度上减少灾害发生频率及其造成的损失。基于无人机遥感图像的发展,林火的快速检测得到进一步提升,可以准确识别火灾,解决林火出现的复杂性问题。本研究针对航拍森林火灾识别遇到的背景环境复杂、林火检测识别精度偏低、局部检测效果不佳等问题,提出了一种加强视觉注意力的林火识别方法,此方法是基于YOLOv5模型改进的。该算法使用NAM attention对像素进行归一化,降低不太显著的特征权重,使目标不重要的信息得到抑制。另外本研究采用了ObjectBox,这是一种新颖的单阶Anchor-free,不仅可以平等地对待不同级别尺寸的目标,还能提升模型识别正确样本的能力,具有高度的泛化性能。采用Mosaic数据增强方式增强模型的泛化能力,提高模型识别小目标的准确率。同时引入新的定位损失函数CIOU,它可以有效地改善模型在面对复杂背景时的定位精度,提升网络识别的准确性。实验结果表明,在无人机遥感图像数据上,检测性能均优于YOLOv5算法,该算法使得林火的数据集平均精度提升了3... 相似文献
14.
【目的】探究三维卷积神经网络（3D-CNN）在高光谱数据支持的树种分类中的有效网络构建方式，以提高树种分类精度。【方法】以美国加利福尼亚州内华达山脉南部为研究区，LiDAR数据获取的森林冠层高（CHM）进行单木分割并以此为补充建立样本，改进一种结构更简单、分类精度更高且无需对高光谱数据进行预处理的3D-CNN网络结构用于森林树种识别。【结果】相较于常规机器学习分类方法【支持向量机（SVM），随机森林（RF）】、传统二维卷积神经网络模型（2D-CNN）及最新多光谱分辨率三维卷积神经网络（MSR 3D-CNN）模型，本研究提出的3D-CNN模型对树种总体分类精度为99.79%，平均交并比（MIoU）为99.53%。与SVM和RF分类结果相比，本研究构建的3D-CNN模型总体分类精度提高5%左右，且具有对树种边界提取更加准确、椒盐现象更少发生的特点；与2D-CNN相比，总体分类精度提高10%左右，MIoU提高7%左右；与MSR 3D-CNN相比，总体精度相差不大，但在训练和测试过程中，本模型耗时远远小于MSR 3D-CNN模型。【结论】本研究改进的3D-CNN模型结构能够高效对原始高光谱影像... 相似文献
15.
基于气象因子的随机森林算法在塔河地区林火预测中的应用 总被引：7，自引：0，他引：7
《林业科学》2016,(1)
[目的]应用逻辑斯蒂回归模型和随机森林算法建立大兴安岭塔河地区林火发生的预测模型并对比模型预测精度,判断随机森林算法在该地区林火预测中的适应性,为该地区林火管理工作提供技术支持。[方法]利用1974—2008年大兴安岭塔河地区森林火灾发生数据,分别运用二项逻辑斯蒂回归模型和随机森林算法,对塔河地区林火发生与气象因子之间的关系进行实证分析。为减少训练样本分布对试验结果的影响,将全样本数据随机分成60%的训练样本和40%的测试样本,并且进行5次重复,建立5个中间模型(样本组)。选择在5个中间模型中的3个及以上的显著变量(因子)对全样本数据进行分析并分别比较2种模型算法在5个中间模型和全样本模型中的预测准确率。此外,还设计了变量交互试验进一步验证相同变量下2种模型的预测精度。[结果]日最小相对湿度、细小可燃物湿度码和干旱码3个因子在二项逻辑斯蒂回归模型和随机森林算法中均与林火发生呈显著相关。模型拟合的预测结果显示:在对5个中间模型的预测中,随机森林算法对训练样本(60%)和测试样本(40%)的预测准确率分别高于二项逻辑斯蒂回归模型8%和10%左右;在全样本模型的预测中,随机森林算法拟合的准确率为85.0%,而二项逻辑斯蒂回归模型拟合的准确率为76.2%,二者相差10%左右,与之前5个中间模型的预测结果一致;在变量交互试验中,随机森林算法拟合的准确率为86.0%,而二项逻辑斯蒂回归模型拟合的准确率为72.8%,随机森林算法的预测准确率提高了18.1%左右。[结论]日最小相对湿度、细小可燃物湿度码和干旱码是影响林火发生的主要气象因子。在基于气象因子的塔河地区林火发生预测模型研究中,随机森林算法的预测准确率高于传统二项逻辑斯蒂回归模型10%左右,具有一定的预测优势和应用价值,可为大兴安岭塔河地区林火预测和决策提供参考。 相似文献
16.
