采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

融合高光谱图像技术与MS-3DCNN的小麦种子品种识别模型

小麦品种的纯度和小麦产量密切相关,为了实现小麦种子品种的快速识别,该研究利用高光谱图像技术结合多尺度三维卷积神经网络（Multi-Scale 3D Convolutional Neural Network,MS-3DCNN）提出了一种小麦种子的品种识别模型。首先,利用连续投影算法（Successive Projections Algorithm,SPA）对原始高光谱图像进行波段选择,以减少MS-3DCNN模型的输入图像通道数量,降低网络训练参数规模;其次,利用多尺度三维卷积模块提取特征图的图像特征和不同特征图之间的耦合特征;最后,以6个品种小麦共6 000粒种子的高光谱图像（400～1 000 nm）为研究对象,基于SPA算法选择了22个波段高光谱数据,利用MS-3DCNN、支持向量机（Support Vector Machine,SVM）分别构建了识别模型。试验结果表明,MS-3DCNN模型取得了96.72%的测试集识别准确率,相较于光谱特征SVM识别模型和融合特征SVM识别模型分别提高了15.38%和9.50%。进一步比较了MS-3DCNN与基于二维卷积核、三维卷积核、多尺度二维卷积核构建的多个识别模型性能,结果表明多尺度三维卷积核能提取多种尺度的信息,其识别模型的准确率提高了1.34%～2.70%,可为小麦种子高光谱图像品种识别提供一种可行的技术途径。     

基于自监督学习的温室移动机器人位姿跟踪

为实现温室环境下机器人行进过程中的位置及姿态跟踪,该研究提出一种基于时序一致性约束的自监督位姿变换估计模型。模型用软遮罩,处理视频帧间静止造成的位姿预测值收缩现象,进一步用归一化遮罩,解决非刚体场景和目标遮挡问题。设计了一种星型扩张卷积,并基于该卷积,为模型构建自编码器。在采集自种植作物为番茄的日光温室视频数据上开展训练和测试试验。结果表明,与不采用遮罩处理的模型相比,采用软遮罩的模型,位置和姿态估计相对误差分别减少5.06个百分点和11.05个百分点,采用归一化遮罩的模型,这2项误差则分别减少4.15个百分点和3.86个百分点,2种遮罩均可显著提高模型精度;星型扩张卷积对降低模型误差是有效的,在网络参数不变的前提下,该卷积使姿态估计相对误差减少7.54个百分点;时序一致性约束使姿态估计均方根误差下降36.48%,每百帧累积姿态角误差降低54.75%,该约束可用于提高模型精度及稳定性;该研究的位置及姿态估计相对误差分别为8.29%和5.71%,与Monodepth2相比,减少了8.61%和6.83%。该研究可为温室移动机器人导航系统设计提供参考。     

基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

藏北高原土壤湿度MODIS遥感监测研究

利用Terra与Aqua两颗卫星的MODIS地表温度和植被指数数据,分别构建LST-NDVI与LST-EVI共四种不同组合的Ts-VI特征空间,并依据该特征空间提取温度植被干旱指数(TVDI)作为反映土壤干湿状况的指标,探讨一种合适的遥感监测藏北高原土壤湿度的方案,并基于同步的实地土壤表层含水量采样数据进行验证评价。研究表明,四种数据组合方案提取的TVDI分布图均能较好反映藏北土壤湿度,且Terra MODIS LST-EVI构建的特征空间提取TVDI指标效果最佳。在此基础上获得的藏北高原土壤湿度分级图表明,从东南到西北土壤湿度逐渐降低,并呈现明显的空间分异规律。     

