基于离散因子的多传感器数据融合和导航线提取方法

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。     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

基于点云边缘平滑和生物特征的鸡只体尺估测

目的 针对使用深度相机的鸡只体尺估测中，鸡只点云边缘抖动、羽毛冗余、特征点提取难的问题，本文提出一种结合点云边缘平滑和基于生物特征的特征点提取方法用于鸡只多部位体尺估测。方法 首先，通过直通滤波、统计滤波等方法对点云进行预处理，减少背景和噪点对目标的影响；其次，通过点云的空间变化约束边缘，采用连续多帧序列变化平滑边缘，减少边缘抖动对体尺测点提取的干扰；再次，对处理后的点云进行生物特征分析，结合基于邻域分析的边缘算法，融合RGB图像采用Canny边缘检测、霍夫变换等方法提取特征点；最后，依据特征点估测胸宽、半潜水长和胫长体尺。结果 试验结果表明，估测的胸宽平均误差为6.64%，胫长平均误差为5.93%，半潜水长平均误差为3.34%，平均每帧图像计算体尺耗时8.8 s。结论 本文算法可为鸡只体尺测量提供技术参考。     

局部均匀模式描述和双加权融合的人脸识别

目的 针对LBP算法对边缘及噪声信息比较敏感,提出一种统一化的局部均值模式(ULMP)描述算子。考虑到全局和局部特征在识别上的互补性,提出一种ULMP描述和双加权融合的人脸识别方法。方法 首先利用ULMP算法获得整幅图像的编码图,接着将其分块,统计每一子块的直方图获得局部纹理特征,并结合BP神经网络得到局部分类结果。引入云模型求取不同子块的权值,对局部分类结果进行加权融合。整体纹理特征的获取是将不同子块的直方图特征串联。在得到全局和局部的分类结果后,将两者加权集成,获得最终的识别结果。结果 在ORL和Yale人脸库上进行实验,ULMP具有很好的识别性能。5幅测试样本时,在ORL库上取得了95.9%的平均识别率,分别比局部二值模式(LBP)、MCT、局部方向模式(LGP)、统一的LBP(ULBP)和局部中心二值模式(CSLBP)高11.3%、10.6%、9.5%、8.9%和3.9%;在Yale库上取得了97.4%的识别率,分别比LBP、MCT、LGP、ULBP和CSLBP高19.9%、17.7%、10.7%和0.7%。在ORL和Yale人脸库上,本文提出的双加权融合模式分别取得了98.5%和98.34%的平均识别率,高于任何单一模块。结论 本文提出的纹理提取算法ULMP,具有很好的平滑噪声及边缘信息的作用,适用于面部纹理特征的提取。利用云模型求取的权值的方法能够较好地发挥局部分类器间的集成作用,最终有效地提高了系统的整体性能。双加权融合模式是一种精确且有效的人脸识别方法,适用于静态人脸图像的匹配识别。     

基于改进区域卷积神经网络的田间玉米叶部病害识别

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。     

基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取

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。     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图，为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法，对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较；引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN)，对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s，分类精度分别达到89.75%、85.58%和90.25%，CNN对图像的分类精度达到92.41%，高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草，获取杂草的分布信息，生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高，生成的水稻田杂草分布图效果最好。     

基于改进Mask R-CNN的奶牛个体识别方法研究

目的 针对传统奶牛养殖中采用人工识别奶牛个体的方法效率低且主观性强的问题，提出一种基于改进Mask R-CNN的奶牛个体识别方法。方法 该方法对Mask R-CNN中的特征提取网络结构进行优化，采用嵌入SE block的ResNet-50网络作为Backbone，通过加权策略对图像通道进行筛选以提高特征利用率；针对实例分割时目标边缘定位不准确的问题，引入IoU boundary loss构建新的Mask损失函数，以提高边界检测的精度；对3000张奶牛图像进行训练、验证和测试。结果 改进Mask R-CNN模型的精度均值(AP)达100%，IoU_Mask达91.34%；与原始Mask R-CNN模型相比，AP提高了3.28%，IoU_Mask提高了5.92%。结论 本文所提方法具备良好的目标检测能力，可为复杂农场环境下的奶牛个体精准识别提供参考。     

