基于高光谱图像的协同分层波谱识别--以兰州、榆林地区为例

提出协同分层波谱识别法,分别从兰州、榆林市Hyperion高光谱图像上识别9种目标地类,并与SVM监督分类对比。针对Hyperion图像波谱识别的4个难点:光谱信息高保真融合、敏感谱段提取、"椒盐效应"去除、消除"同物异谱"现象导致的误判,协同应用WP-GS融合、导数变换、4尺度面向对象分割和多谱段SAM解决上述难点,并基于Hyperion导数变换图像分析波谱变化特征、提取敏感谱段、从4个尺度层依次识别9种目标地类,然后根据目视评判和定量评价,与综合使用Gram-Schmidt光谱锐化融合/Savitzky-Golay卷积滤波/PCA变换的SVM监督分类结果比较识别精度。实验结果表明WP-GS融合的光谱保真效果优于Gram-Schmidt光谱锐化;4尺度面向对象分割抑制"椒盐效应"的效果优于Savitzky-Golay卷积滤波、移动均值滤波;多谱段SAM利用导数波谱特征能够消除因照度不同对同一类别地物的误判。采用协同分层波谱识别法,兰州市Hyperion图像波谱识别的总体精度、Kappa系数分别为89.52%、0.852,较SVM分类分别提高18.68%和17.52%;榆林市Hyperion图像识别地物的总体精度、Kappa系数分别为91.12%、0.873,较SVM分类分别提高17.80%和16.89%。协同分层波谱识别法应用多种技术一体化解决Hyperion图像应用难点,有效利用导数波谱变化特征提取目标敏感谱段,在复杂环境下识别目标地类的能力优于SVM监督分类。     

采用可见/近红外成像光谱技术的玉米籽粒品种识别

利用地面成像光谱辐射测量系统（Field Imaging Spectrometer System,FISS）获取了5种玉米籽粒的成像光谱数据,经反射率反演、噪声去除和一阶微分处理后,运用Wilk-lambda逐步判别法进行波段选择并建立判别模型。交叉验证结果表明:（1） 平均识别精度为91.6%,除了高油115的识别精度仅有87%外,其他品种的识别精度均在90%以上;（2） 在分类方案、光谱波段数、每类样本数量不变的情况下,分类精度受类别数和类别间可分性的影响;（3） 随着入选波段数的增加模型识别精度逐步提高。因此成像光谱技术在玉米品种的识别以及质量检测方面具有重要的应用前景。     

多尺度特征与双注意力机制的高光谱影像分类

针对经典卷积神经网络(convolutional neural network,CNN) 的高光谱影像分类方法存在关键细节特征表现不足、训练需要大量样本等问题,提出一种基于多尺度特征与双注意力机制的高光谱影像分类方法。首先,利用三维卷积提取影像的空谱特征,并采用转置卷积获得特征的细节信息;然后,通过不同尺寸的卷积核运算提取多尺度特征并实现不同感受野下多尺度特征的融合;最后,设计双注意力机制抑制混淆的区域特征,同时突出区分性特征。在两幅高光谱影像上进行的实验结果表明:分别在每类地物中 随机选取10%和0.5%的样本作为训练样本,提出模型的总体分类精度分别提高到99.44%和98.86%;对比一些主流深度学习分类模型,提出模型能够关注于对分类任务贡献最大的关键特征,可以获取更高的分类精度。     

组合沃拉斯顿棱镜组的目标偏振检测方法

为了提高静态偏振光谱成像系统光谱分辨率并获得更好的目标识别能力,设计了正交组合沃拉斯顿棱镜组结构,配合静态相位调制技术完成了目标的偏振光谱成像。该技术采用了多级棱镜组合的方法在不扩大原有静态干涉棱镜尺寸的条件下扩大了空间光程差变化范围,从而提升了静态光谱分辨率。通过相位调制与图像周期性匹配的方法完成了二维图像与光谱分离。仿真分析了结构尺寸与调制度对光谱分辨能力的函数关系。实验采用计算模拟验证了二维图像与光谱分离的可行性。在晴天与阴天两种不同状态下,测试了30.0 cm铝板目标的信号对比度,采用偏振光谱成像并完成数据提取的测试结果均值为53.4%和49.3%,而基于强度图像的测试结果均值为24.4%和14.1%。文中设计可以改善目标识别效果,提高光谱分辨精度。     

