基于深度学习特征和支持向量机的遥感图像分类

随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机(support vector machine,SVM)的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络(convolutional neural network,CNN)中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。     

基于GAN-DCNN的树叶识别

【目的】利用深度学习进行树叶识别时需要大量训练样本,当样本量不足、图像风格单一会导致识别准确率不稳定。研究利用少量的样本进行树叶图像增殖和风格转换,可极大减轻数据采集的负担,为提升林业调查信息化、智能化提供有效的技术手段和理论支撑。【方法】采集6种树种的树叶图像建立数据集,引入light-weight GAN对图像进行增殖和风格转换,扩充人工拍摄的树叶数据集,通过在该数据集与原数据集上分别应用AlexNet、GoogLeNet、ResNet34和ShuffleNetV2四种深度卷积神经网络进行训练,分析生成对抗网络的图像增殖技术在树叶识别中的作用。综合模型准确率和训练时间等性能指标选择最优模型,同时对模型的学习率进行调整。使用测试样本对参数优化后的模型进行验证,分析该方法在实践中的可行性和意义。【结果】基于生成对抗网络生成的样本具有高清晰度,高保真性,能够有效地辅助神经网络模型的训练工作,同时也丰富了样本类别,使之获得包含更多不同季节、形状、健康状况的树叶图像。与原始数据集相比,AlexNet、 GoogLeNet、 ResNet34和ShuffleNetV2四种网络在新数据集的训练上...     

深度学习在林业中的应用

林业数据信息的智能处理与深度挖掘分析是智慧林业精准决策与统筹管理的基础。文中主要从树木识别与分类、森林火灾识别与预测、树木病虫害监测和木材检测等4个方面总结深度学习在林业中的应用；从林业数据集、数据标记、特征学习涵盖范围、图像遮挡等方面分析了深度学习在林业领域应用上的缺点与局限性，以充分认识深度学习在林业应用方面亟待解决的问题与突破的方向；从林业领域应用场景、算法改进、数据集共享与研究成果应用的角度，展望深度学习在林业领域应用上亟待加强研究的方面，以提升深度学习解决林业应用问题的广度与深度，促进智能林业的发展。     

刍议服务于深度学习研究的林业遥感数据集建设

林业遥感数据集是林草行业开展深度学习研究的重要基础,更是林草资源实现自动化、智能化和动态化精准监测的重要保障.文中分析了自然图像和遥感图像数据集建设现状与方法,通过对深度学习算法在林业专题信息识别和分类中最新研究成果的阐述,表明建立林业遥感专用数据集的必要性和紧迫性;基于人工智能在图像处理领域的发展经验,提出林草业遥感...     

iWood：基于卷积神经网络的濒危珍贵树种木材自动识别系统

【目的】构建基于卷积神经网络的木材识别系统,实现木材树种在多场景条件下的自动精准识别,为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。【方法】采集15种黄檀属和11种紫檀属木材标本横切面构造特征图像,建立图像数据集Rosewood-26;构建AlexNet、VGG16、DenseNet-121和ResNet-50共4种卷积神经网络模型,基于ImageNet图像数据集对模型进行迁移学习,采用Rosewood-26图像数据集训练、测试和比较模型,优选识别性能较好的卷积神经网络模型,并进行木材树种分类;在此基础上,构建包含15种黄檀属和11种紫檀属树种的木材自动识别系统iWood,利用市场木材样品对系统进行应用测试和评价。【结果】在构建的4种卷积神经网络模型中,ResNet-50模型表现出最高的识别精度(98.33%)、最少的权重数量和较低的模型复杂性,适用于木材树种准确快速识别;ResNet-50模型对9种黄檀属和3种紫檀属木材的识别精度达100%,并可成功鉴别构造特征极其相似的檀香紫檀和染料紫檀;基于ResNet-50模型构建的木材自动识别系统iWood,在"属"和"种"水平的识别精度分别为91.8%和77.3%。【结论】基于卷积神经网络的木材识别系统iWood适用于海关执法、木材贸易和质量监督检验等多场景下的木材自动精准识别,能够为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。     

基于改进YOLOv3深度卷积网络的竹垫智能装配方法

针对我国竹垫人工组装劳动强度大、效率低的问题,提出一种基于改进YOLOv3深度卷积网络的竹垫智能装配方法,通过智能识别、定位、摆放和组装实现卡扣式竹垫的装配生产模式.YOLOv3深度卷积网络的改进包括:首先通过在原YOLOv3的特征提取网络Darknet-53中加入DenseNet密集型连接网络结构,提高特征提取能力;...     