基于深度学习与图像处理的哈密瓜表面缺陷检测

针对传统人工检测哈密瓜表面缺陷效率低等问题,提出利用卷积神经网络(Convolutional Neural Networks, CNN)对哈密瓜表面缺陷进行快速检测。对原始图像进行主成分分析(Principal Components Analysis,PCA)、奇异值分解(Singular Value Decomposition, SVD)和二值化等预处理操作,通过数据扩充得到正常、霉菌、晒伤和裂纹的哈密瓜图像各2 500幅。构建一种改进的类似VGG卷积神经网络模型,将预处理后的图像输入模型,并使用随机梯度下降(StochasticGradient Descent,SGD)优化器进行算法优化,为探究CNN模型的特征提取原理,将改进的类似VGG模型每层卷积的特征进行可视化,最后利用开发的哈密瓜表面缺陷检测软件对模型进行试验验证。研究结果表明:图像预处理算法提高了模型的鲁棒性和泛化能力,改进的类似VGG模型优于Alex Net和VGG-16模型,其训练集和测试集准确率分别为100.00%和97.14%;对比预处理前后4类哈密瓜卷积特征可视化结果表明,随着卷积层层数的增加,哈密瓜表面缺陷特征越来越明显,图像预处理后卷积层特征提取效果优于原始图像提取效果。软件测试结果表明:静态下哈密瓜缺陷检测速率达到0.7 s/幅,识别准确率达到93.50%。研究结果可为哈密瓜表面缺陷在线检测技术提供理论依据和技术参考。     

基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

基于机器学习和全极化雷达数据的干旱区土壤湿度反演

雷达遥感是区域土壤湿度监测最为有效的技术手段之一,为深入探讨全极化雷达特征参数和不同机器学习算法对干旱区土壤湿度反演的潜力,该研究以黑河下游的居延泽为研究区,基于全极化Radarsat-2数据,通过标准强度和相位处理提取后向散射系数(BackscatteringCoefficients,BC),并通过Cloude-Pottier分解(Cloude-Pottier Decomposition,CPD)与Yamaguchi分解(Yamaguchi Decomposition,YD)提取多个极化参数作为雷达影响因子,对其进行相关性及重要性分析。采用随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和BP人工神经网络(Back Propagation Artificial Neural Network,BP-ANN)3种不同的机器学习算法,构建土壤湿度反演的多种模型,并使用10折交叉验证的方法综合评价各模型的性能,最后使用最佳模型反演研究区土壤湿度,分析其空间分布格局与影响因素。结果表明:1)平均散射角对反演精度至关重要,熵与反熵的影响次之。交叉极化相较于同极化后向散射系数有更高贡献,偶次散射与体散射的重要性明显高于表面散射和螺旋体散射。2)不同类型因子组合建模的模型,其性能表现均明显优于仅采用单种因子类型的模型。3)相较于SVM和BP-ANN模型,RF模型在干旱区土壤湿度反演中具有更好的适用性。其中,BC+CPD组合训练的RF模型性能最优,其验证集决定系数R2和均方根误差分别为0.78和6.60%,对应的标准偏差分别为0.15和1.95%,该模型可解释土壤湿度变化的89%。4)研究区土壤湿度平均值约为8.83%,整体呈现极端干旱的态势。其中,天鹅湖附近和古湖心区的土壤湿度高于其他区域,反演结果能综合反映区域土壤湿度空间分布的总体格局。     

基于自监督学习的番茄植株图像深度估计方法

深度估计是智能农机视觉系统实现三维场景重建和目标定位的关键。该文提出一种基于自监督学习的番茄植株图像深度估计网络模型,该模型直接应用双目图像作为输入来估计每个像素的深度。设计了3种面向通道分组卷积模块,并利用其构建卷积自编码器作为深度估计网络的主体结构。针对手工特征衡量2幅图像相似度不足的问题,引入卷积特征近似性损失作为损失函数的组成部分。结果表明:基于分组卷积模块的卷积自编码器能够有效提高深度估计网络的视差图精度;卷积特征近似性损失函数对提高番茄植株图像深度估计的精度具有显著作用,精度随着参与损失函数计算的卷积模块层数的增加而升高,但超过4层后,其对精度的进一步提升作用不再明显;当双目图像采样距离在9.0 m以内时,该文方法所估计的棋盘格角点距离均方根误差和平均绝对误差分别小于2.5和1.8 cm,在3.0 m以内时,则分别小于0.7和0.5 cm,模型计算速度为28.0帧/s,与已有研究相比,2种误差分别降低了33.1%和35.6%,计算速度提高了52.2%。该研究可为智能农机视觉系统设计提供参考。     

