基于自监督对比学习的寒旱区遥感图像河流识别方法

针对遥感图像河流数据样本人工标注成本高且难以大量获取，以及网络在河流图像边缘细节提取的效果不佳问题，提出一种通过自监督对比学习方式利用大量无标签遥感河流图像数据进行编码器预训练，并使用少量标签数据对预训练后的编码器进行微调，同时在编解码结构中使用一种新的非均匀采样方式的语义分割网络。自监督对比学习可以利用大量无标签数据进行前置任务模型训练，仅需少量标签数据对下游河流提取任务模型微调即可；非均匀采样方式能够通过对高频区域密集采样、对低频区域稀疏采样的方式获得图像中不同类别之间清晰的边界信息和同类别区域中的细节信息，减少模型的冗余度。在河流数据集上的实验表明，利用360幅有标签数据对预训练后的网络进行微调，其像素准确率、交并比、召回率分别达到90.4%、68.6%和83.2%,与使用1 200幅有标签数据训练的有监督AFR-LinkNet网络性能相当；在使用全部数据标签进行微调后，网络的像素准确率、交并比、召回率分别达到93.7%、73.2%和88.5%,相比AFR-LinkNet、DeepLabv3+、LinkNet、ResNet50和UNet网络，像素准确率分别提高3.1、7.6、12...     

基于双视角图像的山羊体尺自动测量方法

针对规模化羊场对山羊体尺无接触式自动测量的需求，设计了一种山羊双视角图像采集装置并开发了配套的山羊体尺自动测量算法。首先，开发了山羊双视角图像自动采集装置并在养殖场完成山羊双视角图像数据集的构建；然后，采用背景减除法二值化羊体俯视图，引入简单线性迭代聚类算法(SLIC)构建侧视图超像素的纹理和颜色特征向量，训练基于支持向量机(SVM)的超像素分类器，综合利用置信度和超像素区域邻接图(RAG)获取侧视图中的羊体二值图；最后，提出了在侧视和俯视二值图像中定位关键体尺特征点的方法，自动提取山羊体高、体斜长、胸深、胸宽、管径参数，拟合得到胸围和管围参数。算法测试结果表明，羊体侧视图前景区域超像素分类正确率超过94%,算法自动提取与人工标注的侧视、俯视前景二值图的交并比分别为96.1%和97.5%。以人工使用软尺测量获得体尺参数为金标准评价算法自动提取体尺参数的精度，结果表明管围、体高、胸深、胸宽、胸围和体斜长的平均相对误差分别为5.5%、3.7%、2.6%、5.2%、4.1%和3.9%。本文开发的羊体双视角图像采集装置及相应的图像处理方法可以满足山羊体尺无接触自动测量的精度要求，为山羊体尺的高...     

交互式双分支特征融合的草莓病害程度快速诊断方法

针对现有草莓病害程度诊断方法存在识别精度低、参数量大、推理时间长等问题，提出了一种基于交互式双分支特征融合的草莓病害程度快速诊断方法。该方法首先以短程密集连接模块为基础，构建一种轻量化的交互式双分支特征融合网络(Interactive bilateral feature fusion network, IBFFNet),用于提取图像的语义特征和细节特征。然后，通过注意力简化的金字塔池化模块获取上下文分支中的多尺度语义特征，利用边缘增强模块丰富空间分支中的边缘细节特征。最后，融合多尺度语义特征和空间细节特征，实现病斑和叶片区域的精确分割。在草莓叶部病害程度数据集上的实验结果显示，IBFFNet2＿Seg的平均交并比达到77.8%,在单张NVIDIA GTX1050显卡上处理速度可达40.6 f/s,满足实际应用中对算法实时性和分割精度的要求。此外，在测试集上IBFFNet2＿Seg预测病害程度与真实程度的决定系数R²为0.98,说明该模型可以准确预测草莓病害严重程度。本研究可为草莓病害精准防治提供可靠的技术支撑。     

基于改进U-Net的火龙果采摘图像分割和姿态估计方法

为了实现火龙果采收自动化作业，提出一种基于改进U-Net的火龙果图像分割和姿态估计方法。首先，在U-Net模型的跳跃连接(编码器与解码器部分特征图进行的连接操作)中引入通道和空间注意力机制模块(Concurrent spatial and channel squeeze and channel excitation, SCSE),同时将SCSE模块集成到残差模块(Double residual block, DRB)中，在增强网络提取有效特征能力的同时提高网络的收敛速度，得到一种基于注意力残差U-Net的火龙果图像分割网络。通过该网络分割出果实及其附生枝条的掩膜图像，利用图像处理技术和相机成像模型拟合出果实及其附生枝条的轮廓、果实质心、果实最小外接矩形框和三维边界框，进而结合果实及其附生枝条的位置关系进行火龙果三维姿态估计，并在火龙果种植园中获得一个测试集，以评价该算法的性能，最后在自然果园环境下进行实地采摘试验。试验结果表明，火龙果果实图像分割平均交并比(mIoU)和平均像素准确率(mPA)分别达到86.69%和93.89%,三维姿态估计平均误差为8.8°,火龙果采摘机器人在果园环境...     

基于协方差描述子和LogitBoost的交通场景图像分割

针对传统方法直接采用图像特征参与图像分割时存在的特征冗余且分割准确率低的问题，提出了一种基于协方差描述子和LogitBoost的交通场景图像分割方法.采用运动结构特征、纹理和HOG特征描述交通场景，并利用协方差描述子进行特征融合以消除特征冗余；采用多类LogitBoost分类器进行图像分割，提高了交通场景分割的精度.在公共测试视频数据库CamVid中测试和评估了所提出的算法，结果表明了该方法的有效性.     