基于改进LeNet-5模型的木材表面典型缺陷识别方法研究

针对传统木材缺陷识别方法效率低、精度不高及泛化能力差等问题,对传统LeNet-5模型进行改进:通过分别增加卷积层和池化层的层数至4层,以增加网络深度;采用批量归一化算法,以解决内部协变量位移过拟合的问题;改用Leaky Relu函数作为激活函数,并加入稀疏分类交叉熵作为损失函数,使用Adam作为优化器,来优化网络模型。应用改进LeNet-5模型对辐射松木材常见缺陷(结疤、裂痕)及无缺陷样本集进行识别试验,结果表明:相对于传统LeNet-5模型以及VGG19、AlexNet、ResNet-50三种经典模型,改进LeNet-5模型的训练集准确率最高为99.87%、验证集为99.43%,运算时间缩短,木材缺陷识别精度和效率提高。     

生态背景下基于人工智能深度学习的竹类害虫识别方法研究

针对生态背景下的竹类害虫识别,作者研究了一种基于人工智能深度学习的识别方法。构建了具有5 663张图片的虫类数据集,其中包含3种竹类害虫和3种其他虫类,利用深度学习模型GoogLeNet特有的Inception模块构成的网中网结构,使其获得更多的图片特征,并开展了4组不同训练集与测试集比例的实验。结果表明：模型的精确度随训练集比重的增大而增大,当训练集和测试集的比例为9∶1时表现最好,F₁值达到了95.48%,模型精确度为97.5%,体现了识别模型具有较好的综合性能和较高的实用性。该方法能较好地实现3种竹类害虫在生态背景下的智能识别,是针对竹类生产经营中的虫害防治问题的一种智能化解决方案,为竹产业精细化管理及高效生产经营提供有效的科技支撑。     

基于优化卷积神经网络的木材缺陷检测

针对深度学习中的卷积神经网络算法,在木材无损检测过程中存在缺陷定位不准确、缺陷轮廓和边界信息不完整、识别精度需进一步提高等问题,利用非下采样剪切波变换最优稀疏表示特性,以及简单线性迭代聚类算法能很好地保持像素紧凑度和图像边界轮廓的优点,设计了一种优化的卷积神经网络算法,以提高木材无损检测的准确率。首先采用非下采样剪切波变换对采集的木材图像进行简单预处理,保留木材图像的缺陷特征不丢失,降低图像处理的复杂度以及运算量;然后利用卷积神经网络对木材图像实现深层次的算法设计,同时应用简单线性迭代聚类算法对初步模型进行增强改进,提取出相对准确的木材缺陷轮廓;最后通过反复调整参数和调试优化器,优化卷积神经网络算法的收敛速度,提高学习和运算效率,完善卷积神经网络对木材缺陷轮廓的提取,在降低运算复杂度的同时,提高其精度,具有良好的鲁棒性。相比径向基函数(RBF)神经网络、向后反馈-径向基函数(BP-RBF)混合神经网络和卷积神经网络,本算法对木材缺陷具有更好的识别效果,其识别准确率达到98.6%左右,且识别时间相对更短。     

基于Faster R-CNN的实木板材缺陷检测识别系统

我国木材资源有限,为了提高木材的利用率,采用机器视觉来实现木材缺陷快速而稳定的检测,不仅可以克服人工检测的低效率和木材缺陷识别的低准确率,而且对提高木材加工企业的智能化水平具有重要意义。为了高效、快速、准确地进行无损检测,采用深度学习方法,建立了一种基于快速深度神经网络的实木板材缺陷识别模型。首先采用Resnet V2结构对采集到的实木板材缺陷图像进行特征提取,然后应用该模型对节子、孔洞等实木板材缺陷进行训练学习,最后构建了Faster R-CNN检测框架,并使用tensorflow开发平台对节子、孔洞等实木板材缺陷进行预测输出。具体选取了2 000块杉木样本,通过旋转对原始的实木板材图像进行数据扩充,扩充后图像的80%作为训练集,20%作为验证集来进行仿真。仿真结果表明,该模型对实木板材节子缺陷检测正确率为98%,对实木板材孔洞缺陷检测正确率为95%,验证了将深度学习算法应用于实木板材缺陷检测中的有效性。     

