小样本条件下基于数据扩充和ResNeSt的雪豹识别

  目的  红外触发相机采集的雪豹监测图像质量参差不齐,且数量有限,为了提升小样本下雪豹的识别准确率,本研究提出一种雪豹监测图像自动识别方法。  方法  该方法基于具备注意力机制的ResNeSt50模型,使用祁连山国家公园的雪豹监测图像作为原始数据集,红外触发相机拍摄的非雪豹陆生野生动物图像作为扩充负样本,网络雪豹图像作为扩充正样本,生成3种数据集并依次进行对比实验,选择合适的扩充方式引导模型逐步关注到雪豹个体关键特征,使用梯度类激活热力图可视化进一步验证数据扩充后的有效性。  结果  使用原始数据集+扩充负样本+扩充正样本训练的模型识别效果最好,热力图可视化显示模型正确关注到雪豹个体花纹与斑点特征,对比基于Vgg16和ResNet50的识别模型,ResNeSt50的识别效果最好,测试集识别准确率达到97.70%,精确率97.26%,召回率97.59%。  结论  采用本研究提出的原始数据集+扩充负样本+扩充正样本数据扩充方法训练的模型,可以区分背景与前景,且对雪豹本身特征具有较强的判别能力,泛化能力最好。      

利用特征分割和病斑增强的杨树叶部病害识别

  目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点，提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响，采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓；借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征；使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像，分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度，较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像，有效避免目标叶片的背景干扰；限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果，有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显，识别能力远超过未经处理的原始病害图像识别，有助于提高杨树叶部病害的智能识别能力。图8表1参22     

基于小样本学习的马铃薯叶片病害检测

马铃薯叶片的病害将直接导致马铃薯产量和质量的下降,为实现马铃薯叶片病害的精确检测并及时预防病变,提出了一种基于小样本学习的马铃薯叶片病害检测算法。首先,利用一组共享权重的特征提取器将输入图片映射到深度特征空间;然后,提出一种任务感知注意力模块用于融合小样本学习网络中的双分支输入特征,强化目标任务的特定表达能力;最后,引入一种动态卷积模块提高卷积核的建模能力,并将卷积块注意力机制(CBAM)嵌入到该卷积网络中,构造特征强化学习模块,细粒度地捕获病害区域的细节特征。通过在开源马铃薯叶片病害检测数据集上进行测试,所提出模型分别实现了93.92%的准确率、93.81%的精准率、93.85%的召回率和93.63%的F₁值;此外,在自建数据集上与当前经典马铃薯叶片病害检测模型相比,同样具有较好的竞争力。     

1种基于全局对比度的害虫收集方法

  目的  目前利用测报灯,通过灯光诱捕昆虫,并由计算机完成昆虫图像的采集、计数和识别已逐步成为害虫测报的重要方法。为了减少昆虫在采样盘上重叠造成的计数和识别误差,基于害虫图像,根据昆虫密度研究采样盘中昆虫的收集方法,从而提高采集效率和精度。  方法  根据昆虫在采样盘上姿态特点,提出基于全局对比度的图像分割方法,结合阈值迭代分割获得昆虫区域,计算昆虫比例,并控制采样盘翻转完成对昆虫的收集。  结果  通过对5种害虫的实际图像进行的试验表明:与水平集、大津法(OTSU)、阈值迭代法和基于直方图对比度的显著性检测(HC)4种算法相比,本研究方法在准确率和召回率上均提高10%以上,取得了较好的结果;同时,在分割速度上比水平集快3倍,与阈值和HC算法基本持平。  结论  基于全局对比度的分割方法简单、高效,在害虫自动测报中具有较高的实际应用价值。图7表1参17     

基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题，提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成，其中，多尺度空洞卷积模块Inception用于图像的多尺度特征提取，在卷积模块中引入双注意力机制增强网络模型，显著表示图像中叶部病斑区域特征，降低非病斑区域与背景区域对识别结果的干扰，在原始残差模块上引入卷积层与非线性激活函数改进的残差模块，增加鲁棒性判别特征的跨层融合，在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明，所提出的方法具有参数量少、占用内存小以及性能好的优势，可进一步应用于田间苹果叶部病害智能识别系统。     

基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别

茶树是重要的经济作物,叶部病害的发生直接影响其产量和质量。针对胶囊网络在茶树叶部病害图像识别中识别率低和参数量大的问题,提出了一种基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别算法。首先,由于尚无茶树叶部病害图像标准数据集,构建了茶树叶部病害图像数据集。其次,在胶囊网络中引入深度可分离卷积,并在深度可分离卷积层后加入SENet。实验结果表明,提出算法的识别准确率为94.20%,相同条件下优于其它模型。     