基于背景减去法的运动奶牛目标提法方法

目标提取是使用视频分析进行奶牛行为自动感知的基础工作。牧场环境中采集的视频易受复杂背景的干扰,导致难以从视频中检测出奶牛目标,对后续图像处理操作影响较大。本研究提出一种基于背景减去法的运动目标精确检测方法。首先使用帧间差值法计算奶牛外接矩形,以提取每帧图像中的局部背景,并对其进行拼接以得到视频序列中的整体背景。然后利用奶牛外接矩形确定身体区域的位置和大小,并使用身体区域的二值图像对其进行跟踪。以每帧图像中的身体区域作为基准,对RGB通道的求和分量权重进行实时调整,以提高背景与目标之间的对比度。最终实现目标与背景的差异最大化,并进行背景减去以提取目标。对129段视频进行目标检测,结果表明本文算法的目标检测精度为88.34%,较传统背景减去法高出24.85个百分点。试验结果表明,本文算法能够精确实时地检测牧场环境中的行走奶牛,不仅提高了检测率,同时扩展了背景减去法的应用范围。     

长时序高光谱图像清晰度影响因素分析

目的 清晰度是评价对地观测成像仪影像数据质量的典型指标之一,可以反映成像仪对地物边缘变化的敏锐程度。已有的对地观测成像仪在轨测试及图像质量评价方法研究中,往往关注遥感影像清晰度是否达标,或监测其变化趋势,未对清晰度变化影响因素进行深入探讨。针对这一问题,本文主要对长时间序列的成像仪成像清晰度的变化以及影响因素进行探讨。方法 以天宫一号高光谱成像仪短波红外谱段0级数据作为研究对象,首先利用改进的基于边缘检测的清晰度算法计算出影像的清晰度,其次将各影像数据对应的成像仪工程参数进行筛选,然后利用Apriori算法对长时间序列高光谱影像的清晰度与成像时刻的工程参数进行关联规则挖掘,利用最小支持度阈值和最小置信度阈值筛选出强关联规则,并附加提升度和余弦对强关联规则进行验证,最后结合3维散点图对影响清晰度的主要因素进行定量分析。结果 经大量测试数据表明,天宫一号高光谱成像仪短波红外谱段影像清晰度较好,影响清晰度的主要因素有太阳高度角、拍摄积分时间以及平台稳定性(包括俯仰角、偏航角和滚动角的稳定性)。太阳高度角与图像清晰度呈正相关关系,即当太阳高度角大于65°时,影像清晰度较高,当太阳高度角小于30°时,影像清晰度较低;平台稳定性与图像清晰度呈正相关关系,即当太阳高度角大于30°且小于65°时,平台稳定性高倾向于得到清晰度较高的图像,平台稳定性低倾向于得到清晰度较低的图像;拍摄积分时间与图像清晰度呈负相关关系。结论 基于关联规则挖掘的长时序高光谱图像清晰度影响因素分析方法是一种有效的分析方法,可以挖掘出与影像清晰度强关联的工程参数。后续可扩大工程参数范围,利用此分析方法进一步研究遥感图像其他指标与工程参数的关联关系。     