钻蛀性害虫取食声音的人工智能早期识别

【目的】以双条杉天牛为研究对象,设计基于卷积神经网络的识别模型识别其取食声,并对模型的抗噪性能进行测试,以期实现蛀干害虫的早期预警。【方法】使用SP-1 L探头连接NI 9215电压采集卡采集双条杉天牛咬食木段的声音和典型户外环境下的噪声并以音频格式保存。研究选取部分噪声作为加噪音频,以-3 dB至3 dB的信噪比向双条杉天牛取食声中混入环境噪声,生成训练数据和简单测试集,然后经过短时傅里叶变换、对数计算、平均池化3步操作计算音频的平均对数谱,分别设计并训练基于卷积神经网络的识别模型和传统高斯混合模型,提取音频特征判断音频是否为双条杉天牛取食声。为进一步测试模型的抗噪性能,利用独立划分的加噪音频以-7～3 dB的信噪比向双条杉天牛取食声中混入噪声生成抗噪测试集,对卷积神经网络和传统高斯混合模型的抗噪性能进行测试。【结果】在简单测试集上,基于卷积神经网络的识别模型的识别准确率为98.80%,较高斯混合模型有0.88%的下降。在抗噪测试集上,基于卷积神经网络的识别模型识别双条杉天牛取食声的整体准确率为97.37%,较高斯混合模型提高6.76%,其中,信噪比为-3 dB时,识别准确率为98.13%,较高斯混合模型提高9.80%,信噪比为-6 dB时,识别准确率为92.13%,较高斯混合模型提高5.67%。【结论】卷积神经网络能有效综合频谱特征,准确判断音频中有无双条杉天牛的取食声,同时,相比高斯混合模型,卷积神经网络具有良好的泛化能力,在低信噪比下仍能保证较高的识别准确率。基于卷积神经网络的取食声识别模型能够适应林木蛀干害虫的野外监测环境,可为隐蔽蛀干害虫的自动化监测和早期预警提供技术支撑。     

基于视觉变换网络的自监督森林火灾识别

【目的】森林火灾识别是避免森林火灾大面积蔓延的一项重要研究。随着深度学习的快速发展,基于卷积神经网络的模型因其在图像识别领域的优异表现,被广泛应用到森林火灾识别任务当中。然而,基于卷积神经网络的方法通常在标签数据不充分时,难以取得令人满意的森林火灾识别结果。【方法】本研究提出了一种基于视觉变换网络的自监督森林火灾识别模型（Self supervised forest fire identification model based on visual transformation network）,来提高模型在标签稀缺情况下的森林火灾识别精度。具体来说,该模型采用视觉变换网络作为主干网络,通过视觉变换网络中的多头自注意力机制来捕获森林火灾图像的全局信息特征。并且引入自监督学习中的图像重建任务来辅助模型训练,从而减少模型对标签数据的依赖。模型通过对掩盖图像的特征恢复和重建学习相关语义信息。同时,本研究还提出了一种基于傅里叶低频混合变换的数据增强方法来提高模型的泛化性和鲁棒性。【结果】通过开展详细的试验来验证模型的有效性,结果表明,与其他常见的网络模型相比,FFDM模型在森林火灾识别任务中取...     

基于卷积神经网络的痛苦表情识别与分析

利用卷积神经网络在图像识别中的巨大优势,提出一种基于卷积神经网络技术的面部痛苦表情识别与分析方法,该方法采用卷积神经网络mini＿XCEPTION作为网络主要部分,在自建立的痛苦表情数据集上测试结果显示,在有效捕捉人脸后,痛苦表情识别准确率接近90%,高于VGG16、ResNet等经典网络。     

