排序方式: 共有14条查询结果,搜索用时 15 毫秒
11.
基于树木整体图像和集成迁移学习的树种识别 总被引:2,自引:0,他引:2
为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用Alex Net、Vgg Net-16、Inception-V3及ResNet-50这4种在Image Net大规模数据集上预训练的模型对图像进行特征提取,然后迁移到目标树种数据集上,训练出4个不同的分类模型,最后通过相对多数投票法和加权平均法建立集成模型。构建了一个新的树种图像数据集——Trees Net,基于该数据集,设计了多类实验,并将该方法与传统的图像识别方法进行了分析比较。实验结果表明:该方法对复杂背景下树种图像识别准确率达到99. 15%,对于树木整体图像识别具有较好的效果。 相似文献
12.
基于无人机影像的银杏单木胸径预估方法 总被引:1,自引:0,他引:1
胸径是立木测定的基本因子,自动获取胸径数据是准确高效计算森林蓄积量和生物量的关键。以银杏Ginkgo biloba为研究对象,通过无人机获得影像数据,利用运动恢复结构(SFM)方法生成数字表面模型和正射影像图,进而提取单株银杏的树冠面积(Ac),冠幅(Wc)及树高(H)。3个参数分别与胸径(DBH)建立一元回归模型(Ac-DBH,Wc-DBH,H-DBH),二元回归模型(Ac&Wc-DBH,Ac&H-DBH,Wc&H-DBH)和三元回归模型(Ac&Wc&H-DBH)。52组拟合样本的结果显示:Ac&Wc&H-DBH模型的决定系数(R2)最高为0.825 0,均方根误差(ERMS)最小为0.959 1。19组检测样本的结果显示:Ac&Wc&H-DBH模型反演的胸径值误差率为4.20%,小于A类森林资源胸径因子允许的误差值(5%)。研究结果表明:通过无人机采集树冠面积、冠幅和树高3个参数,可计算得到较高精度的胸径值。 相似文献
13.
为了准确测量应力波在木材内部的传播时间,提高木材内部缺陷识别的精度,提出了一种基于小波变换和高阶统计量的广义相关时延估计算法。该方法利用滤波算法,将采集到的应力波信号进行滤波去噪,然后输入到广义互相关时延模型,求出传播时延估计值。仿真和实际的木材检测实验结果表明:提出的算法比传统的定时器计时法时延估计精度提高81.5%,并具有较强的抗干扰能力。 相似文献
14.