基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别

目的利用红外自动感应相机对野生动物进行图像监测是对野生动物保护管理的有效手段，为了解决野外复杂背景环境导致的野生动物监测图像自动识别准确率低的问题，提出一种基于感兴趣区域(ROI)与卷积神经网络(CNN)的野生动物物种自动识别方法。方法以红外自动感应相机在内蒙古赛罕乌拉国家自然保护区内拍摄的马鹿、斑羚、猞猁、狍和野猪这5种国家级陆生保护动物的图像为实验样本，采用基于回归算法的目标检测方法，对监测图像中野生动物区域进行检测并分割，生成ROI图像，减少复杂背景信息对物种识别的干扰；利用裁剪、仿射变换等方式对样本数据进行扩充；构建基于全局-局部的VGG16双通道网络模型对样本图像进行训练，最后接入分类器输出物种识别结果。同时，构建了基于VGG19的双通道网络模型对样本图像进行训练，并与本研究训练结果进行比较；另外，将样本图像分别输入本研究算法与VGG16、R-CNN、Fast R-CNN算法进行训练，对比不同算法下的识别效果。结果利用本研究模型对样本图像进行训练时，测试集的平均识别精度均值MAP达到0.912，相对于VGG19结构下的训练模型和VGG16、R-CNN、Fast R-CNN，得到了更高的MAP值。结论相比于其他算法，本研究提出的物种识别模型更适合于复杂背景下的野生动物监测图像的物种识别，可以得到更高的MAP值与更优的识别效果。      

基于Logistic算法与遥感影像的棉花虫害监测研究

【目的】借助多光谱遥感影像和Logistic算法,实现对棉田虫害的田间监测。【方法】以患虫害棉花区域为研究对象,利用无人机获取棉田多光谱遥感影像,并对影像进行预处理;结合受虫害棉花光谱特征,利用虫害敏感波段反射率与植被指数构建Logistic回归模型,开展棉花虫害识别监测研究。【结果】由土壤调节植被指数(Soil adjusted vegetation index,SAVI)模型和归一化植被指数(Normalized vegetation index,NDVI)模型构建的棉蚜虫、棉红蜘蛛、棉铃虫识别模型为最优模型,其训练样本准确率达到93.7%,测试样本准确率达到90.5%,召回率为96.6%,F1值为93.5%,对棉蚜虫、棉红蜘蛛和棉铃虫的识别模型决定系数分别为0.942、0.851和0.663。【结论】该模型可满足棉田中棉蚜虫、棉红蜘蛛和棉铃虫3种虫害的发生区域识别,且可基本满足棉田精准植保作业相关要求。     

基于无人机遥感影像的沙糖橘果树提取方法研究

目的 通过无人机获取沙糖橘果园的遥感图像，快速提取果树分布位置，为果树的长势监测和产量预估提供参考。方法 以无人机拍摄的可见光遥感图像为研究对象，计算超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数和蓝绿比指数6种可见光植被指数，使用双峰阈值法选取阈值进行果树的提取。在使用光谱指数进行识别的基础上，结合数字表面模型作为识别模型的输入变量，进行对比试验。结果 相比使用单一光谱指数，结合数字表面模型提高了果树和非果树像元的提取精度，6次波段融合后的总体精度均大于97%。超红指数与数字表面模型结合后的总体精度最高，为98.77%，Kappa系数为0.956 7，植被信息提取精度优于其他5种可见光植被指数与数字表面模型结合后的提取精度。结论 数字表面模型结合可见光植被指数的提取方法能够更深层次地挖掘遥感数据蕴含的信息量，为影像中色调相似地物的提取提供参考。     

厦门港海上交通信息公共服务平台的设计

为了船舶进出厦门港的安全航行，本平台通过分析厦门港通航环境，采用了卫星遥感影像图技术、IBMR全景图（虚拟三维）的航行背景图显示与AIS信息的综合显示等新技术，在互联网上发布厦门港最新助航设施、航道锚地、码头泊位、水深、全景图、水文气象、海事信息服务和AIS信息等各类船舶助航信息．该项目能够帮助船舶用户获取厦门港的海上交通信息，为进出厦门港的船舶安全航行服务，从而减少海事事故的发生．     

