深度学习技术在遥感影像分类与识别中的应用研究综述

本文首先介绍了三种经典的深度学习算法,然后介绍了遥感影像分类与识别的基本方法,接着论述了基于深度学习的遥感影像分类和识别的研究现状,最后对未来深度学习技术在遥感应用领域中的发展方向进行了总结。     

基于深度学习算法和无人机遥感影像对植株的识别研究

传统的植株识别方法难以满足遥感影像数据的识别需求,在此情况下,急需一种有效的识别方法.本文分析了基于深度学习算法和无人机遥感影像对植株的识别,经分析显示,二者均具有一定的有效性,保证了植株识别的精度.     

基于深度学习的印刷文档扫描影像中表格位置检测方法研究

针对印刷文档扫描影像中表格位置检测中存在检测效果较差的问题,设计了一种基于深度学习的印刷文档扫描影像中表格位置检测方法.首先,在Hough环境下对表格位置变换检测点进行确定,同时建立深度形态双向层级位置检测结构.以此为条件,创建深度学习多层级的逆向检测的模型,在深度学习的背景之下,采用多维正向法实现表格位置的检测.测试...     

遥感影像地物分类识别的研究与实现

遥感影像地物分类识别在环境监测、地质调查等领域都有着广阔的应用前景。对遥感影像进行光谱特征和纹理特征提取,并利用支撑向量机(SVM)进行地物分类是遥感影像地物识别的一种常用的方法。文章详细介绍了该方法的理论、思路及实现过程,并基于ENVI和MATLAB环境进行实验仿真证明其有效性,具有良好的研究和学习意义。     

基于红外热像的农作物早期病害检测识别技术的研究进展

农作物早期病害检测能实现对现代农业的精细化管理,做到及时发现病害、防治病害,减少经济损失。首先对几种机器视觉技术之间和图像分类技术之间做对比分析,发现红外热成像技术与深度学习结合能高效、快速、无损地对农作物早期病害检测分类;其次介绍了红外热成像技术和深度学习的工作原理及特点,综述了红外热成像技术和深度学习在作物早期病害检测中的国内外研究进展;分析了红外热成像技术在农作物早期病害研究中的检测机理及优势和深度学习在病害图像分类的优势,得出利用深度学习算法可以对病害红外热图进行快速准确的分类并且将算法放置到计算机、手机等移动设备中可以实现实时监测及可视化分析。分析表明将红外热成像技术与深度学习相结合是农作物早期病害检测识别的重要研究方向。     

一种基于ResPNet的光伏组件红外成像故障检测方法

目前利用无人机获取光伏组件红外影像数据越来越多地应用于光伏组件故障检测中。但光伏组件红外影像数据各类别样本相似度较高，现有深度学习模型的光伏组件红外影像特征提取能力较低，导致光伏组件多故障类型分类精度偏低。针对以上问题，基于ResNet(residual network)模型构建ResPNet(residual photovoltaic network)模型进行光伏组件红外影像故障检测。ResPNet模型在ResNet模型基础上，加入了底层特征信息增强模块、多尺度特征信息增强模块、全局特征信息增强模块，用于提升模型的光伏组件红外影像特征提取能力。在公开的光伏组件红外影像数据集Infrared Solar Modules上进行实验，ResPNet模型的12类光伏组件红外影像分类精度达到84.6%，不但优于ResNet-50模型，而且优于其他的光伏组件红外影像分类模型。通过级联多个ResPNet模型，取得了该数据集目前已知最高的12类光伏组件红外影像分类检测精度（85.9%）。     

基于深度学习的遥感影像基础设施目标检测研究

随着航天技术、计算机技术以及图像处理技术的发展,遥感图像的分辨率越来越高,覆盖范围也越来越广,高分辨率的遥感影像在军事侦察、地质勘探和国土资源等领域的应用也越来越广泛。"高分一号"作为我国"高分专项"系列卫星的首星,其图像处理技术对于其他高分影像处理具有重大的借鉴意义。针对"高分一号"遥感影像目标检测的问题,通过深度学习神经网络设计和优化,实现在遥感影像中准确检测机场、操场等基础设施目标。实验结果表明,深度学习网络用于遥感目标检测,具有良好的准确度和鲁棒性,从而为国产高分系列遥感卫星的应用提供多样化技术支持。     

航检影像智能分析与缺陷识别系统设计

高压输电线路的航检影像资料数量巨大,储存整理和缺陷分析工作等运维成本很高。文章基于YOLOv4、语义分割和超分辨等深度神经网络结构,开发了航检影像智能分析与缺陷识别系统,将航检影像原始视频和图片进行分析、剪辑、整理,对杆塔关键部位进行智能化的缺陷分析识别,并结合YOLO、语义分割和超分辨等网络算法特点,提出了具有针对性的叠加组合识别算法模型,采用分布式并行运算服务进行部件缺陷识别,提高了整理缺陷识别效率。该系统将人工智能技术应用于高压输电线路航检影像缺陷识别方面,系统化地对航检影像资料进行处理。测试表明,该系统对输电线路航检影像中缺陷的识别准确率较高且整体识别速度较快,实现了高压输电线路航检影像分析与缺陷快速识别检测,使高压输电线路影像资料管理规范化。     

基于TensorFlow、Keras与OpenCV的图像识别集成系统

图像识别是人工智能一个重要技术方向,广泛应用于自动驾驶、目标识别、人脸检测、车牌识别等机器视觉领域,本文结合深度学习框架TensorFlow与Keras,实现了一种图像识别的深度学习网络,离线训练识别目标样本,得到深度神经网络结构,然后结合实际应用,采用OpenCV调用,实现了在线图像识别集成系统,可有效实现目标图像的分类与识别。     

基于面向对象与深度学习方法的遥感影像自动提取技术研究

文章在对面向对象多尺度分割技术和深度学习技术分别进行理论、方法阐述后,开展目标区建设用地和非建设用地自动提取实例研究。通过建立少量地类样本库完成遥感影像自动分类提取,并对提取结果进行分析,得出目标区总体分类精度达到94.40%,建设用地的制图精度和用户精度能够满足实际生产需求。