基于全卷积神经网络的灌区无人机正射影像渠系提取

为快速准确获取灌区渠系分布信息,科学调配区域农业水资源、提高水资源利用率,通过基于全卷积神经网络(Fully convolutional networks,FCN)的语义分割模型进行渠系轮廓提取。利用无人机采集正射影像并进行标注,以VGG-19网络为基础,通过多尺度特征融合的方式实现FCN-8s结构,使用Tensorflow深度学习框架构建FCN渠系提取模型;对数据集进行数据增强,分割后放入FCN模型中训练、测试。实验结果显示,针对不同复杂程度的测试区域,FCN模型的提取准确度、完整度、精度均高于支持向量机方法和改进霍夫变换方法,均值分别为95. 78%、92. 29%、89. 45%。结果表明,该方法能够实现灌区渠系轮廓的高精度提取,具有较好的泛化性和鲁棒性。     

反刍家畜典型行为监测与生理状况识别方法研究综述

反刍家畜是人类获得肉、奶等食品的重要来源,随着人们对其产品产量与品质要求的提升,传统耗时耗力且高人工成本的人工监管模式已经难以满足规模化反刍家畜养殖的需要。反刍家畜行为中蕴含着许多身体状况信息,对反刍家畜行为的自动化监测有助于较早地识别其异常行为、评估其健康水平、预警其异常生理状态,辅助养殖人员及时调整养殖策略,实现低成本、高效率和高收益的生产过程。首先对反刍家畜基本运动(躺卧、行走、站立)、反刍、进食饮水、跛行等典型行为的监测方法进行总体阐述,然后详细分析了识别反刍家畜发情、分娩、疾病、疼痛状况的不同特征指标以及基于该特征指标的生理状况识别方法,最后探讨了反刍家畜行为监测方法目前存在的一些问题与难点,并指出未来的研究重点为：优化传感器功耗、融合多传感器数据、降低数据传输延时、减少大规模数据标注、轻量化深度学习模型以及深度解析和应用数据。     

基于无人机DEM的灌区渠系提取方法

大范围灌区渠系的制图对于现代节水灌溉技术以及合理配水、安全输水具有重要意义。但目前所获得的灌区遥感影像分辨率不高,渠系提取较难。本文以无人机航空摄影测量获得的数字高程模型(DEM)为基础,根据渠系特征,使用灌区坡度数据,采用改进的霍夫变换方法,实现了对灌区渠系网络的提取。与面向对象、监督分类方法和手绘结果进行对比,该方法提取的渠系连续、提取完整度可达85.61%。误差主要集中在无衬渠系中土壤沉积较多(坡度变化不明显)的位置以及相交渠系处理时保留渠堤位置而造成。该方法根据灌区地形特征,基于高精度高程数据进行渠系提取,是数字地形分析结合图像处理在精细农业中的一次有益探索。     

基于小波纹理和随机森林的猕猴桃果园遥感提取

为快速、准确地从高分影像中获取猕猴桃种植分布信息,提出了一种结合小波变换纹理分析和随机森林分类的QuickBird影像猕猴桃果园自动提取方法。首先,采用coif5小波对QuickBird全色影像进行多尺度小波分解,计算各子频带小波系数的能量特征作为纹理特征;然后,将小波纹理与光谱特征组合构建分类特征;最后,利用随机森林分类实现土地利用分类和猕猴桃果园空间分布提取。结果表明,小波纹理识别猕猴桃果园的效果明显优于光谱特征和其他2种纹理特征;光谱+小波纹理特征的分类精度最高,猕猴桃果园提取精度(Fk)和总体分类精度(OA)分别为95.30%和94.46%,比光谱+灰度共生矩阵纹理分类分别提高6.70%和2.88%,比光谱+分形纹理分类显著提高13.43%和6.98%;随机森林分类结果优于相同特征下的支持向量机、最大似然分类。本文提取的猕猴桃果园面积与目视解译结果的相对误差小于7%。此外,利用本文方法对同期QuickBird影像另一研究区的苹果园分布进行提取,结果表明,该方法对苹果园提取有较好的适用性。     

基于Stacking集成学习的夏玉米覆盖度估测模型研究

以基于无人机多光谱影像提取的夏玉米植被指数作为特征变量,利用皮尔森相关系数结合随机森林反向验证权重的方法进行特征选择,去除冗余特征。以随机森林、梯度提升树、支持向量机和岭回归作为初级学习器,以岭回归作为次级学习器,建立基于Stacking集成学习的夏玉米覆盖度估测模型,并通过5折交叉验证进一步提升模型泛化能力,采用随机搜索和网格搜索结合的方法对模型超参数进行优化,使用4种回归指标进行模型精度评价,并利用次年数据验证其鲁棒性。结果表明,与单一模型以及决策树、Xgboost、Adaboost、Bagging集成框架相比,Stacking集成学习模型具有更高的精度和更强的鲁棒性,R2为0.9509,比单一模型平均提升0.0369,比其他集成模型平均提升0.0417;Stacking集成学习模型RMSE、MAE和MAPE分别为0.0432、0.0330和5.01%,各指标分别比单一模型平均降低0.0138、0.0130和2.14个百分点,分别比其他集成模型平均降低0.0185、0.0126和2.15个百分点。本研究为夏玉米覆盖度估测提供了新的方法。     