高分辨率遥感图像均值调整法分割技术研究

遥感图像分割是将以像元为基础的图像转化为以对象为基础的过程，因此，遥感图像分割是遥感图像高级分析的基础,对于中、低分辨率遥感图像来说，单个像元的面积较大，且混合像元现象严重，图像分割会产生较大的误差．高分辨率遥感图像单个像元的面积较小，分割后图像上单个对象内含若干像元，便于分析和提取信息．以高分辨率遥感图像QuickBird和IKONOS为研究对象，采用均值调整法对图像进行分割和精度检验．结果表明：采用均值调整法进行高分辨率遥感图像分割具有较好的效果，图像分割的速度和精度均较高．     

植被重金属污染检测模型研究

利用高光谱遥感技术代替传统方法检测重金属污染,具有效率高、费用低、检测范围广等优点.但是高光谱影像的空间分辨率较低,为了提高精度需要提取影像的端元.鉴于纯净像元指数（Pixel Purity Index,PPI）法耗时长的缺点,提出一种基于高斯分布的波谱曲线概率法用于高光谱影像端元提取,并结合重金属胁迫下植被波谱响应变化建立了高光谱遥感影像的植被重金属污染检测模型.经过试验研究及分析,发现波谱曲线概率法端元提取的效果和精度与PPI相近,但是时间消耗明显减少.因此,建立的植被重金属污染检测模型可以用于高光谱遥感图像,具有一定的价值.     

基于光谱与图像信息的杏鲍菇多糖含量检测

【目的】利用高光谱成像技术实现杏鲍菇Pleurotus eryngii多糖含量的快速无损检测。【方法】利用高光谱图像采集系统获取350～1 021 nm波长范围内的杏鲍菇高光谱图像,同时利用苯酚–硫酸法测定对应样本的多糖含量。通过波段运算和阈值分割构建掩膜图像,使样本与背景相分离。采用主成分分析(PCA)处理原始高光谱图像,获得代表原始图像99%信息的2个主成分图像(PC1、PC2),然后利用连续投影算法(SPA)选出554.4、772.8、811.4、819.1、855.6、986.3和1 019.5 nm 7个特征波长及对应的光谱特征,分别提取7个特征波长图像和2个主成分图像的纹理与颜色特征,最后利用偏最小二乘回归(PLSR)建立杏鲍菇样本基于不同图像特征与多糖含量之间的关系模型。【结果】从校正集决定系数(Rc2)来看,基于特征光谱+特征波长图像特征+主成分图像特征的模型效果最好,Rc2=0.954,RMSEc=0.341;从预测集决定系数Rp2来看,基于特征光谱+特征波长图像特征的模型效果最好,Rp2=0.868,RMSEP=0.539。【结论】该研究结果可为杏鲍菇多糖含量的快速、无损检测提供一定的参考。     

上海口岸入出境船舶压载水的致病微生物携带情况调查

据国际海事组织统计,每年在全球运输的压载水超过100亿吨,每天约有超过7 000种生物随船舶压载水在全球范围内迁移,这些迁移的生物极易造成生物入侵。为了评估上海及附近海域受外来生物"侵袭"的风险,尤其是上海口岸入境的国际航行船舶压载水中致病微生物携带情况,我们采用自制采样器采集洋山、崇明及外高桥等港口入境船舶压载水样,参照国标GB/T5750.12—2006和生活饮用水规范(2001),对样品进行实验室培养和检测。结果显示在调查的20艘来自国外船舶的压载水中,检测到了肠致病性的气单胞菌和肠球菌,在某些船的压载水中还检测到了铅黄肠球菌。在3艘外来船舶的4个样本中检测到大肠菌群,细菌总数检测在10~3~10~4cfu/m L,霍乱弧菌未检出。研究结果说明当前上海口岸入境船舶压载水中存在风险,也警示我们应该加强压载水的管理。对于新发现的单胞菌,也应加强检测方法及标准的建立。为更好地应对实施的国际压载水海洋公约,我们应该针对入境的船舶压载水,展开更广泛地调查,采集更多的数据,对外来微生物进行更详细的风险评估。