基于迁移学习和非监督分类的制种玉米遥感识别方法

作物遥感识别主要基于监督分类方法,对样本的数量、分布要求较高,而农作物样本目视解译困难。为提高已采集样本的利用率,同时降低精细分类中对样本的依赖,本文将迁移学习与非监督分类方法相结合,在源域内构建特征工程,包括:BLUE、GREEN、RED、EDGE1、EDGE2、EDGE3、NIR、SWIR 8个原始光谱波段,以及NDVI、EVI、RVI、GNDVI、TVI、DVI、MSAVI、GCVI、RNDVI、NDRE、RRI1、RRI2、MSRRE、CLRE、IRECI、LSWI、GCI、SIPI 18个植被指数,提取出最能表征制种玉米与大田玉米冠层光谱差异,且在不同的源域内制种玉米之间差异最小的特征,将其作为先验知识用于目标域的分类任务中,再基于K-means进行制种玉米识别和制图。结果表明,在众多特征中,近红外原始波段表现出最强的优势,且在制种玉米母本去雄期后表征效果最好。计算此时间段内NIR的线性回归斜率作为特征,相较于直接基于NIR原始波段特征分类精度有所提升。利用K-means方法对2019年、2020年石河子市和奎屯市的制种玉米分类,2个目标域制种玉米2019年F1值分别为74.35%和64.97%,2020年F1值分别为72.50%和75.69%。本方法通过提取先验知识,引入非监督分类器,有效提高了样本利用率。通过提取波段回归斜率作为特征为原始波段的特征增强提供了思路,同时也为无样本场景下农作物精细分类绘图提供了方法。

基于UCI数据集的OCR光学字符识别

该文通过实验利用公开规范的UCI数据集通过3个步骤建立字符识别模型,一是基于主成分分析,提取UCI记录中有较好识别效果的变量因子;二是基于逐步回归,初步建立字符识别模型;三是基于BP神经网络,对识别模型的各参数进行优化。结果表明,UCI数据集中记录的16个参数变量可以通过7个主成分因子进行很好的描述;初步建立的回归识别模型显著性水平等于0.05;通过BP神经网络的学习优化,最终建立的识别模型精度为87.5%。总体来说,数据的预处理和神经网络的学习精度是字符识别精度的关键,可以通过对大量UCI数据集进行训练,提高字符识别的精度。