基于可改良限制因子的耕地质量等别提升潜力研究

分析不同尺度耕地质量等别提升理论潜力和实际潜力空间分布特征,为加强耕地保护和提升耕地质量提供依据。该文以辽宁省大石桥市为研究区,基于大石桥市农用地分等结果,筛选土地整治工程可改良限制因子,构建指数提升潜力模型测算研究区耕地质量自然等、利用等和经济等指数的理论潜力与实际潜力。运用面积加权法和局部空间自相关法,揭示研究区乡镇、村级和地块不同尺度的耕地质量等别提升潜力的空间分布特征。结果表明:1)各乡镇耕地质量等别提升潜力空间差异明显,呈现东高西低,依次递减;2)各行政村耕地质量等别提升潜力东部属于正相关类型(高-高型)且集中连片,中部正相关类型(低-低型)面积较小且零星分布,西部为随机分布;3)东中部地块耕地质量等别提升潜力较大,东部坡耕地宜实施土地平整工程,中部耕地宜实施灌溉与排水工程。研究结果可为区域规划土地整治重点工程和划定耕地保护分区提供理论与技术支持。     

四川省伏旱及驱动因子多尺度分析

为研究四川这一复杂地形地貌背景区伏旱的多尺度特性,该文在已完成的2000—2015年7—8月四川省月尺度伏旱的遥感监测研究的基础之上,应用二维离散小波变换的方法,不仅分析伏旱多年平均状况及其演变趋势的多尺度特征,更对导致旱情发生发展的驱动因子进行多尺度的分解分析。结果表明:1)旱情多年平均状况在四川省各地貌类型背景区都以垂直方向(南北方向)的小波方差最大,体现出旱情沿区域垂直方向显著的空间分异特征。2)各地貌类型背景区多年平均伏旱状况的主导尺度的数量和范围不同。川东盆地主要存在5个主导尺度,且以中旱的5040.75km~2的宏观尺度最为突出,严重干旱和特大干旱等级区则以中观尺度(187.34、560.08 km~2)为主,集中体现在成都平原一带。高原与盆地过渡区主要存在3个主导尺度,亦以中旱的2 194.5 km~2的宏观尺度为主,严重或特大干旱等级则集中在160.51和418km~2的中观尺度的城市和建成区。川西高原则存在2个主导尺度,以9 487.5 km~2的宏观尺度无旱的常绿针叶林和混交林交错分布区为主。3)旱情演变趋势则表现为:川东盆地和高原与盆地过度区呈旱情加重趋势区都以中观尺度为主,而呈旱情减缓趋势区则都以宏观尺度为主,只存在尺度数量和具体值上的差异;川西高原则相反,加重趋势区以宏观尺度为主,减缓趋势区以中观尺度为主。4)三大地形地貌类型区在旱情演变趋势的主导因素方面表现出一致性,旱情加重趋势区的主导尺度以植被的衰退变化趋势为主,而旱情减缓趋势区的主导尺度则都以降水的增加趋势主导。     

三峡调蓄前后径流变化的多尺度分析

径流时间序列复杂多变,既存在着非周期成分(趋势、突变等)变化特征,又存在着多尺度的周期变化特征,水文径流的多尺度分析研究具有重要价值。主要利用极点对称模态分解(ESMD)方法,对宜昌水文站多年实测径流量进行模态分解及时频分析,得出不同的时间尺度下,该站径流的趋势、突变及周期变化,进而分析三峡水库调蓄前后的径流变化规律;同时分别利用传统径流分析方法中的Mann-Kendall(M-K)法、小波变换法及希尔伯特-黄变换法三种方法对ESMD法所得结论进行验证。研究结果表明:三峡调蓄前后,不同时间尺度下的径流均存在2003年6月左右的突变点,趋势项上均表现为不显著的递减变化趋势,这表明三峡工程的正式蓄水对径流量产生了较为明显的影响;年、月、日的周期则表现出了一致性,证实了径流研究具有不同尺度上的嵌套性,同时ESMD法在径流多尺度分析上具有较好的应用效果。     

基于多尺度感知的高密度猪只计数网络研究

猪只盘点是生猪规模化养殖和管理中的重要环节,人工计数方法费时、费力,在大数据量的猪只盘点中容易出错。本文使用多尺度感知网络对高密度猪群图像中的猪只进行计数。通过对人群计数网络CSRNet的改进,得到猪只计数网络（Pig counting net, PCN）,PCN采用VGG16作为前端网络提取特征,中间层采用空间金字塔（Spatial pyramid）结构对图像中的多尺度信息进行提取与融合,后端网络采用改进的膨胀卷积网络。PCN增加了多尺度感知结构、扩大了后端网络感受野,通过感知多尺度特征得到预测密度图,预测密度图反映了猪只空间分布,通过对密度图积分实现了猪只数量的估计。结果表明,在平均猪只数为 40.71的测试集图像上,PCN的计数准确率优于人群计数网络 MCNN、CSRNet和改进Counting CNN 的猪只计数网络,MAE和RMSE 分别为1.74和 2.28,表现出较高的准确性和鲁棒性;单幅图像平均识别时间为0.108s,满足实时处理要求。     