基于双线性卷积神经网络的杂草细粒度识别

针对复杂田间环境下杂草形态相似对深度学习模型识别效果的影响,本文以玉米及其主要伴生杂草作为研究对象,提出一种基于双线性卷积神经网络的细粒度杂草识别方法,用于提升作物与杂草识别的准确率.首先,研究对比了常见通用图像分类模型在杂草识别上的表现,选用识别效果较好的VGGNet-19和ResNet-50作为双线性网络的主干结构,以获取更有效的杂草特征,并采用迁移学习的方式训练网络.实验结果表明,该方法在数据集上的识别准确率高达98.5％,高于单一网络模型的识别效果且能够准确地区分具有高相似度的田间杂草,为智能田间除草作业提供高精度的信息支持.     

多尺度特征融合的壁画多光谱图像颜料3D-CNN分类方法

颜料的分类识别是古代壁画进行保护修复的基础,多光谱成像方法能够无损快速地获取壁画颜料的光谱图像数据并进行分析。传统利用卷积神经网络进行特征提取的算法中连续的卷积和池化操作会丢失壁画多光谱图像的部分特征信息,使得图像细节无法重建,导致分类图像边界不平滑。针对该问题,提出了一种基于多尺度特征融合的三维空洞卷积残差神经网络对壁画多光谱图像进行颜料分类。首先,在卷积核中引入空洞结构提高卷积核的感受野来提取不同尺度信息,避免池化操作所导致的部分特征丢失;其次,使用特征融合的方法融合不同尺度的特征图,增加多尺度特征的结构层次;最后,引入残差学习模块避免网络层数加深导致的梯度消失问题,重建完整的边缘信息。实验结果表明,所提方法在模拟壁画多光谱图像数据集上的总体精度和平均精度分别达到了98.87%和96.89%,与各对照组相比,不仅具有更好的分类精度,而且得到了边界更清晰的分类图像。     

多尺度特征融合与极限学习机结合的交通标志识别

针对卷积神经网络只能使用相同尺寸图像和卷积核的网络进行特征提取,导致提取的特征不全面,在交通标志识别中因车载摄像头与交通标志的位置不断变化影响交通标志的识别精度等问题,提出了一种基于多尺度特征融合与极限学习机结合的交通标志识别方法。首先,将预训练适应3种不同尺寸图像的网络模型作为实验的初始模型;然后,融合3个网络模型构建多尺度卷积神经网络,将3个预训练网络的参数级联到融合模型的全连接层,对融合模型的全连接层进行训练,采用随机梯度下降算法更新网络参数;最后,将融合后的模型作为特征提取器提取特征,把提取到的多尺度特征送入极限学习机,实现交通标志识别。实验采用德国交通标志数据库(GTSRB)对算法性能进行测试,实验结果显示,多尺度特征融合与极限学习机结合的网络识别精度为99.23%,识别速度为46ms。相对于预训练的网络,网络的分类精度分别提高了2.35%,3.22%,3.74%。多尺度特征融合能够有效提取交通标志图像的特征信息,极限学习机可以提高分类精度和分类时间,该方法能满足交通标志识别的准确性和实时性的要求。     

激光探测尾流微气泡的偏振特性研究

为了研究尾流中激光照明气泡幕的散射光强度和偏振的特性,利用基于偏振光传输的蒙特卡洛模型,对偏振激光入射含气泡群水体的三维空间分布模式进行仿真计算。研究了气泡和气泡群在不同气泡尺度,不同散射角条件下的散射光强和偏振状态;分析了气泡幕的气泡数密度,厚度对于散射光强度和偏振状态的影响。研究表明,散射光的强度和偏振度对气泡尺度和散射角较为敏感,气泡尺度参数越大,散射光强和偏振特征越趋向于集中在传输方向的小角度散射;气泡幕的数密度和厚度越大,散射光的强度随散射角度变化的敏感度下降,退偏振效果增强。     

