基于语义驱动的日光温室图纸三维建模方法

为了从日光温室施工图纸中重建出温室结构三维模型,提出基于语义映射的施工图纸三维重建方法。首先解析和分类日光温室施工图纸DXF文件,从中识别和理解主要特征构件,建立日光温室构件语义模型并生成分层控制参数,进而基于参数化驱动日光温室三维建模,最后对日光温室三维模型进行真实感渲染。该方法整合CAD制图与三维建模技术,有利于提高日光温室施工图纸的读图效率,建立的三维温室模型具有保真性、交互性和真实感等特性,可用于工程量和造价计算、温室结构优化以及虚拟展示。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。     

基于区域语义和边缘信息融合的作物苗期植株分割模型

为在自然环境下准确分割作物苗期植株,实现苗期植株定位及其表型自动化测量,本文提出一种融合目标区域语义和边缘信息的作物苗期植株分割网络模型。以U-Net网络构建主干网络,基于侧边深度监督机制,引导主干网络在提取特征时能感知植株边缘信息;利用空间空洞特征金字塔构建特征融合模块,融合主干网络和边缘感知模块提取的特征,融合后的特征图具有足够的细节信息和更强的语义信息;联合边缘感知的损失与特征融合的损失,构建联合损失函数,用于整体网络优化。实验结果表明,本文模型对不同数据集的作物植株的语义分割像素准确率高达0.962,平均交并比达到0.932;与U-Net、SegNet、PSPNet、DeepLabV3模型相比,本文模型在不同数据集上平均交并比最高提升0.07,对自然环境下作物苗期植株具有良好的分割效果和泛化能力,可为植株定位、对靶喷药、长势识别等应用提供重要依据。     

基于R2U-Net和空洞卷积的羊后腿分割目标肌肉区识别

针对前处理工序造成的羊肉智能精细分割目标肌肉区图像识别准确度低的问题,以羊后腿自动去骨分割工序为研究对象,提出一种基于R2U-Net和紧凑空洞卷积的羊后腿分割目标肌肉区识别方法。对传统的U-Net语义分割网络进行改进,以U-Net为骨架网络,采用残差循环卷积块替换原始U-Net的特征编码模块和解码模块中的卷积块以避免U-Net的梯度消失,在特征编码模块和特征解码模块之间增加一个紧凑的四分支空洞卷积模块对语义特征进行多尺度编码,实现缝匠肌图像分割模型的构建。一方面,针对缝匠肌这一核心目标肌肉区,采集羊后腿图像构建数据集训练与测试本文模型,以验证该方法的准确性与实时性;另一方面,通过旋量法标定夹爪坐标系、相机点云坐标系、机器人坐标系的齐次变换矩阵以计算分割路径,并采用主动柔顺的力/位混合控制方法操纵分割机器人进行目标切削运动,验证基于本文方法得到的目标图像开展目标肌肉分割的可行性。相关试验结果表明：当交并比为0.8588时,本文方法平均精确度为0.9820,优于R2U-Net的(0.8324,0.9775);单样本检测时间平均为82ms,说明本文方法可快速、准确分割出缝匠肌图像,满足机器人自主分割系统的实时性要求,优于U-Net、R2U-Net、AttU-Net算法。最后,在本文方法得到的缝匠肌图像基础上开展机器人实机分割试验,机器人对5条羊后腿的平均切削时间为7.9s,平均偏移距离为4.36mm,最大偏移距离不大于5.9mm,满足羊后腿去骨分割的精度要求。     

基于深度学习的杂草识别方法研究进展

伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。     

基于数字足迹的西藏自助游语义网络研究

近年来,随着人们需求的转变及各项基础设施的完善,居民出游方式逐渐由传统的跟团游向自助游转变。西藏每年都会接待大量的自助游游客,但有关自助游的研究比较缺乏。本文以西藏自助游行为研究对象,利用大数据软件在携程网上获取2013～2020年旅藏自助游游客的旅行笔记内容,并运用ROSTCM6.0软件进行文本分析。本文在总结出旅藏自助游游客的时间与空间活动特征的基础上,针对网络游记的自助游旅游行为特征语义网络进行分析,深入探究发现：西藏自助游存在自助游基础设施薄弱、信息系统不健全、市场监管力度不大等问题。基于此,本文提出建立自驾游信息系统服务平台、完善自助游保障体系、政府加大监督、规范旅游市场等对策建议。     

基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题,采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割：首先将采集的高原鼠兔图像进行预处理,尺度归一化后制作成与Pascal VOC数据集格式一致的数据集;然后将数据集分为训练集与测试集,采用训练集对SegNet模型训练,测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明：与基于活动轮廓的Chan_Vese模型相比,基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%,过分割率和欠分割率分别降低了87.20%、16.52%。     

基于RGB-D图像的自动化膳食调查系统

针对传统膳食调查方法使用过程繁琐,耗时长的问题,对基于彩色深度图像的自动化膳食调查系统进行研究,采用DeepLabv3+语义分割模型对RealSense传感器获取的食物彩色图像进行分割,根据食物分割结果和对应的深度图像计算每一类别食物体积并结合食物配料表和营养成分估算营养素含量;同时采集人体深度图像序列结合蒙皮多人线性模型拟合三维人体模型,并利用模型点云和人体体重信息计算身体质量指数和腰臀比。结果表明:1)本系统在食物图像分割中的像素准确率为72.1%,像素准确率平均值为97.13%,平均交并比为82.03%;2)食物体积计算中的平均绝对误差均小于40 cm³;3)所有人体样本计算的腰臀比与真实值偏离程度均小于4%。本系统在实现自动监测食物各营养素摄入量的基础上,增加对人体体重状况以及中心性肥胖程度的初步判定,同时提高了膳食调查的便捷性和自动化程度,可以为营养干预提供依据和参考。     

基于语义网的信息检索研究

针对现代搜索引擎语义理解缺乏的问题,通过引入语义网的本体理论,构建了基于语义网的信息检索系统(SWB_IRS)的体系结构,并着重针对该体系结构的"Ontology-Webpage双层模型"和"相关度排序"两个关键模块进行了讨论.     

基于语义网的信息检索研究

针对现代搜索引擎语义理解缺乏的问题,通过引入语义网的本体理论,构建了基于语义网的信息检索系统（SWB_IRS）的体系结构,并着重针对该体系结构的“Ontology—Webpage双层模型”和“相关度排序”两个关键模块进行了讨论．