基于DenseNet的无人机光学图像树种分类研究

利用无人机航拍获得光学影像数据，结合深度学习理论，建立树种识别模型，以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例，采用无人机获取20 m及40 m高度的航拍影像。其次，以树种为对象，对航拍影像进行分割，获得12种树种影像。最后，结合深度学习理论，采用DenseNet卷积神经网络建立树种识别模型，探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型，其分类精度均达80%以上，最高精度为87.54%。从航拍影像解析度分析，随着航拍影像解析度的下降，模型识别精度呈现下降趋势，以20 m航拍影像数据建构的树种识别模型，其分类精度高于40 m模型；从模型网络深度分析，随着模型网络层数的增加，模型分类精度出现下降现象，DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述，基于无人机航拍影像，结合深度卷积神经网络，提出了新的树种识别方式，并以安溪县森林树种识别为例证明了该分类框架的有效性。     

基于DenseNet的无人机光学图像树种分类研究

利用无人机航拍获得光学影像数据,结合深度学习理论,建立树种识别模型,以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例,采用无人机获取20 m及40 m高度的航拍影像。其次,以树种为对象,对航拍影像进行分割,获得12种树种影像。最后,结合深度学习理论,采用DenseNet卷积神经网络建立树种识别模型,探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型,其分类精度均达80%以上,最高精度为87.54%。从航拍影像解析度分析,随着航拍影像解析度的下降,模型识别精度呈现下降趋势,以20 m航拍影像数据建构的树种识别模型,其分类精度高于40 m模型;从模型网络深度分析,随着模型网络层数的增加,模型分类精度出现下降现象,DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述,基于无人机航拍影像,结合深度卷积神经网络,提出了新的树种识别方式,并以安溪县森林树种识别为例证明了该分类框架的有效性。     

基于语义分割与迁移学习的手势识别

针对复杂场景下深度相机环境要求高,可穿戴设备不自然,基于深度学习模型数据集样本少导致识别能力、鲁棒性欠佳的问题,提出了一种基于语义分割的深度学习模型进行手势分割结合迁移学习的神经网络识别的手势识别方法。通过对采集到的图像数据集首进行不同角度旋转,翻转等操作进行数据集样本增强,训练分割模型进行手势区域的分割,通过迁移学习卷积神经网络更好的提取手势特征向量,通过Softmax函数进行手势分类识别。通过4个人在不同背景下做的10个手势,实验结果表明: 针对复杂背景环境下能够正确的识别手势。     

基于BP神经网络的无人机遥感影像土地类型识别研究

针对传统土地类型识别方法存在的识别精度和成功率低的问题,提出了基于BP神经网络的无人机遥感影像土地类型识别。首先,以国土空间规划土地类型划分标准为依据,设置土地类型识别标准;然后,利用无人机及成像设备获取土地无人机遥感影像,并对获取的土地遥感影像通过校正和增强,完成土地遥感影像预处理。最后,利用BP神经网络算法构建土地无人机遥感影像识别模型,将训练土地遥感影像数据集作为该模型的输入值,完成土地遥感影像数据特征,并将提取的特征进行匹配,实现了土地类型的识别。通过实证分析证明：设计识别方法的Kappa系数和成功率分别提高了0.049和7.35%。     

无人机影像目标检测技术研究进展

无人机影像目标检测技术是无人机影像智能化分析中的关键技术,开展无人机影像目标检测技术的研究有着广阔的应用前景和价值。介绍了无人机影像中目标检测技术的发展历程,简述了无人机影像目标检测技术在森林防火、农业信息采集、电力线路检测、路桥损害检测以及军事侦察等5种特定领域的应用情况,总结归纳了目标检测性能评价时常用的数据集和标准,并对未来无人机影像目标检测技术的发展态势进行了展望。     

基于卷积神经网络与迁移学习的木薯叶疾病识别

文章提出一种用于识别木薯疾病的基于卷积神经网络与迁移学习的图像识别技术。文章通过对木薯叶样本进行去噪、随机水平垂直翻转、随机旋转、随机裁剪等预处理操作,扩充样本并使其更加贴合现实。文章将基于模型缩放的EfficientNet-B3卷积神经网络在ImageNet数据集上的训练参数迁移到细菌性枯萎病、褐斑病、绿色斑驳、木薯叶病、健康叶以及非木薯叶6个种类疾病的识别中。训练时,引入五折交叉验证,预防过拟合,对每个交叉验证训练的模型使用OOF方法进行预测,获得一个良好的预测效果。     