超连续谱激光-单色仪在偏振遥感器定标中的影响因素分析

偏振遥感器的相对光谱响应度和带内光谱响应非一致性是遥感器实验室定标的基本参数。文中利用新型的超连续谱激光作为单色仪的前置照明光源,搭建了一套基于超连续谱激光-单色仪的细分光谱扫描定标装置,可用于偏振遥感器的相对光谱响应度定标。实验中以490 、670、910 nm三个偏振通道作为例,分别在单色仪直接输出光和单色光导入积分球两种状态下,得到通道式偏振遥感器的相对光谱响应度结果,并对两种状态下定标光源的偏振特性进行了测量。实验结果表明,单色仪直接输出光模式下,光源存在明显的偏振度和偏振方位角变化,三个偏振通道的带内光谱响应非一致性分别为0.91%、4.25%和1.06%;而在单色光导入积分球后,光源的偏振度明显降低,此时带内光谱响应非一致性结果分别为0.15%、0.47%和0.57%,说明消偏后的光源能有效适用偏振遥感器的光谱响应度定标,基于超连续谱激光-单色仪的系统级定标装置在偏振遥感器的定标中具有广泛应用前景。     

基于VMD与多尺度一维卷积神经网络的故障诊断方法

针对旋转机械设备在多工况、小样本状态下故障诊断精度不高的问题，提出一种基于VMD与多尺度一维卷积神经网络（M1DCNN）的故障诊断方法。该方法首先利用VMD对原始振动信号进行分解，并以峭度为指标，筛选出峭度值最大的分量进行包络分析；然后构建包含多个不同尺度卷积核通道的卷积神经网络，并采用多尺度卷积核提取不同尺度下包络信号的特征信息，进而对故障进行识别。将该方法应用于齿轮箱中的齿轮和滚动轴承的振动数据分析，结果表明：该方法在多工况、小样本情况下均有较高的故障识别精度，且模型具有较强的泛化性能；同时，与单通道卷积神经网络（1DCNN）的对比分析表明，所搭建的多尺度卷积神经网络能更全面地提取信号特征，因而具有更高的诊断精度。     

基于花期果树冠层光谱反射率的果树树种辨识研究

利用冠层光谱反射率数据(Rλ),对处于开花期的7种果树的树种进行了辨识研究.通过光谱数据重采样、植被指数求算等相关数据处理,比较了6种卫星传感器与4种植被指数对果树树种的辨识效能,并在优选数据形式、优化模型参数的基础上,建立了辨识果树树种的BP神经网络模型.主要结论为:(1)6种卫星传感器辨识果树树种的效能由强到弱的排列顺序为:MODIS、ETM+、QUICKBIRD、IKONOS、HRG、ASTER;(2)在4种植被指数中,RVI对果树树种的辨识效能最强,其次是NDVI,SAVI与DVI的辨识效能相对较弱;(3)用MODIS或ETM+传感器的近红外通道与蓝光通道上的反射率数据,求算的RVI与NDVI对果树树种的辨识效能相对较强;(4)在Rλ及其22种变换数据中,波长间隔设为9nm的d1[log(1/Rλ)],是建立BP神经网络模型的首选数据形式.     

基于卷积神经网络的材质分类识别研究

目前,空间目标中约6%为正在工作的航天器,而约94%的空间目标为太空垃圾,严重干扰和限制了航天器发射、运行等正常的太空活动轨道,在有效清除空间碎片之前,必须对其进行有效识别。本文基于散射光谱,使用卷积神经网络对空间碎片四种材质进行分类识别,并与BP神经网络的识别结果分析比较。鉴于试验所得的材质的原始光谱信噪比低、特征信息弱等特点,需要对光谱信号进行预处理包括去噪、BRDF计算和归一化处理。然后各取四种材质的200帧样本数据进行训练,另各取50帧数据预测,结果表明：卷积神经网络的总体精度比BP神经网络低2%,耗时少101 s;而增加训练样本数据量达到每个材质各500帧时,卷积神经网络的总体精度仅比BP神经网络低0.05%,耗时则少了891 s,卷积神经网络极大的体现了其时间的优越性。该方法对大数据量的空间碎片材质的分类,具有较大的实用性和借鉴意义。     

Research on segmentation of weed images based on computer vision

In this letter, a segment algorithm based on color feature of images is proposed. The al- gorithm separates the weed area from soil background according to the color eigenvalue, which is obtained by analyzing the color difference between the weeds and background in three color spaces RGB, rgb and HSI. The results of the experiment show that it can get notable effect in segmentation according to the color feature, and the possibility of successful segmentation is 87%-93%. This method can also be widely used in other fields which are complicated in the background of the image and facilely influenced in illumination, such as weed identification, tree species discrimination, fruit picking and so on.     