深度学习在木材加工领域的研究进展

随着木材加工自动化的快速发展,深度学习技术已在木材加工领域得到运用,它的引入对木材加工企业转型升级、向着智能制造方向发展具有重要意义。概述了深度学习在木材加工领域的研究进展和具体应用,首先介绍了自编码器、深度信念网络、卷积神经网络、生成对抗网络、递归神经网络以及ViT 6种典型深度学习模型的模型结构及工作原理,并分析了不同深度学习模型的应用场景以及存在的问题。在此基础上结合具体木材加工领域详细地介绍了深度学习的应用,在原木检尺领域,深度学习方法可以解决自动化材积检测问题;在木材检测领域,深度学习方法为木材树种分类、缺陷识别以及纹理识别提供了有效工具;在木材干燥领域,深度学习方法因其良好的自适应能力可以建立更为精确的木材干燥模型。最后展望了深度学习在木材加工过程中亟待加强研究的方向,以提升深度学习解决木材加工过程中应用问题的广度和深度,提升木材加工产业的智能化水平和生产效率,进一步提高我国木材加工制造企业的科技创新能力,提高企业竞争力。     

基于改进卷积自编码机的油茶果图像识别研究

为进一步提高油茶果识别的速度与精度,提出一种基于改进卷积自编码机神经网络的油茶果图像识别方法。该方法以非对称分解卷积核提高训练速度,以输出端重构输入端的直连训练方式减少信息损失;利用改进的自编码机训练不同颜色通道的图像,随后在共享层中利用金字塔池化算法融合高阶特征,利用softmax算法构建分类器。结合selective-search算法生成候选区域,并对其进行筛选,利用训练好的网络设计油茶果果实图像检测器验证算法的实用性。改进算法100次迭代所需时间为166 s,平均识别准确率为90.4%;改进模型收敛性能较好,学习能力强,经过10次迭代之后即可达到85%的识别准确率,在样本数目为200的小数据集上可达到82%的识别准确率;同时,检测器的搭建验证了算法的有效性,在2 s内即可实现对单张实际图像上目标区域的检测,总体识别精度为87%,使得算法具有一定的实时检测能力。试验结果证明,改进后的算法具有较高的识别准确率与学习能力,以及一定的实用性,可为油茶果图像识别提供参考。     

基于YOLOv5的人造板板材种类识别

废弃人造板板材回收再利用之前进行横截面统一类型,对于提高板材的综合利用率具有重要作用。综合利用机器视觉和深度学习方法,选取刨花板、纤维板和胶合板3种人造板板材作为研究对象,通过扫描仪采集板材横截面纹理,并对大量的纹理数据进行训练,学习图像深层次特征,在图像识别和分类上取得良好的效果。采集刨花板、纤维板、胶合板、塑料板、金属板和泡沫板6种人造板板材横截面图像共900张,其中刨花板234张,纤维板232张,胶合板234张,塑料板、金属板和泡沫板共200张作为负样本;搭建基于YOLOv5的深度学习人造板板材种类识别框架。试验结果表明,基于YOLOv5的人造板板材种类识别框架可以有效识别人造板板材的类型,刨花板和胶合板的识别准确率为100%,纤维板的识别准确率为99.2%;该方法检测速度快、精度高,针对人造板板材数据集具有良好的鲁棒性和泛化能力,解决了传统方法检测效率低和人工干预的成本问题,达到资源循环利用的高度智能化水平,充分满足回收再生产的应用需求。     

基于CNN的无人机遥感影像质量评价

运用无人机的遥感影像来调查林地状态是一种有效的途径,为了进一步提升遥感图像质量的评价精度,笔者提出了一种基于卷积神经网络(convolutional neural network,CNN)的无人机遥感图像质量评价方法,主要包括图像采集与预处理、数据扩增、模型训练和测试4个阶段。首先对无人机采集到的遥感图像进行主观质量打分,分别获取同一区域不同阶段图像的质量分数;然后运用图像旋转和剪裁等方法对遥感图像进行数据扩增,将扩增后的图片和原始图片融合作为实验数据集;其次在Caffe深度学习框架中构建基于CNN深层特征的回归模型,并训练;最后,根据已建立好的深度回归模型和学习到的参数,预测无人机遥感图像的质量分数。结果表明,提出的方法可以取得较准确的评分效果,在保证客观打分的同时,能基本保持和人眼视觉的感受一致。     