基于改进YOLOv3的田间复杂环境下菠萝拾捡识别研究

为实现果实拾捡机器人在光照不均、菠萝与周围环境的颜色相似性及果实间的遮挡和重叠等田间复杂环境下对单类别菠萝的快速准确识别,提出采用深度学习下的深层残差网络改进YOLOv3卷积神经网络结构,通过单个卷积神经网络遍历整个图像,回归果实的位置,将改进的YOLOv3的3个尺度检测分别融合相同尺度模块特征层的信息,在保证识别准确率的情况下,采用多尺度融合训练网络实现田间复杂环境下端对端的单类别菠萝果实检测。最后,对改进的算法进行性能评价与对比试验,结果表明,该算法的检测识别率达到95%左右,较原始方法检测性能提升的同时,检测速度满足实时性要求,该研究为拾捡果实机器人在复杂环境下提高识别菠萝果实的工作效率和环境适应性提供理论基础。     

基于多尺度和注意力机制的番茄病害识别方法

番茄病害的及时发现与治理有助于提高番茄产量与质量,增加农户经济收益。利用物联网和人工智能可以无损害有效检测番茄病害,该研究提出了一种改进的AT-InceptionV3(Attention-InceptionV3)神经网络番茄叶部病害检测模型,该网络以InceptionV3为主干网络,结合多尺度卷积和注意力机制CBAM(convolutional block attention module,CBAM)模块,增强了病害信息表达并抑制无关信息干扰;同时引入迁移学习,防止样本数据量较少时出现过拟合的情况。为了评价优化模型的有效性,在Plant Village公开番茄病害数据集上进行了实验仿真测试。改进的模型在测试阶段对番茄健康叶片、细菌性斑疹病、晚疫病、叶霉病和黄曲病5种番茄常见叶片图像分类准确率达到98.4%,优化效果显著。为了进一步验证该方法在不同物联网中的普适性,实验对比了模型对不同分辨率病害图像的分类效果,结果表明,图像精度部分损失不会降低病害分类准确率。该模型能够为番茄温室智能网络决策判断提供重要依据。     

基于多尺度分解的图像递进检索

提出了一种基于小波多尺度分解的图像递进检索匹配方法.首先用小波变换对图像进行多尺度分解,提取其各子带的前三阶矩(标准差、偏斜度)和最低频段(LL子带)的小波变换值作为特征值.然后在检索匹配时,用各尺度的标准差和偏斜度进行递进筛选,再用LL子带的HSV颜色直方图计算图像之间的相似性距离,进一步对检索结果求精.与传统的直接直方图方法比较,结果表明,运用该方法,不仅计算量大大降低,明显加快检索速度,而且检索精度也明显提高.同时,由于小波变换已经成为新一代图像压缩标准的核心,该方法可以直接在压缩域进行特征提取和检索.     

基于改进Mask R-CNN模型的植物叶片分割方法

通过图像处理对植物叶片进行分割是研究植物表型性状的基础,但叶片间相互遮挡、叶片边缘特征不明显以及幼叶目标过小会对叶片分割效果造成很大的障碍。针对上述问题,该研究提出了一种基于改进Mask R-CNN模型的植物叶片分割方法,通过引入级联检测模块对模型检测分支进行改进,以提高遮挡叶片检测质量;利用注意力机制和一个2层3×3卷积模块对模型分割分支进行优化,以提高边缘特征表达能力;在模型测试过程中采用多尺度叶片分割策略,利用多个尺度上的最优目标以分割幼叶。测试结果表明,在CVPPP叶片分割挑战数据集中的对称最佳Dice得分Symmetric Best Dice（SBD）为90.3%,相比于利用域随机化数据增强策略并采用Mask R-CNN模型进行叶片实例分割的方法提高了2.3个百分点,叶片分割效果有显著提升。该研究提出的方法可以有效解决植物叶片分割效果不佳的问题,为植物表型研究提供技术支撑。     

基于改进YOLO v4的肉鸽行为检测模型研究

肉鸽行为表现与鸽舍环境舒适度和肉鸽健康状况密切相关。为实现肉鸽行为精准检测、及时掌握肉鸽健康状况,提出了基于改进YOLO v4模型的肉鸽行为检测方法。由于肉鸽社交等行为特征相似性程度高,为了在复杂环境下准确识别肉鸽行为,本文采用自适应空间特征融合(Adaptively spatial feature fusion, ASFF)模块改进YOLO v4模型,在特征金字塔网络中增加ASFF模块,根据特征权值自适应融合多层特征,充分利用不同尺度特征信息,并且ASFF模块能有效过滤空间冲突信息、抑制反向梯度不一致问题、改善特征比例不变性以及降低推理开销。基于多时段的肉鸽清洁和社交行为数据集,自制5类肉鸽行为图像数据库,采用OpenCV工具进行模糊、亮度、水雾和噪声等处理扩充图像数据集(共10 320幅图像),增加数据多样性和模拟不同识别场景,提升模型泛化能力。本文按照比例8∶2划分训练集和验证集,训练总共迭代300个周期,对不同时段、角度、尺寸的肉鸽数据集进行检测。检测结果表明,在阈值0.50和0.75时YOLO v4-ASFF检测精度比YOLO v4的mAP₅₀和mAP<...     

多尺度森林分布图聚合技术探讨

介绍了多尺度空间单元聚合基于的基础理论——制图综合技术的概念及主要实现策略, 从多尺度聚合知识库的建立及推理过程、多尺度聚合模型的选择与模型库的建立、多尺度聚合方法与结果评价3个方面综述了当前制图综合技术领域的研究进展及主要成果, 并对多尺度森林分布图聚合技术框架进行了探讨。