基于深度学习的松材线虫病疫木无人机影像检测算法比较研究

松材线虫病是一种传播速度快的毁灭性森林病害,快速识别、定位病害疫木并及时进行治理是控制松材线虫病蔓延的有效手段。为了测试不同深度学习目标检测算法在松材线虫病疫木检测中效果,该文构建了一个包括6035张复杂背景下不同季节的松材线虫病疫木的数据集,基于此数据集对Faster R-CNN、YOLOv3、RetinaNet算法进行训练和测试,其中:Faster RCNN模型的主干网络为ResNet50、ResNet101;YOLOv3模型的主干网是DarkNet53;RetinaNet模型的主干网是ResNet101,总计4种算法模型。结果表明,在精度上Faster R-CNN-ResNet50模型最高,RetinaNet-ResNet101模型次之,为后续开展松材线虫病疫木无人机航拍检测的工程化应用奠定了基础。

基于深度学习的高分辨率遥感图像建筑物识别

为解决当前深度学习方法在高分辨率遥感图像中存在识别结果过度分割,以及小物体识别差的问题,提出一种基于SegNet架构改进的网络模型AA-SegNet,增加了增强的空间金字塔池化模块和空间注意力融合模块。该网络可以加强特征传播并能够有效传递更高级别的特征信息以抑制低级特征的噪声,并且可以增强小目标特征学习。基于高分二号遥感影像制作数据集并进行实验,AA-SegNet网络总体识别准确率为96.61%,在识别率、F1分数以及训练时间等方面也都优于SegNet、U-Net、DeepLab-V3网络。

深度学习在多时相大棚提取应用研究

蔬菜大棚对于农业生产具有重要意义。受季节和环境影响,其在遥感影像上不同时期呈现不同形态,仅通过单时相特征提取精度不能满足要求。近几年,深度学习被证明适合遥感数据的分类,为实现深度学习在农业遥感上的有效应用,提出了一种改进的多时相语义分割模型(Multi-temporal Spatial Segmentation Network,MSSN)用于蔬菜大棚提取。提出基于补丁长短时记忆网络(Patch-LSTM),该网络充分利用图像的空间和时序信息。采用带空洞卷积的空间金字塔池化(ASSP)解决网络对尺度敏感问题。进一步添加跳连层(Skip-layer)和反卷积层提升特征图的还原能力。选择山东高密GF-2遥感影像进行实验。结果表明,该分割模型在测试集上有0.95的Precision、0.92的F1 score以及0.93的前景IoU(Intersection Over Union),可以实现高精度的蔬菜大棚提取,为深度学习在农业遥感的应用提供新的方法。

珠海一号高光谱卫星在高密市农作物精细分类中的应用

本文根据珠海一号的高光谱影像,针对山东省高密市的农作物进行精细农作物分类研究,通过分类结果进而提取小麦的种植分布实现小麦种植面积预估。采用端元波谱技术补充样本,使用神经网络进行农作物的精细分类。结果表明:高光谱数据在进行精细农作物分类上具有可行性,对比最大似然法和SVM方法,本文的方法可以获得较高的分类精度,在此基础上可以开展相关的农业遥感应用。