基于深度学习特征和非线性支持向量机的板材表面缺陷识别方法

深度学习是一种有效的特征学习方法,具有很强的自主学习能力。研究了基于深度学习特征与非线性支持向量机(NSVM)分类算法相结合的板材表面缺陷识别方法。首先,针对深度学习模型需要海量训练数据的特性,使用旋转剪切的方法对采集到的原始板材表面缺陷图像进行数据扩增;其次,使用扩增后的板材表面缺陷图像数据集对笔者提出的深度卷积神经网络(CNN)模型进行训练,并使用训练好的网络提取不同种类缺陷图像的深度特征;然后,为了消除深度特征中的冗余数据,并增强数据的表达能力,运用基于1范数的非贪婪主成分分析(Non-greedy PCA-L1)算法对板材的深层语义特征进行特征降维和特征增强;最后,运用增强后的深度特征训练NSVM模型,并使用训练好的NSVM模型对原始板材表面缺陷图像的测试集进行分类。实验结果表明,笔者提出的识别方法具有较好的鲁棒性和实用性,可取得目前较好的分类效果,针对结疤、压痕和无损3种板材表面缺陷识别率可达99%以上。     

物联网一体化疫情检测系统设计

随着国家新冠肺炎疫情防控工作的有效开展,各行各业已经开始积极恢复工作和生产,因此,对于火车站、机场、地铁站、学校、事业单位等场所的人员出入管理和防疫检查显得尤为重要。设计了一种集身份识别、体温检测、消毒杀菌、异常预警于一体的疫情检测系统。该技术主要基于卷积神经网络的深度学习系统,通过OpenMV机器视觉模块并结合LBP处理算法,红外测温传感器将采集到的数据传递给主控芯片,主控芯片依据预设程序处理判断数据,执行温度测量与身份识别等功能,将信息利用串口屏进行人机交互,同时语音播报报警及相关操作提示。利用物联网技术,相关数据会上传到云端进行处理,方便在多个云端设备查看。经应用后表明:疫情一体化检测系统不仅能够高效率完成出入人员疫情期间的防疫需要,并且在今后重大传染疾病的预防控制上,提供了一种有效解决方法。     

基于自学习特征的林业业务图像分类方法

【目的】现代电子和通讯设备的普遍使用,使得林业管理部门可以及时获取和累积大量林业业务图像。对林业业务图像进行自动分类,可使林业各个管理部门,包括林业执法机构和执法队伍能够全面配合、相互协调,增强决策支持和应急处理能力,从而实现有效的森林资源监管。【方法】提出一种基于自学习特征的林业业务图像自动分类方法,该方法采用3层结构来获取图像局部特征的全局语义,并对全局语义进行建模。首先,将图像分块,对图像块采用线性稀疏自动编码器进行自动学习,获取局部特征的权值矩阵;之后,利用权值矩阵对图像进行卷积,获取各种局部特征在图像中的映射,再进行池化与连接形成特征向量;最后,利用特征向量,采用softmax分类方法进行图像类别建模与识别。【结果】确立了林业业务图像的4个类别:动物死亡、森林火灾、采伐和森林病虫害。收集4类图像355幅,每类图像数目不等,并裁剪为统一大小,建立试验用林业业务图像数据集。利用留一法进行多次交叉试验,识别精度达到80%。线性稀疏自动编码器有效地提取出了图像块中的色彩特征、色彩变化特征及不同方向和不同位置的梯度特征等;利用自动学习到的局部权值矩阵卷积整个图像,在每幅特征图像中激活了原图的不同特征,且这些特征是零散的;当被识别图像与同类图像有相似或者局部相似的特征时,其会被正确识别,反映了基于自学习特征的林业业务图像分类方法能联合图像中的局部特征识别全局语义。【结论】林业业务图像分类属于图像场景分类问题,其同一类图像的类内相似性较弱,利用传统的"特征提取+分类建模"方法进行分类,其分类特征的选取难度较大。相较而言,基于自学习特征的林业业务图像分类方法的局部特征是从图像中自动学习得到的,方法泛化性强;而且该方法只有3层,没有全部层的反馈学习过程,比目前流行的基于深度卷积神经网络的图像分类方法效率高;当累积的样本图像增多、更加全面时,可以期望获得更高的识别精度。