多特征融合的滚动轴承故障诊断

针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-Swin滚动轴承故障诊断方法。首先,在数据处理模块中利用连续小波变换(continuous wavelet transform, CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks, MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module, CBAM)提取关键信息;进一步构建特征提取模块,引入残差连接提高前后特征信息的利用效率,通过SwinT网络(swin transformer)学习故障信息的全局特征;最后使用全局平均池化代替全连接层进行故障识别。使用美国凯斯西储大学轴承数据集与自制数据集进行试验验证,试验结果表明,本文方法在可视化试验中的故障识别准确率为99.67%,在变工况试验中的故障识别准确率为95.01%～99.66%,不同编码方式试验中的故障识别准确率为100%。在自制数据集中,故障诊断准确率达到99.18%。与CWT-LeNet5、CWT-VGG16、CWT-ResNet18和CWT-Swin相比,本文方法在变工况条件下的平均故障识别准确率分别提高8.79、8.64、3.49和3.18个百分点,在自制数据集中分别提高5.23、2.74、1.40和1.26个百分点。本文方法实现了变工况等复杂条件下滚动轴承不同故障状态的识别,能够充分提取轴承故障的全局特征信息,具有较高的故障诊断准确率和良好的泛化能力,可为变工况条件下的滚动轴承故障诊断提供参考。     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

土壤水分反演的特征变量选择研究综述

土壤水分是水、能量和生物地球化学循环中不可忽略的组成部分,土壤水分信息对水资源管理、农业生产以及气候变化等相关研究有着重要意义。基于遥感数据的土壤水分反演算法是获取土壤水分信息的重要手段,通过对影响土壤水分反演的因素进行梳理,将影响因素抽象为包括土壤特征,植被特征,以及气象特征在内的特征变量,并以此为主线对土壤水分的反演研究进行回顾与梳理。分析了利用不同特征变量反演土壤水分时存在的问题和发展趋势,指出土壤水分反演过程中存在特征变量理论研究不足、综合应用不深的问题,强调耦合使用各类特征变量以提高水分反演精度是未来的研究热点。     

PROSAIL模型和水云模型耦合反演农田土壤水分

土壤水分的实时、动态监测对农业生产及作物估产有着非常重要的意义。该文提出一种光学和雷达遥感半经验耦合模型,该模型通过引入植被覆盖度将作物覆盖下的散射贡献与裸露地表的直接散射贡献区分开,结合水云模型和PROSAIL模型对农田区域土壤水分进行反演研究。结果表明：该耦合模型模拟得到的后向散射系数与实测值之间具有较好的线性关系,在HH和VV极化下决定系数R2分别为0.792和0.723,RMSE分别为0.600和0.837 dB。同时该模型对农田区域土壤水分的反演精度也较高,其R2为0.809,RMSE为0.043 cm3/cm3。因此该模型可以有效分离农田作物及裸露土壤对雷达信号的影响,准确建立地表直接后向散射贡献与土壤水分的关系,为大面积复杂地表类型覆盖区域的土壤水分反演提供研究思路和理论支持。     

基于NDVI分区的全国草地生态系统覆盖区土壤水分遥感反演

为了建立土壤水分遥感反演模型,反演2016年全国草地生态系统土壤水分并分析其时空变化特征,通过结合表观热惯量(ATI)和温度植被干旱指数(TVDI)的混合模型反演2016年全国草地生态系统的土壤水分,并在实测数据与反演结果精度验证的基础上确定归一化植被指数(NDVI)阈值。结果表明:(1)NDVI≤0.2的像元区域,采用ATI模型反演精度较高; NDVI≥0.78的像元上,基于增强型植被指数(EVI)的TVDI反演精度较高; 0.2相似文献   

