一种新型的无人机牧草分割网络—LMS-DeeplabV3+

目前草原环境复杂、牧草分散且与背景颜色差异小,无法实现高效精准的分割,因此本文提出了一种新型的轻量化多尺度DeeplabV3+网络(lightweight and multi-scale DeeplabV3+network, LMS-DeeplabV3+)。该网络以DeeplabV3+为基础网络,首先选用轻量级的MobilenetV2作为骨干网络用于初步特征提取,并为了适应牧草分割任务做了网络配置上的调整;其次在加强特征提取模块和解码模块中均使用深度可分离卷积代替普通卷积以轻量化网络;此外利用密集空洞空间金字塔池化(dense atrous spatial pyramid pooling, DASPP)模块捕获更大的感受野,加强各特征之间的交互;又引入卷积注意力机制(convolutional block attention module, CBAM)重分配权重加强特征提取。实验证明,提出的新网络与原始网络相比平均交并比(mean intersection over union,mIOU)提升了8.06个百分点、平均像素精度(mean pixel accuracy,mPA)提升了6.7...     

基于MSRA初始化卷积神经网络的草地牧草分类研究

草地牧草的分类与识别是草原研究与监测的重要环 节,利用高光谱成像技术和卷积神经网络进行牧草种类的识别判 断,为实现草地牧草自动分类与数字化治理提供了新的途径。本文提出了基于MSRA初始化卷 积神经网络的草地牧草高光谱图 像自动识别与分类的方法。主要过程包括图像预处理、裁剪、特征提取和识别分类四个环节 ,首先预处理采用改进的自适应 波段选择法进行波段提取,然后将提取后的数据压缩成新图像进行裁剪,最后进入MSRA 初 始化卷积神经网络提取特征并进行 识别分类。本文针对卷积神经网络的鲁棒性、稳定性和识别率等问题创新性的提出了MSRA初 始化方法,通过初始化设置参数 和权值,使网络的性能得到提升,提高识别准确率。本文对实地采集的蒙古冰草、老麦芒、 紫羊毛草、燕麦、黄花杂交苜蓿、 光穗冰草6种牧草进行识别分类,为保证实验的可靠性与准确性,对训练集和测试集进行多 次划分及多次交叉验证实验。实 验结果表明,本文提出的MSRA初始化卷积神经网络相比于SVM、KNN、2D-CNN等方法,对草 地牧草高光谱图像的识别准确率 较高,达到96.50%。实验结果证明本方法具有良好的分类性能和可行 性,为草地牧草的识别分类提供了新思路。     

基于卷积神经网络与注意力机制的高光谱图像分类

由于浅层卷积神经网络(convolutional neural network,CNN)模型感受野的限制,无法捕获远距离特征,在高光谱图像 (hyperspectral image,HSI) 分类问题中无法充分利用图像空间-光谱信息,很难获得较高精度的分类结果。针对上述问题,本文提出了一种基于卷积神经网络与注意力机制的模型(model based on convolutional neural network and attention mechanism,CNNAM),该模型利用CA (coordinate attention)对图像通道数据进行位置编码,并利用以自注意力机制为核心架构的Transformer模块对其进行远距离特征提取以解决CNN感受野的限制问题。CNNAM在Indian Pines和Salinas两个数据集上得到的总体分类精度分别为97.63%和99.34%,对比于其他模型,本文提出的模型表现出更好的分类性能。另外,本文以是否结合CA为参考进行了消融实验,并证明了CA在CNNAM中发挥重要作用。实验证明将传统CNN与注意力机制相结合可以在HSI分类问题中获得更高的分类精度。     

基于LBP特征的人脸图像识别

提出了一种基于LBP算子和Isomap相结合的人脸图像识别算法。利用[ε]-LBP算子提取人脸图像纹理特征,然后用Isomap对高维的纹理特征进行数据降维,得到人脸数据的本质几何结构。最后将降维后的数据作为分类器的输入进行人脸分类识别。实验结果表明,该算法能够对人脸图像进行良好的分类识别,尤其是小样本的情况下。     

基于方差选择和高斯朴素贝叶斯的草地牧草高光谱图像识别研究

近年来,草地调查和监测工作中主要基于卫星遥 感光谱图像,但其整体分辨率略 低、成本高,具有一定的局限性。而近距离获取的高分辨率高光谱图像可弥补图像分辨率较 低的缺陷,目前研究较少。因此,本研究通过结合高光谱成像技术和机器学习,提出了一种 基于方差选择与高斯朴素贝叶斯的草地牧草高光谱图像快速准确识别方法。首先,利用高光 谱成像系统采集可见-近红外光谱(400000 nm)的草地高光谱图像,通过基于方差选择的 降维方法优化特征中的有效信息;然后,采用高斯朴素贝叶斯(gaussian naive bayes,Gau ssianNB)和支持向量机(support vector machine,SVM)并结合K折交叉验证法分别建立识别 模型;最后,通过Kappa系数、OA、测试时间等指标进行模型评价。预处理环节中对比多元 散射校正(MSC)、标准正态变量变换(SNV)、归一化(normalize)、Savitzky-Golay平滑滤波 (SG)和移动窗口平滑光谱矩阵(nirmaf)5种方法,其中MSC预处理提高信噪比和保障预测模 型的精度与稳定性最优。特征选择与提取中,采用基于方差选择的主成分分析白化(V-pcaw )法,根据阈值和主成分选择最佳特征变量数为2,与主成分分析(PCA)法比较,总体分类精度 和Kappa系数平均值分别提高2.995%和0.050。同等情况下比较GaussianNB模型和SVM模型, 在GaussianNB模型中,经MSC处理的牧草光谱在V-pcaw特征提取后识别效果最佳,耗时最少 ,OA值达到99.33%,Kappa系数为0.99,测试 时间为0.002022 s。研究结果表明,基于方差 选择与高斯朴素贝叶斯的方法可有效增强草地牧草高光谱图像的特征表达能力,从而实现高 效快速的牧草种类识别。