卷积神经网络在红木树种识别中的应用

  目的  不同类型的红木由于生长周期和木材特性的不同，导致商业价格差异悬殊，其中还包含有国家保护木种。本研究旨在找到能准确地识别红木种类的方法，以防止交易中的欺诈行为和保护树种。  方法  以国家林业和草原局木材与木竹制品质量检验检测中心(昆明)实际检测中累积的黄檀属Dalbergia和紫檀属Pterocarpus中的交趾黄檀D. cochinchinensis、刀状黑黄檀D. cultrata、卢氏黑黄檀D. louvelii、巴里黄檀D. bariensis、奥氏黄檀D. oliveri、大果紫檀P. macrocarpus、檀香紫檀P. santalinus等7种红木的376个样本作为基本数据，使用计算机算法扩展样本数量，提出自动化识别红木的卷积神经网络模型。  结果  该方法能够自动提取适合模型分类识别的特征，使用更为便捷，相比其他传统方法识别效果更准确的，结果证明平均识别精度达99.4%。  结论  自建的卷积神经网络可以有效识别红木树种，虽然在调参优化与训练时间大于VGG16等迁移学习方法，但泛化能力更强，证明了自建模型在红木识别应用上优于迁移学习模型。图7表4参23     

基于改进K-means聚类与分水岭的木材横截面管孔分割

  目的  管孔是木材识别方面的重要特征之一。针对管孔随机分布、大小不一导致管孔分割鲁棒性不高,木纤维、木射线以及轴向薄壁组织等噪声区域对管孔分割效果影响较大的问题,本研究提出了一种改进K-means聚类与分水岭的木材横截面管孔分割算法。  方法  采用改进K-means聚类对管孔区域进行粗分割,有效区分管孔区域与木纤维、木射线以及轴向薄壁组织等噪声区域。再对粗分割结果采用改进分水岭算法进行精分割,分割出的管孔与实际管孔基本吻合。  结果  平均每张木材横截面微观图像有97.1%的管孔被准确有效地分割出来。本研究提出的改进分割算法与其他算法相比,分割效果显著提升,在大小不一且随机分布的管孔分割过程中鲁棒性高,具有良好的分割性能。  结论  该算法有效解决了传统K-means聚类算法在图像分割时受噪声影响大和初始聚类中心随机性问题,为阔叶材管孔特征提取和定量分析奠定了坚实基础。图7表1参16     

基于Sparse-DenseNet模型的森林火灾识别研究

  目的  森林火灾的频繁发生给森林防治工作带来很大的难度，传统的森林火灾识别算法存在准确率低、处理效率不够高等问题，同时由于森林火灾图像数据本身具有很强的复杂性，需要从识别精度和泛化能力等多方面进行综合考虑，因此本文将利用稀疏化的DenseNet模型展开森林火灾的识别研究。  方法  首先，对DenseNet模型进行稀疏化改造，通过随机屏蔽Dense Block模块中节点的方式来产生稀疏化效果，使得算法具备减轻过拟合、缓解梯度消失以及加快收敛速度等优点。其次，在林区进行图像采集时，由于摄像设备与被采集物体之间的相对运动以及光影作用，会出现图片数据被干扰的情况，因此本文利用python相关的图片处理工具对图片进行变换，从而对图片数据集进行相应的扩充，使其能够契合实际的应用场景。最后，本文将Sparse-DenseNet模型与其他经典深度学习模型在森林火灾数据集以及cifar10数据集上的表现进行对比，观察其效果。  结果  Sparse-DenseNet模型拥有在结构上更加轻量的特点，并且训练更快，避免过拟合的效果更好，在森林火灾数据集和标准数据集cifar10上都具有较好的表现。  结论  本文所提出的Sparse-DenseNet模型在森林火灾识别问题上，可以有效优化传统模型存在的问题，并取得良好的识别效果，其准确率可达到99.33%，优于DesenNet的98.15%，并且相同轮次训练时间只有DenseNet训练时间的3/4左右。      

