基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一,对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性,该研究收集新疆艾比湖湿地78个典型样点,其中选取54个样本作为训练集,24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument,MSI）、数字高程模型（Digital Elevation Model,DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数）,经过极端梯度提升（Extreme Gradient Boosting,XGBoost）算法筛选有效特征变量,构建了关于土壤电导率（Electrical Conductivity,EC）的随机森林（Random Forest,RF）、极限学习机（Extra Learning Machine,ELM）和偏最小二乘回归（Partial Least Squares Regression,PLSR）预测模型,并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化;红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合,3类指数组合的建模取得了较为理想的预测精度,其中RF模型表现最优（验证集R2=0.83,RMSE=4.81 dS/m,RPD=3.11）;在整个研究区内,中部和东部地区土壤盐渍化程度尤为严重。因此,XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。     

基于极化分解和集成学习的PolSAR影像分类

为实现Pol SAR数据极化信息的充分利用,以进一步改善分类效果,该研究提出了一种基于极化分解和集成学习的Pol SAR影像分类方法。该方法首先利用多种极化分解方法从Pol SAR影像中提取极化参数;将提取的极化参数组合成一幅多通道影像;然后对多通道影像进行分割和特征提取,分别提取出各目标极化分解方法所对应的特征;并进行特征选择和分类,得到各目标极化分解方法的分类结果;最后利用集成学习技术对各分类结果进行集成。该研究以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地覆被分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了92.49%和0.90。此外,该研究还将提出方法与其他基于多种极化分解的分类方法进行比较,对比方法的总体精度和Kappa系数分别为90.74%和0.88,比提出方法分别低1.75%和0.02,对比结果进一步证明了提出方法的优越性。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题,提出了一种联合全卷积神经网路（fully convolutional neural network,FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合,然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明,联合全卷积神经网络与Stacking算法能有效提取湿地信息,总体分类精度为88.16%,Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比,该文提出的湿地分类方法在总体分类精度上分别提高了4.87%,5.31%和5.08%;与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果,该文提出的湿地分类方法在总体分类精度上分别提高了2.78%,4.48%与4.91%;该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征,另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组,从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

基于深度学习的小浆果一体化智能采摘与分选研究进展

小浆果因具有较高的营养价值和保健作用深受人们喜爱,被国际市场誉为第3代水果。随着市场需求量的增加,林业小浆果的智能采摘与分选成为一种新的趋势。目前,由于现有技术自动化和智能化程度不高,导致大量人力、物力的投入。深度学习方法的飞速发展促进了检测技术的精确作业和检测精度的提高。文中概述了深度学习的发展进程,通过总结国内外关于深度学习方法在小浆果采摘与分选中的应用,提出深度学习方法在实际应用过程中存在的问题及解决措施,并展望深度学习方法在小浆果智能采摘与分选检测方面的发展趋势。     

农业院校计算机素质教育的发展及任务

本文立足于广东一全国改革开放的试验区,对农业院校非计算机专业的计算机素质教育的演变及如何与世界计算机教学接轨进行了分析与探讨,提出本世纪计算机中心的任务,仅供同行专家参考.     

专题学习网站建设初探

随着高校教育信息化步伐的逐步推进,专题学习网站的建设成为广大教育工作者探究的新热点,本文基于分析专题学习网站特性上.结合网站开发的实用技术,探讨如何开发高质量的专题学习网站.     

基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究

针对目前河蟹追溯成本高、消费者无法细粒度地追溯单体河蟹信息等问题,提出一种基于迁移学习和金字塔卷积的河蟹背甲图像个体识别算法。该算法使用金字塔卷积层替换普通残差卷积块构建网络模型,可以从蟹背图像中提取多尺度、深层次的特征信息。结果显示:采用金字塔卷积结构的Resnet34和Resnet50的准确率分别为98.38%、98.51%,与使用普通卷积层的模型相比,准确率提升5.49%、1.3%,而当模型深度达到101层时,模型性能不再明显提升。与使用金字塔卷积结构的全新学习模型相比,迁移学习方法的训练收敛迭代轮次从20轮降低至5轮,此时模型准确率为98.88%,较全新学习的准确率提升0.37%,同时弥补了样本量较少的问题。该研究为河蟹个体识别追溯提供了理论依据和技术支持。     

基于轻量级神经网络MobileNetV3–large的黄茶闷黄程度判别

以碧香早品种为材料,通过相机采集不同闷黄时长下的闷黄叶图像共675张,建立了3种闷黄程度的黄茶样本数据集,采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强,运用迁移学习方法,在ImageNet数据集取得MobileNetV3–Large的预训练模型,对迁移网络的所有权重信息进行训练,最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3–Large识别模型,并利用Grad–CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明：经训练后的MobileNetV3–Large模型测试的识别准确率达到98.51%,精确率为99.10%,召回率为98.93%,加权分数为98.20%;MobileNetV3–Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN;通过Grad–CAM热力图可视化显示,MobileNetV3–Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征,准确地识别闷黄程度。可见,MobileNetV3–Large模型有较好的泛化性,可以快速、无损地识别黄茶的闷黄程度。