基于双数组Trie树中文分词研究

对双数组Trie树（Double—ArrayTrie）分词算法进行了优化：在采用Trie树构造双数组Trie树的过程中，优先处理分支节点多的结点，以减少冲突；构造一个空状态序列；将冲突的结点放入Hash表中，不需要重新分配结点．然后，利用这些方法构造了一个中文分词系统，并与其他几种分词方法进行对比，结果表明，优化后的双数组Trie树插入速度和空间利用率得到了很大提高，且分词查询效率也得到了提高．     

基于接触状态感知的羊胴体后腿自适应分割控制方法

针对羊胴体后腿骨肉边界未知、尺寸多变和可见性约束限制造成的机器人自主分割精确度低与易受阻卡住的问题，提出一种羊胴体后腿自适应分割控制方法，并开展羊胴体后腿分割试验进行验证。该方法以接触状态感知为核心，有效提取接触类型特征、接触异常度特征和接触方向特征，通过构建深度时空神经网络识别接触类型，构建深度自编码网络估计接触异常度，采用主成分分析方法检测主要接触方向，实现接触状态多模态感知，机器人通过动态运动基元模仿学习人类操作技能，并结合接触状态感知信息实现关节运动的自适应调节。试验结果表明：深度时空网络模型在羊胴体后腿分割验证集上的识别准确率为98.44%;深度自编码网络模型能够较好地估计验证集样本的接触异常度，区分不同的接触状态。机器人基于自适应分割控制方法开展实际分割试验，与对照组相比，最大分割力下降幅度为29 N,最大力矩下降幅度为7 N·m,证明该方法的有效性；平均最大残留肉厚度为3.6 mm,平均分割残留率为4.9%,分割残留率与羊胴体质量呈现负相关，证明该方法具有良好的泛化性和准确性，并且整体分割效果较好，满足羊胴体后腿分割要求。     

林农间作模式下和田绿洲特色林果结构遥感信息提取

实时准确地获取林农间作模式下的果树结构信息对推进新疆特色林果业的提质增效，增加农民收入，稳定脱贫攻坚成果，实现乡村振兴具有重要意义。该研究以新疆和田绿洲林农间作区为研究对象，提出一种综合高分遥感数据的纹理和光谱特征以及中分遥感数据的时序物候特征的果树提取方法。基于GF-2遥感数据利用面向对象方法提取高分辨率的林田地块空间信息；基于多时相Sentinel-2遥感数据构建植被归一化指数（Normalized Difference Vegetable Index，NDVI）时间序列产品，并依据果树物候特征建立决策树模型，提取间作核桃、纯核桃、枣树和葡萄4种类型；最后将多时相的分类结果与高分的林田地块叠加，获取和田绿洲特色林果作物分布信息。该方法对2020年和田绿洲核桃、枣树和葡萄提取结果的用户精度和总体分类精度均在90%以上，Kappa系数为0.95，能够满足县市级尺度的林果遥感监测精度需求。基于遥感提取的和田绿洲主要林果作物面积为4.28×105 hm2，以核桃（间作和纯核桃）为主，间作核桃面积占比63.80%，其次为枣树（19.38%）和葡萄（3.30%）。该方法可为林农间作立体种植模式下的果树类型和面积精确信息提取研究提供参考和借鉴。     

基于波段增强的DeepLabv3+多光谱影像葡萄种植区识别

精准获取葡萄种植区分布信息对其精细化管理和优质基地建设具有重要意义，通常大区域种植区识别主要基于遥感影像完成，但葡萄种植区空间位置的分散性和背景环境的复杂性，使得种植区识别的精度不高。该研究基于DeepLabv3+网络，改进网络输入通道数使其能够接受更多的光谱信息，同时构建波段信息增强模块（Band Information Enhancement，BIE），利用各波段特征图之间的相关性生成综合特征，提出了波段信息增强的葡萄种植区识别方法（BIE-DeepLabv3+）。在2016和2019年高分二号影像葡萄种植区数据集上训练网络，在2020年影像上测试其性能，结果表明，改进模型输出结果的平均像素精度和平均交并比分别为98.58%和90.27%，识别效果好于机器学习SVM算法，在深度学习DeepLabv3+模型的基础上分别提高了0.38和2.01个百分点，比SegNet分别提高了0.71和4.65个百分点。BIE-DeepLabv3+模型拥有更大的感受野和捕获多尺度信息特征的同时放大了地物间的差异，能够解决影像中葡萄种植区存在类间纹理相似性、背景和环境复杂等问题，在减少模型参数的同时预测出的葡萄种植区更加完整，且边缘识别效果良好，为较大区域内背景复杂的遥感图像葡萄种植区识别提供了有效方法。     

基于遥感影像和卷积神经网络的农田及道路信息提取

为对农用地(耕地)遥感影像中道路和农田信息进行精确高效的提取，采用卷积神经网络(CNN)的方法，以河北省献县某乡冬小麦种植田为研究区，建立“道路-背景”和“农田-背景”2个高精度遥感影像数据集，构建基于MobileNet v1的U-Net、SegNet、PSPNet、DeepLab v3+和基于MobileNet v2的DeepLab v3+共5种CNN语义分割模型，进行道路和农田提取试验；在模型训练前后加入迁移学习、图像拼接和模型融合3种策略。结果表明:1)在2个数据集上，基于MobileNet v1的U-Net和基于MobileNet v1的SegNet 2种模型的识别率和稳定性最佳；2)在提取道路和农田时，融合后模型的平均交并比值分别为0.853 3和0.956 8；3)对预测图进行后处理，可以为路径规划和作物秸秆产量计算等研究提供道路拓扑图和农田预测图。