基于遥感影像的土地利用特征提取与城乡梯度差异分析——以河北省涿州市为例

为快速获取区域土地利用特征和精细刻画城乡土地利用差异,以河北省涿州市为研究对象,基于Sentinel-2影像数据,采取面向对象方法进行影像分割,利用隶属度函数与决策树方法相结合的非监督分类算法对涿州市土地利用进行分类,并选取了不同方向的城乡梯度样带进行了土地利用特征分析。结果表明,应用模糊决策树方法的涿州市土地利用分类结果总体精度为93.7%,Kappa系数0.892,分类精度较高。分析上述结果发现:涿州市土地利用类型以耕地与城乡居民点用地为主,林地、草地、水体等自然生态空间比例较低,土地利用的城乡梯度特征明显;耕地集中分布在距离城市中心4～7km的东南、南、西方向;城乡居民点整体分布分散,在距离城市中心3km以内、5km、8～9km呈现明显的集聚特征。建议涿州市依据预期人口规模和集聚特征优化建设用地布局,提高建设用地集约利用强度,同时提高林地、草地、水体等生态空间比例。     

广东省典型农作物智能专家分类系统设计与示范应用

在广东省科技计划项目支持下,在广东省典型农作物标准波谱数据库中设计了符合典型农作物的长势监测和种植面积测算功能模块,将数据挖掘和知识发现应用到专家分类算法中,自行开发了适合农作物数据发现和挖掘的归纳学习算法,充分利用了波谱库中大量的波谱数据、相关属性和空间数据,形成了基于波谱库的广东省典型农作物智能专家分类系统。同时,进行了深圳市的荔枝面积估算的示范研究,结果显示分类精度达到91.8%,KAPPA达到0.81,高于传统分类算法,能满足农业部门对农情监测的要求。     

基于形状特征的大米虫蚀粒检测方法

虫蚀严重影响大米的品质。目前一般使用目测方法检测虫蚀粒,人为因素太多。为此,给出一种基于形状特征的检测方法。首先,对虫蚀米粒图像按Freeman链码方向提取边缘点坐标;然后,求这些相邻点坐标的向量夹角,对得到的夹角数据进行分析,分别求出其均值、方差、三阶矩和熵值等特征;最后,利用这些特征值,运用Fisher分类器识别出虫蚀粒。实验表明,大米虫蚀粒的正确识别率为95.65%。     

基于Bayes的竹片颜色检测分级方法

为了采用机器视觉对竹片自动识别与颜色分选,研究了一种基于竹片图像颜色特征与纹路特征和Bayes分类器的颜色分类方法.首先,对灰度图像采用Canny算子进行边缘检测,再利用Hough变换对竹片进行边缘定位,并对倾斜竹片实施旋转校正,以确定待检测竹片在图像中的具体位置.根据竹片的位置提取竹片区域平均颜色特征及纹路特征,将其作为样本的属性特征,采用Bayes训练的颜色等级作为输出,建立特征参数与颜色等级之间的Bayes分类器,上位机获得分级信号后经串口通过下位机实现竹片的自动分级.试验结果表明,该方法对竹片颜色检测准确率达到91.7%,可为竹制品行业的竹片颜色自动在线检测提供理论依据.     

The robustness of objective fabric pilling evaluation method

Previously, we proposed a new method to identify fabric pilling and objectively measure fabric pilling intensity based on the two-dimensional dual-tree complex wavelet reconstruction and neural network classification. Here we further evaluate the robustness of the method. Our results indicate that the pilling identification method is robust to significant variation in the brightness and contrast of the image, rotation of the image, and 2 ⁱ (i is an integer) times dilation of the image. The pilling feature vector developed to characterize the pilling intensity is robust to brightness change but is sensitive to large rotations of the image. As long as all fabric images are adjusted to have the same contrast level and the sample is illuminated from the same direction, the pilling feature vectors are comparable and can be used to classify the pilling intensity.     