基于迁移学习的行人再识别

行人再识别指的是在无重叠的多摄像机监控视频中,匹配不同摄像机中的行人目 标。提出了一种基于迁移学习的行人再识别方法。在训练阶段,针对现有的基于深度卷积神经 网络的图像识别模型进行参数微调,将网络模型迁移学习至行人再识别模型。测试阶段,利用 学习好的网络模型提取行人图像的特征,再采用余弦距离来描述行人对之间的相似度。在 CUHK03、Market-1501 和 DukeMTMC-reID 3 个数据集上进行了深入的实验分析,实验结果表 明该方法取得了较高的累积匹配得分,特别是第 1 匹配率远远超过了非深度学习的方法,与其 他基于深度学习的行人再识别方法相比,准确率也有所提升。     

基于卷积神经网络的黄瓜病害识别研究

针对在黄瓜种植过程中,不能及时观察出病害种类以及不合理地使用药物防治而导致减产或死亡的问题,提出了基于卷积神经网络的黄瓜病害识别方法。通过使用手机拍照的方法采集带有病害特征的样本图片,进行图像增强处理,制作了黄瓜叶面病害数据集,并研究AlexNet、VGG-16和ResNet50三种不同深度网络模型的病害识别效果,通过设计不同方案进行模型训练,找出训练效果最优的网络模型并进行病害图片检测。结果表明,系统能够满足预期的黄瓜病害识别要求,具有较高的识别准确率。     

基于分形维度的林业遥感图像树种分类识别

传统的树种分类识别方法未进行最大池化操作,导致树种分类识别精度差。现引入分形维度进行林业遥感图像树种分类识别。通过ROI区域截取获取遥感树种图像,利用直方图均衡化方法进行原始图像预处理,以便获得高质量与清晰度的林业遥感图像;通过分形维度理论分析提取的林业遥感图像纹理特征,完成卷积神经网络模型的优化构建;将林业遥感图像纹理特征输入卷积层,经卷积层的卷积操作并计算特征数据,池化池通过最大池化操作卷积层输出的数据;通过Relu激活函数对林业遥感图像树种纹理特征进行深度分析,利用Softmax分类器实现树种分类识别。实验结果表明,上述方法预处理后的遥感图像质量高,且林业遥感图像树种分类识别的效率高,分类识别的时间低至35.7ms,分类识别的准确率高达95.62%。     

深度残差网络的无人机多目标识别

传统目标识别算法中,经典的区域建议网络(RPN)在提取目标候选区域时计算量 大,时间复杂度较高,因此提出一种级联区域建议网络(CRPN)的搜索模式对其进行改善。此外, 深层次的卷积神经网络训练中易产生退化现象,而引入残差学习的深度残差网络(ResNet),能 够有效抑制该现象。对多种不同深度以及不同参数的网络模型进行研究,将两层残差学习模块 与三层残差学习模块结合使用,设计出一种占用内存更小、时间复杂度更低的新型多捷联式残 差网络模型(Mu-ResNet)。采用 Mu-ResNet 与 CRPN 结合的网络模型在无人机目标数据集以及 PASCAL VOC 数据集上进行多目标识别测试,较使用 ResNet 与 RPN 结合的网络模型,识别准 确率提升了近 2 个百分点。     

改进PID的无人机飞行姿态角控制消颤算法

无人机在整个纵平面飞行过程中,由于飞行姿态角的大幅度变化以及气流的作用,导致机身颤抖,影响飞行稳定性.提出一种基于PID变结构控制的无人机飞行姿态角控制消颤算法,首先进行了无人机飞行姿态角控制系统的被控对象参量分析,构建无人机在姿态角变化剧烈、大迎角飞行时的三通道模型,采用变结构控制方法进行控制器设计.结合小扰动原理和Lyapunov稳定性原理进行扰动抑制和稳定性证明,采用梯度算法调整权值进行飞行姿态角控制的消颤处理,采用自适应算法在线调整权值实现PID变结构控制改进.仿真结果表明:采用该算法进行无人机飞行姿态角控制和消颤处理,大幅度提高无人机飞行定姿的精度,横滚角、俯仰角和航向角的控制精度有较大提高,稳定性和收敛性较好,确保了无人机飞行稳定性.     