基于统计纹理残差学习网络的葡萄叶片分类方法

针对葡萄叶片类间相似度高导致的类内品种分类精度低的问题,构建一种改进的统计纹理残差学习网络（statistical texture residual learning network, STRLNet）的葡萄叶片分类方法。首先在ResNet50骨干网络的基础上添加SE注意力机制,然后构建底层信息的特征增强层,最后将增强后的底层特征与骨干网络提取的高层语义信息相融合,输出连接到用于存储分类特性的全连接层上。利用采集的11种成熟期葡萄叶片数据集进行训练测试,结果显示,STRLNet在提高网络空间性能的同时可充分利用底层特征信息,对构建的葡萄叶片数据集的分类准确率可以达到92.26%,相较于ResNet骨干网络提高了约2.8个百分点,与VGG16、Inception v4和ResNet等主流分类网络相比在葡萄叶片细粒度分类中具有更高的准确性。研究结果表明,在多品种的葡萄叶片分类任务中,改进后的模型相较于骨干网络可以关注到更多的特征信息,相较于主流分类网络模型可以获得更高的分类精度,模型性能得到进一步的提升。     

多目标肉牛进食行为识别方法研究

基于计算机视觉技术，借助已有系统获得肉牛进食行为数据，并与体重变化、健康状况等进行关联分析，对肉牛科学养殖具有重要意义。为此提出了一种基于机器视觉的肉牛进食行为识别方法。该方法采用YOLOv3模型对观测范围内的肉牛目标进行检测，利用卷积神经网络识别单个目标的进食行为，进而实现对多目标肉牛进食行为的识别。卷积操作时，利用填充（padding）增强网络对目标边缘特征的提取能力；使用修正线性单元（ReLU）为激活函数，防止梯度消失；采用丢弃（dropout）方法提高网络的泛化能力。获取实际肉牛养殖场的监控视频，构建数据集，分别在8组测试集上进行试验，本文方法对观测范围内肉牛目标检测的平均精确度为83.8%，进食行为识别的平均精确度为79.7%、平均召回率为73.0%、平均准确率为74.3%，能够满足肉牛进食行为的监测需求。基于YOLOv3模型和卷积神经网络的多目标肉牛进食行为识别方法具有较高的准确性，为肉牛行为非接触式监测提供了新的途径。     

基于SVM的灌区无人机影像渠系提取

灌区渠系制图配合现代节水灌溉技术,对合理配水、安全输水有着重大影响。但目前普遍使用的灌区遥感影像分辨率不高,给渠系提取与制图带来一定的困难。本文将无人机采集的高精度正射影像、高程、坡度数据相结合作为数据源,提取出具有显著描述能力的渠系特征来构建训练样本集,基于支持向量机的分类方法对目标渠系进行分割提取,再通过后处理对提取结果进行去噪、连接和优化,实现了无人机高分辨率多数据源的渠系提取。结果表明,该渠系提取方法可以识别提取灌区中的支渠、斗渠和部分农渠,渠系连续性良好,与手绘渠系对比,精度最高可达89.35%。其中提取误差主要由级别较低的渠系中渠床淤泥沉积导致影像、地形特征不明显造成。     

基于影像与坡度数据融合的梯田田块分割方法

梯田在很大程度上开发了坡耕地的农业生长潜力,具有蓄水、保土作用。由于梯田数量、面积等分布信息较难准确获得,使其定量研究难以深入展开。随着无人机技术的不断发展,高精度梯田地形信息的获取成为可能。本文基于无人机正射影像并结合坡度数据,通过Canny边缘检测算子对梯田的粗轮廓进行提取,结合梯田的结构特性,对梯田中的伪边缘进行剔除;再通过对梯田边缘强度叠加和边缘连接;最后利用区域生长算法对梯田进行分割。该方法有效解决了梯田形状不规则、田面堆积物干扰、图像光谱特征复杂等问题。与手工标注的梯田样区田块数据的对比结果表明,本文算法对梯田区的提取总精度可达84.9%,可为梯田区的快速制图提供解决方案。     

基于U-Net的葡萄种植区遥感识别方法

为提高葡萄种植区遥感识别精度,基于高分二号卫星遥感影像,对U-Net网络进行改进：从空间和通道维度自适应校准特征映射,以增强有意义的特征,抑制不相关的特征,提升地物边缘分割精度;减少下采样次数,使用混合扩张卷积代替常规卷积操作,以增大卷积核感受野,降低图像分辨率的损失,提高对不同尺寸地物的识别能力。实验结果表明,本文模型在测试集上的像素准确率、平均交并比和频权交并比分别为96.56%、93.11%、93.35%,比FCN-8s网络分别提高了5.17、9.57、9.17个百分点,比U-Net网络提高了2.39、4.59、4.39个百分点。此外,本文通过消融实验和特征可视化证明了注意力模块和混合扩张卷积在精度提升上的可行性。本文模型结构简单、参数量少,能够识别不同面积的葡萄种植区,边缘分割效果良好。