一种轻量级CNN玉米病害图像识别方法

针对传统卷积神经网络模型参数和运算量超大,难以部署在资源受限的移动终端或嵌入式设备上的问题,以VGG16作为基础框架,结合MobileNet v3模型思想,提出了一种轻量级卷积神经网络玉米病害图像识别方法,通过逐级渐进的方式建立网络模型,用线性瓶颈的倒残差深度可分离卷积代替标准卷积,用卷积层来代替全连接层,大幅度降低了模型的参数量和运算量。在深度卷积和点卷积之间加入改进的squeeze and excitation通道注意力模块,来增强模型精度。注意力模块的第2个全连接层的激活函数使用hard-swish代替sigmoid,可以大幅度提高运算速度。试验样本数据为PlantVillage数据集的玉米病害子数据集,由于样本数据集偏小,通过随机旋转、随机缩放大小、随机宽度高度偏移、水平翻转、垂直翻转、随机错切变换、随机亮度变化、样本零均值化等方式对样本数据进行了增强和扩充,扩充后的数据集在改进模型上进行试验。试验结果表明,和VGG16对比,改进模型的准确率提高了1.48百分点,参数量是原模型的1/5,运算量是原模型的1/15;在不降低准确率的前提下,模型的参数量和运算量大幅度降低,实现了模型...     

利用多时相特征的落叶松人工林分类

  目的  基于多时相遥感影像研究落叶松Larix gmelini人工林季相特性，采用多种分类方法提取落叶松人工林空间分布，以期得到适用落叶松人工林提取的手段和方法。  方法  利用多时相Landsat 8影像，在分析落叶松人工林季相和物候特性的基础上，综合森林资源二类调查成果和样地数据，分别采用最大似然法、支持向量机法、光谱角法和k最近邻法提取研究区的落叶松人工林信息，并进行精度验证。  结果  落叶松人工林具有明显的植被光谱特征和季相特性，在近红外波段各树种类别光谱差异最明显，秋季影像对落叶松人工林信息提取效果较好。利用多时相数据对落叶松人工林信息提取精度明显优于单时相数据的提取精度，多时相Landsat 8影像能使落叶松人工林分类精度达86%以上，其中光谱角法最好，精度为88.346 3%。  结论  利用多时相特征遥感影像进行落叶松人工林信息提取研究，有着一定的可行性和适用性，研究结果对大面积获取落叶松人工林的空间位置分布提取具有一定的参考价值。     

基于高空间分辨率时间序列影像的对象级侵占林地图斑快速检测

  目的  为掌握森林资源动态变化情况，及时、快速、准确地发现侵占林地地块，并解决主流遥感变化检测方法对数据源和时相一致性要求高、人工干预多、过程繁琐等应用瓶颈，采用一种基于高空间分辨率时间序列影像的多尺度对象级分割和变化提取方法，对主流方法的分类和检测两个过程进行了融合和简化。  方法  以陕西省白水县为研究区，采用GF-1和ZY-3卫星数据源，将前后两期遥感影像波段拆分和重组形成时间序列影像，对时间序列影像进行多尺度面向对象的分割，通过分割结果的光谱变化值统计学抽样判断临界点并制定提取阈值，再利用NDVI变化值对结果进行优化。  结果  以人工目视解译结果作为参照，该方法的检测精度达86.2%。在成功检出的侵占林地图斑中，形状吻合较好或基本吻合的图斑占48.8%。  结论  该方法能够实现侵占林地图斑的快速检测，在检测效率、精度和适应性方面可满足大范围、多时相、混合数据源森林资源监测工作的实际应用需要。      

基于卷积神经网络的高分二号影像林分类型分类

目的基于遥感影像的林分类型分类在现代林业中是一项重要的应用。本文试图构建一个基于高分二号（GF-2）影像林分类型分类的卷积神经网络（CNN）模型,探索CNN在遥感图像像素级分类这一领域的发展潜力。方法以GF-2卫星遥感影像为数据源,利用Tensorflow（一种开源用于机器学习的框架）构建4种不同图像斑块大小（m = 5,7,9,11）为输入的CNN,同时以传统的神经网络模型——多层感知器（MLP）为基准,比较不同图像斑块大小下的CNN分类图的分类效果和分类精度。结果实验分类结果表明:CNN（m = 9）得出最高的分类精确度,总体精度比MLP和CNN（m = 5,7,11）分别高出10.91%和6.55%、1.3%、2.54%。分类图的可视化结果也表明CNN（m = 9）更好地解决了“椒盐现象”与过度平滑后的边界不确定性问题。结论CNN能够在利用高分影像光谱特征的同时充分挖掘影像的空间特征,从而提高分类精度,同时在利用CNN基于遥感影像分类时,根据数据源以及地物的特点选择合适的图像斑块大小作为输入是提高分类精度与分类效果的关键措施。      