《林业科学》2021,57(6)
【目的】提出一种基于卷积神经网络模型——PWoodIDNet模型的木材宏、微观辨识方法,以有效提高木材辨识精度和速度,为海关、进出口检疫检验、家具企业等法定部门和企业提供先进的辨识方法和仪器,推动我国木材进出口检疫检验行业和木材加工制造企业的科技进步。【方法】首先,选择16种木材样本,每种样本获取50张高分辨率显微CT图像和工业相机图像,共1600幅;然后,截取具有木射线、薄壁组织、轴向管胞、纹孔和纹理等特征的目标区域,共4800幅,通过水平翻转、垂直翻转、镜像、亮度变换等图像增强算法后将图像集扩充至19200幅。构建基于卷积神经网络的木材宏、微观辨识模型——PWoodIDNet模型,采用加入动量的随机梯度下降(SGDM)方法优化模型,并利用GPU优化并行运算库,对木材宏、微观结构数据集进行分类准确率对比。【结果】相比现行GoogLeNet模型,PWoodIDNet模型准确率提高1.49%,速度提高59.69%;相比现行AlexNet模型,PWoodIDNet模型准确率提高3.76%,速度提高2.63%。【结论】PWoodIDNet模型突破现有辨识方法木材辨识种类范围窄、准确率低和辨识速度慢的难点,能够有效辨识木材,并可在更短的训练时间内实现最佳辨识效果,为我国木材辨识提供一种新的方法和思路。 相似文献
17.
基于深度学习的小目标受灾树木检测方法 总被引：2，自引：0，他引：2
《林业科学》2021,57(3)
【目的】针对无人机森林图像中树木尺度小、生长密集以及分布不规律等问题,提出一种基于深度学习的小目标受灾树木检测方法,以准确识别和定位高分辨率无人机森林图像中的小尺度受灾树木。【方法】以辽宁省凌源县受红脂大小蠹侵害的油松林无人机图像为数据源,利用Label Img开源软件标注拍摄高度为180～240 m的图像,构建无人机森林图像数据集。设计小目标受灾树木检测框架,该框架在轻量级目标检测框架(SSD)基础上,首先从conv3_3开始构建预测模块,并根据图像中目标树木的尺寸删减预测模块,同时优化特征图上默认框生成方式;然后,通过特征增强模块将基础特征图转化为增强特征图,生成基础和增强预测模块;最后,利用基于默认框的双层损失函数训练检测模型以促进特征学习。【结果】基于深度学习的小目标受灾树木检测方法可实现无人机森林虫害远程监测,较准确检测无人机图像中细小密集的受灾树木。采用5组不同结构的SITD模型以及SSD、FSSD和RFBNet目标检测框架对无人机森林图像数据集进行训练和测试,以平均查准率(AP)和Precision-Recall曲线作为评价指标,试验选出最优SITD模型在测试集上的AP为92.62%,相比原始SSD300框架提升69.71%,且优于其他3种目标检测框架。【结论】基于深度学习的小目标受灾树木检测方法可实现对森林中受灾树木的自动化检测,能够简化林业有害生物监测流程,提升对森林虫害的预警能力。 相似文献
18.
针对分割心脏图像中半自动分割方法存在分割精度较低、计算复杂度较高等问题,提出了采用改进的全卷积神经网络(Fully Convolutional Networks,FCN)来自动分割心脏左、右心室及心肌。在初始训练前对原始心脏影像作预处理,对处理后的图像进行模型训练,在网络下采样与上采样过程中加入批归一化层(Batch Normalization,BN),加速网络收敛,降低网络过拟合,实验选择加权交叉熵损失函数,用于提升网络性能,经过softmax分类器得到分割结果。实验结果表明:该方法能够较好地分割出左心室等结构,具有较高的分割精度。 相似文献
19.
《林业工程学报》2021,6(5)
树冠是树木的重要组成部分,利用无人机分辨率高、成本低、操作简单等优势,研究无人机影像上分割单木树冠的方法,实现操作流程一体化。以四川省成都市蒲江县柑橘种植基地为研究区域,飞行无人机获取多光谱影像,提出一种利用卷积神经网络对柑橘树冠分割的有效方法,该方法基于VGG16和U-Net,前者检测图片中是否包含柑橘树,选取柑橘最佳的光谱特征,后者实现对柑橘树冠的分割。首先,对原始数据进行灰度化、畸变差校正、正射拼接等一系列预处理,将正射影像裁剪至适中的尺寸后输入到VGG16卷积神经网络中对图片进行分类,过滤出主体为房屋、道路、湖泊的图片;在VGG16模型分类的基础上,选定分类准确率最高的波段,用该波段影像对柑橘树冠进行分割,使用U-Net卷积神经网络模型对分类为柑橘地的图片进行树冠分割与株树统计,提取样地内树冠区域和单木位置。在波段选择中,近红外波段对柑橘地和非柑橘地的分类准确率最高,为95.34%,优于RGB彩色图片和其他波段的数据,而其他波段的准确率分别为:RGB彩色图片88.37%,红色波段62.79%,绿色波段69.76%,蓝色波段65.11%,红边波段74.42%;在树冠区域提取中,使用U-Net卷积神经网络对近红外波段影像进行树冠分割,在测试集上的总体精度可以达到93.63%,错判误差为7.99%,漏判误差为4.52%,准确率为91.99%,Kappa系数为0.88。研究结果表明,结合深度学习可以快速准确地获取单木树冠范围,在保证调查精度的基础上提高调查效率。 相似文献