基于机器学习的深圳市坝光湿地园树种高光谱分类

高光谱遥感数据为树种的精细识别提供了可能。为探索高光谱数据在树种识别中的能力,本研究基于深圳市坝光古银叶树群落的8种主要树种叶片高光谱数据,比较了6种光谱预处理方式和2种分类方法对树种分类识别精度的影响,并基于随机森林算法对不同树种识别的特征波段进行了识别。研究结果表明,一阶导数预处理方法在分类识别中性能最好,平均分类精度为76.65%;随机森林回归方法较支持向量回归算法的性能好,模型平均分类识别精度为73.07%。从混淆矩阵可以看出,多毛茜草、银柴、阴香易错分为假萍婆,鸭脚木与银柴易错分,银叶树和细叶榕易错分。400 nm、495 nm、615～675 nm、835 nm、915～975 nm、1035～1065 nm、1085～1135 nm、1265～1275 nm、1425～1535 nm、2040 nm、2100～2270 nm、2430 nm附近的光谱数据与8个树种分类识别有密切关系。     

基于激光点云的农田玉米种植株数数目识别

为了对玉米种植株数进行无损的自动化识别,利用FARO focus s70地面激光扫描仪、采用四站式扫描方法,采集不同视角下的玉米田块点云数据。设计了一种基于标靶球自动提取的配准算法,对各站获取的点云数据进行精确配准,取得了完整的玉米田块点云数据,并以标靶球拟合误差和标准偏差分析配准精度。对于配准好的3维点云数据,利用采样一致性算法基于圆柱体特征从完整的玉米田块点云中精确分离出茎秆点云,统计玉米种植株数。结果表明,标靶球拟合标准偏差在0.1mm～0.7mm之间,满足仪器测量精度要求;拟合误差总体在2mm～5mm之间,能满足大场景测量配准误差5mm的要求;对玉米种植株数的识别率达到86.1%～92.1%。这一结果对于农田环境下玉米种植株数识别的实际应用方面是有帮助的,为作物的估产提供了数据基础,为智慧农业研究提供了理论方法。     

高光谱与机载LiDAR结合的树种分类研究

高光谱遥感图像虽然具有较高的光谱分辨率,但只能提供二维光谱信息,而激光雷达(Light Detection and Ranging,LiDAR)可以提供可靠的三维数据和森林的冠层特征,二者结合能够优势互补,协同提高地物分类能力。基于此,本文提出了一种利用高光谱和机载激光雷达数据进行树种识别的方法,探讨了二者协同对树种精细分类的影响,最后通过公开数据的实验来验证方法的有效性。结果表明,高光谱和激光雷达数据结合后,树种分类精度得到了显著提高。通过本文提出的方法,即使使用少量特征也能大大提高分类精度。整体分类准确率最高达到9321,比单个高光谱数据的分类准确率提高931。     

基于近红外漫反射光谱的盐酸左西替利嗪片判别分析

当前市场上的药品种类繁多,因此对不同厂商的同类药品进行识别分析对规范医药市场及保障人民用药安全有重要现实意义.实验采用基于傅里叶变换近红外漫反射光谱的光谱判别分析方法,结合矢量归一化方法和导数方法对光谱进行预处理,对不同品牌的盐酸左西替利嗪片建立定性识别模型,并用验证集样品对模型进行验证。验证结果表明,通过光谱库判别分析法建立识别模型不能正确识别同一厂家的两种样品,但对不同厂家盐酸左西替利嗪片的识别正确率为100%,该方法可以用于不同企业同类药品的快速定性识别和质量控制.     

基于全光衍射深度神经网络的矿物拉曼光谱识别方法

提出了一种基于全光衍射神经网络的矿物拉曼光谱识别方法。首先,分析矿物拉曼光谱的数据结构特征,对比分析了传统神经网络与光学衍射神经网络的异同,根据预处理后的数据构建光学衍射神经网络;然后,采用交叉熵损失函数和Adam算法对光学衍射神经网络进行训练,得到优化的网络参数;最后,在仿真条件下,验证和分析不同栅格高度精度对矿物识别正确率的影响,给出了不同栅格高度精度对应的网络正确率及正确率损失。该方法在RRUFF矿物拉曼光谱数据库上的测试结果显示:五类矿物识别正确率为94.2%,证明利用光学衍射神经网络进行拉曼光谱分类具有可行性,为光学衍射神经网络的应用提供参考;栅格高度在6 bit精度条件下,五类矿物正确率为93.6%,证明栅格高度离散化能够在保证网络正确率的同时极大降低光栅制作难度,为光栅制备提供理论支撑。