基于DXNet模型的富士苹果外部品质分级方法研究

针对传统计算机视觉技术在苹果外部品质分级中准确率较低、鲁棒性较差等问题,提出了基于深度学习的苹果外观分级方法(多卷积神经网络融合DXNet模型)。首先,在延安市超市、果园等场所实地拍摄不同外观等级的苹果图像15000幅,并进行人工标记,建立了外部品质信息覆盖度广、样本量大的苹果图像数据库;然后,在对比分析经典卷积网络模型的基础上,采用模型融合的方式对经典模型进行优化改进,抽取经典模型卷积部分进行融合,作为特征提取器,共享全连接层用作分类器,并采用批归一化和正则化技术防止模型过拟合。试验评估采用15000幅图像进行训练、4500幅图像进行测试,结果表明,DXNet模型的分级准确率高于经典模型,分级准确率达到97.84%,验证了本文方法用于苹果外部品质分级的有效性。

我国林业保护与低碳产业发展路径研究

在我国低碳经济发展中，林业发展对其有重要的促进作用。根据国民经济行业分类，我国在产业发展的低碳经济的基础上，提出了林业保护与低碳产业发展概念。基于此，本文阐述了林业在低碳经济发展中的作用和地位，分析了我国林业低碳产业评估内容，同时给出了我国林业保护与低碳产业的几点发展策略。

集体林权改革后林业可持续发展对策研究

我国林业资源中有一半是属于集体林业资源，林业资源的可持续发展直接受到集体林地产权的变动的影响。从2003年起，中国开始新一轮的集体林权改革，极大的激发了社会各界与广大农民建林、造林和绿化的主动积极性，实现生态建设相协调与经济发展是集体林权改革的总体目标。长期以来集体林生态效益的发挥受多种因素的影响，本文主要阐述了集体林权制度改革及其改革政策的需求，总结出林业可持续发展的方法与对策。

基于核典型相关分析的多视图谱聚类算法

提出并讨论了一种基于核典型相关谱聚类假设的多视图协同聚类方法。目的是寻求从多个表示中找到一致的解决方法,利用每个表示中的信息来提高经典聚类模型的性能。为了展示该方法的有效性,在6个具有不同大小和特征的图像数据集、文本数据集上进行了实验。实验结果充分证实了基于核典型相关分析的多视图谱聚类算法的性能优于经典的单视图K-means、K-means级联(CK)、多视图K-means(MK)、单视图谱聚类(SC)、SC级联(CSC)和多视图谱聚类(MSC),且具有更好的聚类准确度和鲁棒性。

基于卷积神经网络的牡丹花品种识别

牡丹花品种识别对牡丹花栽培、鉴赏和科普教育具有重要意义。基于深度学习在图像分类领域的优异性能,研究基于图像分类技术的牡丹花品种自动识别方法。首先在自然条件下采集11个品种的11624幅牡丹花图像自建数据集,然后在ResNet模型框架下,修改最顶端的全连接层与分类输出层组成卷积网络主体结构,并采用数据增强和Dropout技术防止过拟合。实验结果验证了卷积神经网络在牡丹花品种图像识别任务上的优越性能,测试集上的卷积神经网络识别准确率达到98%。

基于孪生网络的苹果外观品质分级方法

针对人工和机械在苹果分级中存在低效、易损、准确率低等问题,提出一种基于孪生网络的苹果外观品质分级方法。该方法首先人工采集包含真实背景和不同等级的苹果图像数据集,并进行预处理操作,包括删除无关背景、0-1缩放和数据增强等;其次以卷积层、池化层和批归一化层为基础模块,搭建神经网络模型,提取苹果图像特征;最后用全连接层训练一个分类器,完成对苹果图像特征的分类,从而得到苹果外观品质对应的等级,其中模型的损失函数为对比损失。实验结果表明,构建的孪生网络模型在苹果外观品质分级中,平均分类准确率达到了97.71%,具有较好的稳定性,其用于苹果外观品质的自动分级是可行的,并为其他农产品的外观分级提供思路和参考。

3D卷积自编码器高光谱图像分类模型

目的高光谱图像分类是遥感领域的基础问题,高光谱图像同时包含丰富的光谱信息和空间信息,传统模型难以充分利用两种信息之间的关联性,而以卷积神经网络为主的有监督深度学习模型需要大量标注数据,但标注数据难度大且成本高。针对现有模型的不足,本文提出了一种无监督范式下的高光谱图像空谱融合方法,建立了3D卷积自编码器(3D convolutional auto-encoder,3D-CAE)高光谱图像分类模型。方法3D卷积自编码器由编码器、解码器和分类器构成。将高光谱数据预处理后,输入到编码器中进行无监督特征提取,得到一组特征图。编码器的网络结构为3个卷积块构成的3D卷积神经网络,卷积块中加入批归一化技术防止过拟合。解码器为逆向的编码器,将提取到的特征图重构为原始数据,用均方误差函数作为损失函数判断重构误差并使用Adam算法进行参数优化。分类器由3层全连接层组成,用于判别编码器提取到的特征。以3D-CNN(three dimensional convolutional neural network)为自编码器的主干网络可以充分利用高光谱图像的空间信息和光谱信息,做到空谱融合。以端到端的方式对模型进行训练可以省去复杂的特征工程和数据预处理,模型的鲁棒性和稳定性更强。结果在Indian Pines、Salinas、Pavia University和Botswana等4个数据集上与7种传统单特征方法及深度学习方法进行了比较,本文方法均取得最优结果,总体分类精度分别为0.9487、0.9866、0.9862和0.9649。对比实验结果表明了空谱融合和无监督学习对于高光谱遥感图像分类的有效性。结论本文模型充分利用了高光谱图像的光谱特征和空间特征,可以做到无监督特征提取,无需大量标注数据的同时分类精度高,是一种有效的高光谱图像分类方法。