基于改进水云模型和Radarsat-2数据的农田土壤含水量估算

为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。     

基于改进作物散射模型的陕西杨凌区麦田土壤水分反演研究

本文提出一种改进作物散射模型反演麦田土壤水分,该模型根据冬小麦等低矮植被的散射特性,在原模型的基础上保留植被层直接散射部分以及植被与地表相互耦合作用的信息,同时加入裸土地表的直接散射部分,并根据经验权重将两部分信息分离开,构建出适用于冬小麦等低矮植被的后向散射模型,并结合RADARSAT-2雷达数据以及陕西杨凌农田试验区的地面实测数据,计算得到改进模型的经验参数,进而对模型进行验证分析。研究结果表明：改进作物散射模型的模拟精度相对于未改进的作物散射模型有显著的提高,R_²在HH和VV极化下都达到80%以上。为了验证改进的作物散射模型算法及土壤水分反演的有效性,本研究将改进作物散射模型与TVDI光学指数模型、简化的MIMICS模型的土壤水分反演结果进行对比分析,改进的作物散射模型反演精度比TVDI和简化的MIMICS模型要好,R_²达到84.3%,均方根误差为0.028 cm_³/cm_³,简化的MIMICS模型反演结果比TVDI要好,但是精度不高,R_²为66.9%,均方根误差为0.043 cm_³/cm_³。改进的作物散射模型对地表植被比较敏感,可以有效的将冬小麦对雷达信号散射影响和裸土层散射贡献区分开,为植被覆盖下地表土壤水分的反演创造条件,给大面积大范围的地表土壤水分反演提供强有力的技术支撑。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

光学与微波遥感协同反演藏北表层土壤水分研究

表层土壤水分是定量干旱监测的重要参量,对干旱区生态环境具有十分重要的意义。在采用归一化植被指数阈值法划分地表覆盖类型的基础上,利用MODIS数据选择适用的光学遥感算法估算土壤水分基准值,以及利用风云三号B星搭载的微波成像仪(Fengyun-3B/MicrowareRadiationImagery,FY3B/MWRI)数据采用微波遥感算法反演土壤水分日变化量,最后构建藏北表层土壤水分协同反演的遥感模型并应用于区域土壤水分的估算。结果表明:光学遥感与微波遥感协同反演的土壤水分含量与实测数据呈显著相关,决定系数达到0.89,均方根误差为0.97,协同反演模型具有较高的反演精度,并且协同反演的结果优于单一遥感源的反演结果。该模型可以较好地适用于藏北地区表层土壤水分的动态监测。     

基于Landsat 8数据的荒漠土壤水分遥感反演

[目的]分析荒漠土壤水分变化特征,为南疆干旱区荒漠土壤水分遥感监测提供理论依据和方法支持。[方法]以Landsat 8数据构建干旱地区荒漠土壤水分建模指示因子,通过优选的26个光谱指数、地表温度(Ts)和地形数据(DEM)为建模因子,分别以偏最小二乘(PLSR)、支持向量机(SVM)和随机森林(RF)3种方法构建土壤水分反演模型,对模型进行验证和对比,选取最优模型反演空台里克土壤水分空间分布。[结果]①TVDI,NR,GLI等26个优选的光谱指数中,Ts和DEM与土壤水分均达极显著相关,可作为南疆干旱区荒漠土壤水分遥感建模的指示因子;②对比3种模型,RF模型建模集和预测集的R²分别为0.93,0.91,预测集RPD为3.90,各评价指标均为最高,PLSR模型精度次之,SVM模型精度最低;③以RF模型反演研究区表层土壤水分,在不同土地利用分类中土壤水分分布特征存在明显差异,特别在盐结皮区域的差异尤为突出。[结论]利用光谱指数、环境因子和地形数据构建的多因子、多指数综合的模型能较高精度地反演干旱区荒漠表层土壤水分,对研究该地区土地荒漠化和生态环境治理具有一定参考价值。