基于深度学习的地面苹果识别与计数

在农业保险中,苹果园受灾理赔需要通过快速准确的落果计数进行定损,然而自然场景的复杂性、落果的分布状态、采集员的身高、拍照习惯等环境因素和人为因素影响了基于影像的落果识别与计数的准确性和可靠性。通过获取不同落果背景、光照度、落果分布密集度、拍摄高度和拍摄距离等条件下地面的苹果影像,采用基于深度学习的更快速的区域卷积神经网络(faster region convolutional neural networks,Faster-RCNN)模型进行地面苹果检测的方法,与传统方法Hough变换和分水岭算法进行对比。结果表明,Faster-RCNN模型的平均识别精度达到95.53%,明显优于传统的地面苹果提取方法;在弱光、落果分布密集、拍摄距离较远等不理想的条件下,识别精度也达到90%以上,有较好的稳定性。基于深度学习的地面苹果识别与计数方法,有望为提高农业果品保险定损的精度与效率提供重要的技术参考。     

基于多时相遥感数据和HSV 变换的越冬前冬小麦面积提取

【目的】冬小麦种植面积的提取对保障粮食安全和估产工作具有重要意义,已有冬小麦面积监测方法存在的所需数据量多、时间滞后等问题亟待解决。【方法】基于入冬前的2017年11月21日(分蘖期)和2017年12月24日Landsat8 OLI影像,将MIR、NIR和RED波段进行HSV变换,并计算地物的NDVI;利用全国土地利用图提取耕地与非耕地两类地物,统计分析两类地物NDVI值、H波段值的关系并设置阈值,初步提取疑似小麦种植区;利用小麦两个时相S值增大的特点准确提取小麦种植区域。【结果】利用多时相遥感数据中NDVI、H和S差别提取的试验区冬小麦种植面积,与地面调查、县区统计年鉴数据有较高的一致性。【结论】HSV阈值划分方法适用于冬小麦种植面积提取,能够提高小麦面积估算的时效性。     

基于深度学习的苹果树侧视图果实识别

【目的】传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义。【方法】文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务。【结果】在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91%,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4%;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6%。【结论】基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴。