首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 203 毫秒
1.
基于深度卷积神经网络的水稻田杂草识别研究   总被引:2,自引:1,他引:1  
目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验。结果 在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954。在所设置的深度模型优化器试验中,VGG16-SGD模型取得了最高精度,其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982,其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中,无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900,而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作。  相似文献   

2.
目的 针对玉米田间路径边界模糊和形状不规则特点,普通的田间导航线提取算法在农业机器人实际应用中会出现偏差过大的问题,本文针对3~5叶期玉米田提出了基于离散因子的相机与三维激光雷达融合的导航线提取算法。方法 首先利用三维激光雷达获取玉米植株点云数据,同时将相机采集的图像利用超绿化算法和最大类间方差法自动获得绿色特征二值图像,然后将聚类分析后的点云数据投影到图像中的目标边框上,构建多传感器数据融合支持度模型进行特征识别,最后拟合所获取特征中心点即为导航基准线。结果 该算法能够很好地适应复杂环境,具有很强的抗干扰能力,单帧平均处理时间仅为95.62 ms,正确率高达95.33%。结论 该算法解决了传统算法寻找特征质心偏移、识别结果不可靠等问题,为机器人在玉米田间行走提供了可靠的、实时的导航路径。  相似文献   

3.
目的 以油青菜心Brassica chinensis var. parachinensis为试验对象,基于冠层温度研究其生长过程中的水分胁迫变化规律,并利用机器学习方法,以水分胁迫指数(Crop water stress index, CWSI)和光合有效辐射预测光合作用速率。方法 试验期间,在营养生长阶段(V期)和生殖生长阶段(R期)对油青菜心进行不同田间持水量处理,采集冠层温度、空气温湿度数据,建立无蒸腾作用基线(上限方程)、无水分胁迫基线(下限方程),通过经验公式计算CWSI。利用基于密度的空间聚类方法和空气温度研究油青菜心的冠气温差上限分布情况,选取固定值作为上限;以CWSI经验公式为基础,使用不同温度定值的无蒸腾作用基线计算CWSI,验证聚类效果。为更简便获取光合作用速率,使用4种机器学习方法:最邻近节点算法(k-Nearest neighbor,KNN)、支持向量回归(Support vector regression,SVR)、极端梯度提升法(Extreme gradient boosting,XGBoost)、随机森林(Random forest,RF)进行预测,并对比预测效果。结果 在不同田间持水量处理下,CWSI能较好地监测油青菜心水分胁迫状况。通过聚类分析,将V期和R期冠气温差上限分类到2个簇中,得到簇心分别为3.4和4.2 ℃,与CWSI经验公式计算值显著相关,表明使用固定值作为油青菜心冠气温差上限值具有可行性。KNN、SVM、XGBoost和RF预测模型均取得较好效果,相关系数分别为0.873、0.877、0.887和0.863。结论 机器学习方法可用于油青菜心光合作用速率的预测,可以避免使用大型笨重仪器,降低对油青菜心叶片的损伤,减少测量时间。  相似文献   

4.
为建立不依赖时序数据的水稻生育期识别模型,基于四波段辐射计(SKYE)获取的水稻全生育期每日的冠层光谱反射率数据,利用K近邻(k-nearest neighbors, KNN)、决策树(Decision trees)、支持向量机(Support vector machines, SVM)、随机森林(Random forests, RF)和梯度提升决策树(Gradient boosted decision trees, GBDT)共5种机器学习算法开展水稻生育期识别研究。结果表明:RF算法的识别准确率最高,达93.00%,KNN算法的识别准确率也达到了91.92%,其他3种算法的准确率也都超过90%。在此基础上,将建立的水稻生育期识别模型应用至无人机(UAV)影像数据,KNN算法适用性最好,识别准确率为83.54%,RF算法的适用性一般,识别准确率为74.38%,SVM算法的适用性最差,识别准确率仅为62.92%,但5种机器学习算法都容易错误地将抽穗扬花期识别为拔节孕穗期;而新构建的KNN算法结合可见光大气修正指数(Visible atmospherically resistant index,VARI)的水稻生育期识别模型对无人机数据的识别准确率可达86.04%,与单独应用KNN算法相比,对水稻各个生育期的识别精度更加均衡。  相似文献   

5.
目的 结合传统与现代农业病虫害监测的优缺点,探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像,经过光谱预处理和特征工程后,采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合,基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法,建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve,AUC)分别为0.883 0和0.912 0,分类准确率均超过95%;提取出698和762 nm的特征波长组合,基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率,证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。  相似文献   

