基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别

【目的】探究将简单非迭代聚类超像素分割算法(SNIC)融合到基于多时相数据的树种分类问题中,并对比分析不同时相数据组合对分类结果的影响,实现更高效、更精准的优势树种识别。【方法】以内蒙古旺业甸林场为研究区,在Google Earth Engine(GEE)云计算平台上利用多时相Sentinel-2多光谱数据提取波段反射率特征和光谱指数特征,采用SNIC和支持向量机(SVM)机器学习分类方法,实现面向对象的优势树种识别,并分析不同时相数据组合对优势树种识别精度的影响。【结果】多时相数据组合的分类精度明显高于各季节单时相数据。对比不同多时相数据组合分类结果,春、秋2个季节时间序列组合数据的分类精度与多季节组合数据结果相近,总体精度分别为94.5%、95.0%和95.8%。【结论】基于多时相Sentinel-2影像和SNIC分割算法的面向对象分类方法能够快速、准确识别优势树种,多季节组合数据的分类结果最优,春、秋2个季节时间序列数据也能获得较好分类结果,总体精度与最优结果差距较小。     

基于机器学习的奶牛颈环ID自动定位与识别方法

[目的]奶牛个体信息的实时感知和行为分析是现代化奶牛精细养殖的必然要求,奶牛个体身份的有效识别是上述目标的前提和基础。基于奶牛生物特征(牛脸、体斑等)图像的无接触识别方法易受外界干扰、算法复杂度高,可识别的样本规模受到限制。因此,本文提出1种基于机器学习的奶牛颈环ID自动定位与识别方法。[方法]针对奶牛运动造成的颈环ID偏转问题,采用基于梯度方向直方图(HOG)特征的级联检测器结合多角度检测方法实现奶牛标牌的定位;对标牌图像进行图像增强和二值化分割等处理,得到单个字符图像;设计卷积神经网络的结构和参数,训练字符识别模型,从而完成标牌字符的识别。试验数据包括80头奶牛的1 414幅侧视图像,随机选取其中58头奶牛的图像作为训练集,其余22头奶牛的图像作为测试集。[结果]标牌定位的准确率为96.98%,召回率为80.23%,字符识别模型的准确率为93.35%,连续图像序列中奶牛个体的识别率为95.45%。[结论]识别模型对光线变化、污渍沾染、旋转角度等具有良好的鲁棒性,具有代替传统动物个体身份识别方法的潜力。     

基于GF-2卫星数据的日光温室智能识别应用实践

针对辽宁省设施农业产业存在的日光温室数量和面积数据不精准问题,采用高分二号(GF-2)卫星数据,应用卷积神经网络方法进行温室识别应用研究。选取不同的尺寸标准将图像数据分割成碎片,分析截断率进而确定最优切片尺寸;将不同区域图像数据进行数据增强处理和颜色校准,降低图像数据和温室特征的复杂度;采用Segnet、Deeplab v3+、Unet 3个语义分割模型进行日光温室识别模型构建和模型融合研究,最后将识别后的切片数据应用闭操作完成识别结果的拼接,同时统计出温室的数量、面积、位置等信息。经初步分析模型识别效果较好,能够科学量化日光温室情况,从而为相关工作提供数据支撑。     

构建VED-SegNet分割模型提取鱼类表型比例

为提高鱼类表型分割精度和准确度,实现鱼类表型智能监测,该研究基于深度学习算法构建了VED-SegNet模型用于鱼类表型分割和测量。该模型将cross stage partial network和GSConv结合作为编码器（VoV-GSCSP）,保持足够精度的同时降低网络结构复杂性。另一方面,该模型采用EMA(efficient multi-scale attention module with cross-spatial learning)建立强化结构,加强编码器和解码器之间的信息传递,提高模型精度,并实现了8个表型类别的输出。采用自建的鱼类表型分割数据集对VED-SegNet模型进行了测试,测量结果中鱼类各表型比例与实际测量值相接近,表型最大平均绝对和平均相对误差为0.39%、11.28%,能实现无接触式提取水产养殖中鱼类表型比例。对比其他常见语义分割模型,平均交并比mean intersection over union,mIoU和平均像素准确率mean pixel accuracy,m PA最高,分别到达了87.92%、92.83%。VED-SegNet模型在环境复杂、多鱼重叠的...     

基于物联网技术的猪胴体分割生产研究

为运用物联网技术实现猪胴体分割生产的数据自动化采集和过程溯源监控,运用低频RFID标签标识胴体,配合门禁式阅读器和RFID称重器建立胴体和产品的关联,结合温度传感器监测车间温度,以及使用视频采集捕获生产过程录像,实现了胴体分割过程的全程监控和产品生产信息溯源.由此提高了胴体分割生产数据采集的自动化水平和产品安全溯源能力...     

基于语义部位分割的条纹斑竹鲨鱼体运动姿态解析

条纹斑竹鲨具有较高的经济价值和医用研究价值。人工驯养对环境和温度等因素要求较高,时常出现大规模病死现象。利用视频图像量化分析鱼体运动行为,有助于进行异常识别和早期预警,将有效提高养殖养护水平。该研究针对人工驯养的条纹斑竹鲨鱼,提出一种基于深度神经网络的语义部位分割方法,并将分割结果应用于剖析条斑鲨鱼体运动姿态。首先,依据条斑鲨形态特征将其划分为7个可视的身体组成构件(头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴);再对全景养殖监控视频中抽取的476幅条斑鲨子图进行各部位的像素级标记,通过数据增强到1 944幅建立鱼体语义部位数据集,其中训练集为1166幅图像,测试集为778幅图像;然后,在语义分割网络模型基础上进行深度学习训练,使用深度学习框架对网络参数进行微调使得网络训练结果达到最优。最后,利用语义部位分割结果定位躯干和鱼头质心建立随体坐标,通过随体坐标的方向变化判明鱼体动作姿态。基于FCN-8s和Segnet两种深度网络模型进行了鱼体部位分割的对比试验,测试结果表明基于Segnet网络的分割方法在头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴部位的准确度分别高出FCN-8s深度网络1.50,4.70,6.95,6.56,6.01,0.85,0.84个百分点。语义部位分割结果能够有效判别条斑鲨鱼体目标的动作姿态,可为鱼体异常行为识别和进一步开展面向条斑鲨的动物行为学试验提供技术参考。     

基于FCN的无人机玉米遥感图像垄中心线提取

为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully ConvolutionalNetworks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7～17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%～83.4%,召回率达51.1%～73.9%,调和平均值为57.6%～78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。     

科尔沁沙丘草甸相间地区土地利用与覆被识别

为了实现基于单独光学遥感数据对科尔沁沙丘草甸相间地区土地利用与覆被(LULC)类型的识别,选用2018年64景Sentinel-2影像,结合影像分割技术,利用植被物候信息和生境特征,建立了基于群落水平的LULC决策树识别规则,总体分类精度为0.91,Kappa系数为0.89.分类结果显示:研究区旱地分布面积最大,占33...     

农村土地承包经营权确权登记综述

目前,农村土地经营权确权登记工作存在一些漏洞,严重影响了农业产业的发展。随着《农村土地承包法》的出台,全国各地认真贯彻落实《农村土地承包法》的相关规定,把土地承包作为农村工作的重中之重,助力农村发展。     

基于改进UNet模型的油茶果振动采摘点定位方法

针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con（连果枝）、danger（危险区）和br_pro（优先采收区域）的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。