高分1号数据用于云南文山三七种植信息提取

  目的  云南文山三七Panax notoginseng作为经济价值较高的中草药，其产量多少与价格波动之间存在着较紧密的联系，实时准确地掌握三七种植面积，对于当地政府相关管理部门科学指导三七种植规模和确定价格等宏观调控具有重要意义。  方法  以文山州4个三七主产县为研究区域，基于国产16 m分辨率的高分1号（GF-1）开源影像，根据三七的生长环境特点对专家决策树模型进行改进，并通过决策树分类法提取三七的荫棚图斑。在对三七荫棚识别可靠度和面积提取精度评价中，采用了谷歌影像代替实地调绘和以目视解译结果作为图斑面积基准的方法。  结果  决策树分类成果和目视解译提取的图斑判定正确率分别为87%和99%；专家决策树分类提取的成果整体面积精度为80%。  结论  与传统基于高分辨率商业影像采用目视解译的人工勾绘图斑方法相比，基于GF-1影像的三七面积提取所采用的方法能够在保证一定精度的条件下，以较快速度开展文山三七种植资源的调查，为当地特色农产品种植的科学监管与价值估算提供基础数据与有效技术支持。     

基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法

为快速、高效地利用高光谱成像技术诊断小麦赤霉病病症,分析了卷积层结构与光谱病症特征的关联性,并重点研究了高光谱的像元分类建模方法。首先,基于深度卷积神经网络的2种典型结构,构建了不同深度的卷积神经网络,比较了小麦赤霉病高光谱数据点集的训练和测试结果。结果显示:Visual Geometry Group(VGG)结构随着网络深度的增加,模型损失值不断下降;残差神经网络(ResNet)结构随着深度增加,损失值没有明显降低,说明ResNet网络的深度与模型性能无关。从测试集评测模型泛化性可知,具有4个基础单元模块的22层VGG网络在所有深度卷积模型中最优,其建模和验证准确率远高于传统的支持向量机(SVM),分别为0.846和0.843,测试集准确率为0.742。以VGG为基础单元构建的深度神经网络,能有效提取小麦赤霉病病症的高光谱特征。研究结果可为大尺度小麦赤霉病的智能成像诊断提供理论基础。     

基于随机森林法的农作物高光谱遥感识别

  目的  不同农作物种类光谱差异小，通过探测众多窄波段范围的细微差别，提取区分不同农作物的特征波段，是目前实现农作物高光谱遥感识别的重要途径。如何提取区分不同农作物的特征波段，进而实现农作物的精确识别是一个挑战。近来出现的随机森林方法在多变量目标的分类识别方法展现了优势，为解决这一难题提供了一个新手段。  方法  利用随机森林法与传统方法分析杭州地区8种典型农作物的反射光谱，提取特征波段并进行分类，对比不同方法的识别效果。  结果  不同作物的反射光谱及其一阶微分、二阶微分、倒数的对数、去包络线法所提取的特征波段只能区分部分作物；随机森林法无需对反射光谱预处理，直接对全波段反射光谱数据处理，不仅筛选出了区分不同作物的特征波段，且运用所选择的波段对作物进行随机森林分类的效果也是最优的。  结论  随机森林法选择的波段（550、2 490、370、770、560、380、540、530、570、350 nm）不仅能区分不同作物，还能反映农作物生化属性的不同，使得用于分类的波段及分类方法体现了不同作物间物化性质的不同，在展现高光谱遥感识别农作物优势的同时，也为大面积农作物遥感精细分类提供借鉴。     