6.
【目的】 农作物空间分布信息是支撑相关科学研究与政策制定的重要依据。当前农作物空间分布遥感分类在理论和技术方法方面取得了长足的发展,但仍面临一些难题,包括地面样本数据的获取困难、作物特征选择存在主观性和冗余、特征构建过程中缺乏针对性和代表性等,导致农作物空间分布遥感分类的效率与精度不足。【方法】 针对这些问题,文章开展快速、准确、低成本的样本获取、特定作物分类的最优特征构建与优选,并分别选择多个研究区开展实证研究。样本获取方面,开发基于“视田”众包的样本获取平台,通过迭代更新的任务采集和历史样本库的方式高效获取地面样本。作物分类方面,提出遗传规划算法为不同作物提取差异化的特征,通过遗传进化思想实现定制化特征的构建,能够在原始特征的基础上构建高层次特征。【结果】 在北方地区,利用“视田”众包工具,由8名工作人员2天内完成了位于义县、辽中区、新民市及开原市4个区域的水稻、玉米、大豆和花生的样本采集,内业工作人员同步进行分类并迭代样本需求,分类的总体精度均大于90%,kappa系数均高于0.87。在南方地区,位于湖北省枝江市区域的春秋两季作物分类结果的总体精度均大于94%,kappa系数均高于0.86。【结论】 该文提出了一套快速、高效开展农作物遥感分类的技术体系:利用众包采集快速扩大样本数量,同时利用遗传规划算法提高样本训练效率。在不同区域、不同作物类型研究区应用,可实时、准确生产农作物空间分布图,总体效果稳定,在支撑科学研究与政策制定方面具有较强的应用前景。  相似文献   

7.
目的 引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为 0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.088 6,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据。  相似文献   

8.
【目的】 准确获取草原植物物种空间分布信息是草原生态系统生物多样性监测、群落重构与生态功能维持的重要基础。及时准确获取植物物种空间分布可以为草原植物物种信息提取提供有效技术手段。【方法】 文章以无人机多光谱影像为基础,分别在像元尺度和对象尺度上开展了荒漠草原典型物种的信息提取方法研究。像元尺度上先定义样本计算样本可分离性,在选择不同分类器进行分类。而对象尺度上首先进行遥感影像尺度分割研究,选出最佳分割尺度。在此基础上,提取最优特征变量,并采用阈值分类法提取植被信息。【结果】 高分辨率无人机多光谱数据能够为荒漠草原物种信息提取提供有效数据基础。面向对象影像分析技术的表现最好,总体精度85.16%,Kappa系数0.71,其中短花针茅的制图精度和用户精度分别为97.6%和86%;其次是支持向量机机器学习算法,其总体精度80.40%,Kappa系数0.70,短花针茅的制图精度和用户精度分别为90.08%和76.46%;而传统最大似然分类法的识别精度较低,总体精度为74.68%,Kappa系数0.64,短花针茅的制图精度和用户精度分别为72.40和81.96。【结论】 无人机多光谱数据对于集中连片分布的植被物种的识别能力较强,而对零星分布的物种的识别精度并不理想,但该文结果能够为大尺度草原植物物种识别提供一定参考。  相似文献   

9.
【目的】 为了改善遥感影像分类算法对“同谱异物”的农村房屋与乡村道路的区分能力,提高房屋识别的空间平滑性与自动检测精度,为后续的农村宅基地遥感监测提供技术支撑。【方法】 文章基于光谱-空间核函数集成支持向量机(光谱-空间核SVM)算法框架,发展了一种适于高分辨率遥感影像的农村房屋自动化识别方法。首先,对高分辨率遥感影像进行空间分割以及影像的空间邻域关系进行建模。其次,获取分割图斑内像元灰度值的均值作为空间特征,以像元灰度值作为光谱特征,利用光谱-空间核SVM算法进行房屋预提取。单独提取影像中的道路、裸地等区域,并制作掩膜对房屋预提取结果进行修正。最后,通过众数滤波,对房屋识别结果进行空间平滑处理,抑制噪声。【结果】 该试验得到的Kappa系数、总体精度和F1分数分别为0.75、98.0%和0.76;而基于像元光谱的常规识别方法得到的上述指标分别为0.40、91.8%和0.44。【结论】 该文提出的方法能有效抑制将道路、裸地识别为房屋,且具有良好的空间平滑性能。  相似文献   

10.
目的 解决机采茶鲜叶中混有不同等级的茶叶,且混杂度高、物理特征分类精确度低的问题。方法 利用随机森林分类模型,提出一种基于颜色和边缘特征融合的方法。试验采集3种不同等级的茶鲜叶,对原始图像进行裁剪、尺寸归一化和去噪等处理,再进行颜色特征和边缘特征提取。通过参数的修改和测试,构建最优的随机森林分类模型,并且同K最近邻、SVM分类器进行对比试验。结果 特征融合之后随机森林模型的分类准确率达到99.45%,比单一颜色特征和边缘特征的分类准确率分别高7.14和9.34个百分点;比K最近邻和SVM分类器准确率分别高15.38和5.49个百分点。结论 所建立的方法能够对茶鲜叶单芽、一芽一叶、一芽二叶进行精确的分类。  相似文献   