基于卷积神经网络的苹果栽培品种识别

针对苹果栽培品种识别分类问题,提供一个包含多个苹果果树品种的叶片图像原始数据集,并且研究构建一种新的深度卷积神经网络分类模型,对其分类准确性、泛化性能和稳定性进行对比验证,以期对苹果栽培品种简便、快速、准确的识别分类提供理论依据和技术支持。以甘肃省平凉市静宁县果树果品研究所苹果良种苗木繁育基地作为实验基地,在其中选取14个苹果果树品种。每个品种选取10棵左右树龄、树势、长势都存在差异的果树,采摘100片左右成熟的、无机械损伤的叶片,然后拍摄叶片图像建立数据集,进而利用卷积神经网络训练识别分类模型。本文针对苹果栽培品种识别分类,提供一个包含14个苹果果树品种共计14394张叶片图像的原始数据集,并且设计实现基于卷积神经网络的识别分类模型。实验结果表明,该识别分类模型有较高的准确率,训练集训练精度可以达到99.88%,验证集验证精度为94.36%,独立测试集的测试精度为90.49%。本文的研究结果可以为现代苹果田间种植及科研试验等实际场景提供力所能及的帮助,为深度卷积神经网络技术在植物品种识别分类实际应用场景提供参考,丰富深度学习在农业上的应用。     

基于无人机图像的高速公路积水预警系统设计

雨后微干的路面往往容易让机动车驾驶员忽视路面的安全隐患。雨后高速公路路面形成区域性积水后,当高速行驶的车轮与积水区域相接触时,容易产生滑水现象,导致汽车失去部分或全部操纵性,这时极易导致交通事故的发生。针对此类情况设计了一套基于无人机图像的高速公路积水预警系统,该系统由图像采集、积水识别和积水预警三部分组成。利用无人机的机动灵活、覆盖面广和无线传输的特性对高速公路路面情况进行采集,并将其位置信息和路面图像实时传回远端服务器进行处理。通过图像灰度化、图像二值化、形态学运算、消除小面积区域等操作提取出传回图像中潜在的积水区域,然后根据计算出的潜在积水区域相应的形状特征参数判断其是否为积水区域。当远端服务器确认无人机传回的图像中存在积水区域后,通过电子地图、短信提醒、高速公路显示屏等多种方式将积水区域的位置和面积等预警信息告知机动车驾驶员,从而减少此类交通事故发生。     

Vega开发无人机模拟飞行视景系统

"某型无人机模拟飞行系统"是一个用于模拟无人机飞行的全任务试飞仿真系统,而视景系统作为整个仿真系统的终端显示平台,其开发的优劣直接影响到整个系统的综合性能;针对传统视景系统建模周期慢、仿真效果差等特点,提出了一种利用仿真软件Vega开发视景系统的方法,使用Creator中的"贯通面"、LOD、DOF技术建立了逼真的无人机和地景模型,Lynx搭建底层模型文件,基于MFC的Vega编程控制无人机位姿、视点、舵面偏转等,至此完成无人机视景系统的驱动;无人机试飞实验证明,该视景系统取得了比传统视景系统更好的效果。     

面向无人机的视觉目标跟踪算法：综述与展望

近年来,无人机因其小巧灵活、智能自主等特点被广泛应用于民用和军事等领域中,特别是搜索侦察过程中首要的目标跟踪任务。无人机视觉目标跟踪场景的复杂性和运动目标的多变性,使得目标特征提取及模型建立困难,对目标跟踪性能带来巨大的挑战。本文首先介绍了无人机视觉目标跟踪的研究现状,梳理了经典和最新的目标跟踪算法,特别是基于相关滤波的跟踪算法和基于深度学习的跟踪算法,并对比了不同算法的优缺点。其次,归纳了常用的目标跟踪数据集和性能评价指标。最后,展望了无人机视觉目标跟踪算法的未来发展趋势。     

基于深度域适应CNN决策树的跨语料库情感识别

在跨语料库语音情感识别中,由于目标域和源域样本不匹配,导致情感识别性能很差。为了提高跨语料库语音情感识别性能,本文提出一种基于深度域适应和卷积神经网络（Convolutional neural network, CNN）决策树模型的跨语料库语音情感识别方法。首先构建基于联合约束深度域适应的局部特征迁移学习网络,通过最小化目标域和源域在特征空间和希尔伯特空间的联合差异,挖掘两个语料库之间的相关性,学习从目标域到源域的可迁移不变特征。然后,为了降低跨语料库背景下多种情感间的易混淆情感的分类误差,依据情感混淆度构建CNN决策树多级分类模型,对多种情感先粗分类再细分类。使用CASIA,EMO-DB和RAVDESS三个语料库进行验证。实验结果表明,本文的跨语料库语音情感识别方法比CNN基线方法平均识别率高19.32%~31.08%,系统性能得到很大提升。     

基于图卷积网络的谣言鉴别研究

随着大数据时代的演进,互联网中的谣言成井喷状涌现.目前网络谣言鉴别方法中,基于监督学习的模型在训练过程中需要大量标注数据,同时网络谣言的人工标注用时较长,故提出采用半监督学习的图卷积神经网络,可有效利用无标注数据.通过在有标注节点上训练模型,更新所有节点共享的权重矩阵,将有标注节点信息传播给无标注节点,同时解决监督学习...