基于阈值优化模糊投票法的农业旱情等级遥感评估

旱灾频繁发生给农业造成严重损失,将旱情监测视作异常信息识别过程,利用多分类器融合方法探讨集成多源遥感空间数据的高精度农业旱情等级评估模型。首先对各类旱情关联因子进行相关性分析,选择最优模型输入参数;然后利用3种单分类器(神经网络、支持向量机以及分类回归树)对多源遥感数据进行分析,构建阈值优化模糊投票法(threshold-optimized fuzzy majority voting,TFMV)对单分类器旱情等级评估结果进行决策级融合。结果表明:TFMV方法总体分类精度为72.55%,分别比神经网络、支持向量机、分类回归树高出约3.6、5.1和3.6个百分点;与经典投票法相比,TFMV方法分类精度也提高了约2.5个百分点。TFMV方法能有效提高单分类器旱情评估精度,多数情况下能较准确反映研究区干旱受灾区域以及旱情程度,具有应用于实际区域旱情等级评估业务的潜力。     

基于DBSCAN和BP_Adaboost的农机作业地块划分方法

农业机械(农机)在多个地块作业,费用和效率有时需按地块统计,现有的农机监控系统仅能记录农机定位信息和作业状态信息,难以实现地块的自动精准划分。本文通过研究轨迹点属性特征,分析作业地块数量不确定性和轨迹点分布规律,采用基于密度聚类方法(Density-based spatial clustering of applications with noise, DBSCAN)和分类器集成算法(BP＿Adaboost)结合的方法划分地块。根据DBSCAN算法对农机轨迹点多数有效、识别错误集中的特点,结合BP＿Adaboost算法挖掘多维度信息关联、容错能力强、分类效果好等优势,先利用DBSCAN得到初步的轨迹点状态类别,再利用BP＿Adaboost算法建立训练模型对农机轨迹点状态精准识别,根据时间序列和类别标记划分地块。本文方法既解决了只依靠阈值和经纬度信息聚类不准确的问题,也减少了大量样本标记工作。利用该方法轨迹点状态识别准确率达96.75%,地块划分准确率为97.74%。     

基于共生矩阵和颜色特征的泡罩包装缺陷检测

提出了一种基于视觉的泡罩包装缺陷检测方法．首先将表面图像分成泡罩区和底板区两部：令．在泡罩区先采用基于HIS颜色空间的合成颜色特征矢量提取出药片边缘，计算药片属性，然后采用改进的闵可夫斯基距离法进行药片颜色匹配．底板区通过提取基于共生矩阵的纹理特征，采用反向传播神经网络分类器进行缺陷识别，实验证明：泡罩区采用的算法不仅药片边缘定位精度高，而且可有效检测药片的污物、色斑等缺陷；底板区采用的识别算法能够检测各种纹理的复杂缺陷．     

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。     

Early decay detection in citrus fruit using laser-light backscattering imaging

Early detection of fungal infections in citrus fruit still remains one of the major problems in postharvest technology. The potential of laser-light backscattering imaging was evaluated for detecting decay in citrus fruit after infection with the pathogen Penicillium digitatum, before the appearance of fruiting structures (green mould). Backscattering images of oranges cv. Navelate with and without decay were obtained using diode lasers emitting at five different wavelengths in the visible and near infrared range for addressing the absorption of fruit carotenoids, chlorophylls and water/carbohydrates. The apparent region of backscattered photons captured by a camera had radial symmetry with respect to the incident point of the light, being reduced to a one-dimensional profile after radial averaging. The Gaussian–Lorentzian cross product (GL) distribution function with five independent parameters described radial profiles accurately with average R² values higher or equal to 0.998, pointing to differences in the parameters at the five wavelengths between sound and decaying oranges. The GL parameters at each wavelength were used as input vectors for classifying samples into sound and decaying oranges using a supervised classifier based on linear discriminant analysis. Ranking and combination of the laser wavelengths in terms of their contribution to the detection of decay resulted in the minimum detection average success rate of 80.4%, which was obtained using laser light at 532 nm that addresses differences in scattering properties of the infected tissue and carotenoid contents. However, the best results were achieved using the five laser wavelengths, increasing the classifier average success rate up to 96.1%. The results highlight the potential of laser-light backscattering imaging for advanced citrus grading.