11.
基于无人机多光谱遥感图像的玉米田间杂草识别   总被引:5,自引:0,他引:5  
【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好。  相似文献   

12.
One of the constraints in the adoption of machine vision inspection systems for food products is low classification accuracy. This study attempts to improve pecan defect classification accuracy by using machine learning classifiers: AdaBoost and support vector machine (SVM). X-ray images of good and defective pecans, 100 each, were segmented and features were extracted. Twenty classification runs were made to adjust parameters and 300 classification runs to compare classifiers. The Real AdaBoost classifier gave average classification accuracy of 92.2% for the Reverse water flow segmentation method and 92.3% for the Twice Otsu segmentation method. The Linear SVM classifier gave average classification accuracy of 90.1% for the Reverse water flow method and 92.7% for the Twice Otsu method. Computational time for the classifiers varied by two orders of magnitude: Bayesian (10−4 s), SVM (10−5 s), and AdaBoost (10−6 s). AdaBoost classifiers improved classification accuracy by 7% when Bayesian accuracy was poor (less than 89%). The AdaBoost classifiers also adapted well to data variability and segmentation methods. A minimalist AdaBoost classifier, more suitable for real time applications, using fewer features can be built. Overall, the selected AdaBoost classifiers improved classification accuracy, reduced classification time, and performed consistently better for pecan defect classification.  相似文献   

13.
Mango is a commercial crop on Hainan Island, China, that is cultivated to develop the tropical rural economy. The development of accurate and up-to-date maps of the spatial distribution of mango plantations is necessary for agricultural monitoring and decision management by the local government. Pixel-based and object-oriented image analysis methods for mapping mango plantations were compared using two machine learning algorithms (support vector machine (SVM) and Random Forest (RF)) based on Chinese high-resolution Gaofen-1 (GF-1) imagery in parts of Hainan Island. To assess the importance of different features on classification accuracy, a combined layer of four original bands, 32 gray-level co-occurrence (GLCM) texture indices, and 10 vegetation indices were used as input features. Then five different sets of variables (5, 10, 20, and 30 input variables and all 46 variables) were classified with the two machine learning algorithms at object-based level. Results of the feature optimization suggested that homogeneity and variance were very important variables for distinguishing mango plantations patches. The object-based classifiers could significantly improve overall accuracy between 2–7% when compared to pixel-based classifiers. When there were 5 and 10 input variables, SVM showed higher classification accuracy than RF, and when the input variables exceeded 20, RF showed better performances. After the accuracy achieved saturation points, there were only slightly classification accuracy improvements along with the numbers of feature increases for both of SVM and RF classifiers. The results indicated that GF-1 imagery can be successfully applied to mango plantation mapping in tropical regions, which would provide a useful framework for accurate tropical agriculture land management.  相似文献   

14.
15.
基于BP神经网络和支持向量机的农用地分等方法研究   总被引:1,自引:0,他引:1  
为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。  相似文献   

16.
目的针对保护区监测需求,充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势,提高保护区植被类型遥感监测的精度,为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区,主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先,对GF-1 WFV数据进行多尺度分割,将研究区划分为诸多区域性的分割对象;然后,以分割对象为基本单元,研究光谱特征、几何特征、纹理特征不同组合情况下,基于CART决策树分类的结果;最后,利用训练样本建立基于TTA的精度检验,并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中,形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好;当形状因子和紧致度固定时,研究区最佳分割尺度为40。精度检验结果表明,基于CART决策树的保护区植被类型分类结果整体精度均在83%以上,Kappa系数在0.80以上,优于最邻近分类法和支持向量机分类算法,其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高,总体精度为85.18%,Kappa系数为0.832 2,优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究,可有效辅助保护区监测工作。   相似文献   

17.
基于支持向量机的水稻稻瘟病图像分割研究   总被引:2,自引:0,他引:2  
水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。  相似文献   

18.
KNN和SVM算法在中文文本自动分类技术上的比较研究   总被引:3,自引:0,他引:3  
中文文本分类技术在中文信息智能处理方面具有十分重要的作用,比如:中文信息检索和搜索引擎等,KNN、贝叶斯、SVM等算法都可以应用到中文文本分类技术上,本研究分析和比较了KNN和SVM两种分类算法,并通过实验比较这两种算法对中文文本分类技术的效果。结果表明:SVM算法较优,是一种较好的中文文本分类算法。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号