基于遥感的高山松连清固定样地地上生物量估测模型构建

  目的  研究利用遥感方法构建高山松固定样地地上生物量估测的参数模型，可以在今后前期样地的基础上直接快速、准确地估测生物量，或者开展少量的外业调查即可获取地上生物量。  方法  基于遥感因子与样地地上生物量变化量和线性混合模型提高生物量估测精度，以香格里拉市1987、1992、1997、2002、2007、2012、2017年7期国家森林资源清查固定样地和对应年份Landsat TM、OLI的Level-1数据为基础，首先对遥感数据进行预处理:包括辐射定标、大气校正、几何校正和地形校正，提取原始波段、比值因子、植被指数、图像增强信息、纹理指数、混合像元分解后的丰度、叶面积指数，计算5 ~ 30年间隔样地对应的遥感因子变化值。根据森林资源二类调查的高山松分布特征，选择地形因子作为线性混合模型的固定和随机效应，采用多元线性回归、非线性回归、地理加权回归、线性混合模型构建高山松地上生物量估测的静态模型，基于遥感光谱信息变化量构建了有树高和无树高参与的动态模型。最后对不同的建模方法和验证结果进行对比分析，选择最优结果作为估测模型并验证。  结果  （1）分析静态数据建模和验证的结果，采用样地号为固定因子、坡度等级为随机因子的线性混合模型的拟合R2最高，为0.75；但利用训练数据集和2017年数据验证，其精度都较低。（2）分析变化量数据建模和验证的结果，采用样地号为固定因子、坡度等级为随机因子、遥感因子变化量为自变量的线性混合模型拟合R2最高，为0.70，预测精度P值为（68.86 ± 11.93）%；增加平均树高变化量，拟合R2最高为0.79，预测P值为（73.39 ± 6.18）%。（3）无论是有、还是无树高参与的变化量模型其拟合和预测精度都达到80%，其预测精度达到了非参数模型预测精度。  结论  基于变化量的估测模型的拟合和预测精度较静态模型有所提高；综合遥感因子、地形因子构建的高山松地上生物量估测线性混合模型，其精度有较大提高；采用遥感因子变化量构建的高山松地上生物量估测模型，有效弥补了静态光学遥感数据估测生物量的不足，经检验可用于其他年期的估测。      

基于无人机影像的高郁闭度杉木纯林树冠参数提取

  目的  冠幅是树冠结构的重要特征因子，直接影响树木的生产力和生命力，郁闭度是反映森林冠层结构与密度以及评价森林经营管理采伐强度的重要指标之一。利用无人机可以云下飞行，易于获取图像，精度高，低成本等优势，研究无人机影像上提取树冠参数的方法，使无人机影像提取林木树冠参数的操作系统化，实现精准高效的森林资源清查和监测。  方法  以福建将乐林场杉木人工纯林为研究对象，采用四旋翼无人机影像为数据源，基于面向对象分类的方法，将杉木纯林的树冠参数从无人机影像中提取出来。面向对象分类的方法需要先利用ESP工具选取最优分割尺度，然后根据影像的分割结果将树冠对象聚为一类，进而统计每个树冠对象栅格像素个数计算出树冠冠幅面积以及林分郁闭度。  结果  面向对象分类有效地对高郁闭度林分进行了树冠的提取。在分割尺度为70时，单木树冠分割效果最好，树冠被单独分割出来，但也存在一定的过分割以及未分割的问题，以至于部分单木的丢失。分割结束后，对分割对象进行特征空间的优化，选取适当的分类特征，最终将研究区分为树冠和林隙两类。通过统计每个对象栅格点数，计算得出的林分因子包括林分郁闭度，树冠面积。以地面实测数据作为参考，冠幅面积提取精度为0.829 1，林分郁闭度测量精度为0.973 1。  结论  研究结果表明，基于无人机高分辨率影像的树冠参数提取在高郁闭度林分同样适用，能有效提高森林资源调查的效率并且能够满足森林资源调查的精度。      

大理苍山东西坡植被的垂直分布格局

  目的  分析云南省大理苍山东西坡植被的垂直分布格局变化特征,为有效保护苍山生态环境和物种多样性提供参考依据。  方法  以大理苍山为研究区域,基于高分二号(GF-2)高分辨率遥感影像,结合大理苍山完整的山地植被垂直地带性分布规律,辅以纹理特征和数字高程模型(DEM)数据,采用面向对象的多层次图像分割法,通过构建地形约束因子参与分类过程,准确选择样本,高精度提取研究区域的植被信息,并分析苍山东西坡植被的垂直分布格局。  结果  ①引入辅助信息的面向对象分类法提取的苍山各植被类型连续且效果好,分类总体精度为95.3%,Kappa系数为0.946 6。②苍山东西坡现状植被垂直分布格局明显,各自具有6个垂直分布带,并随着海拔高程的增大,植被分布类型趋同性增大,但东西坡垂直带谱内的优势植被类型相比也存在部分差异。  结论  相较于传统主观性强的分类方法,引入垂直带谱信息的地形约束因子进行分类,可以有效地提高山地植被分类的精度。基于面向对象的多层次分割法适用于苍山植被信息的精确提取。图5表3参20