基于ResNet50与通道注意力的遥感图像场景分类

卷积神经网络广泛应用于图像分类,但传统的卷积神经网络直接应用于遥感图像场景分类有一定的局限性。遥感图像中存在类内差异大、类内相似度高的现象,导致网络无法准确地提取到图像中的特征,给遥感图像分类任务带来巨大的困难。通道注意力机制有专注于提取主要特征而忽略次要特征的优点,将其加入网络模型可以增强卷积神经网络的识别图像特征能力,因此,提出了一种基于ResNet50与通道注意力结合的网络模型(ResNet50+Attention),在UCMD数据集上使用初始化网络参数的方法进行遥感场景图像分类任务,对比了经典网络模型AlexNet、DenseNet、VGG16和GooLeNet,ResNet50+Attention在总体准确率、精确度、召回率和特异度分类指标上,明显优于其他模型。并进行了与基础ResNet50模型的消融实验,包括对比了准确率曲线、混淆矩阵和单独类的分类指标。结果表明,ResNet50+Attention在总体准确率、精确度、召回率和特异度上分别达到了91.7%、92.1%、91.8%和99.6%,相比于ResNet50分别提高了4%、3.8%、4%和0.2%,证明了该网络模型的有效性。

基于时序InSAR技术的南昌市地表形变监测分析

随着经济的快速发展,城市化进程不断加快。在人为的过度开发及自然因素的影响下,城市地表发生缓慢形变。精确且长时序的城市地表监测,对保障人民生活、防范潜在风险有着重大意义。选取了2021年1月至2023年1月覆盖南昌市区的38景Sentinel-1A影像,采用结合PS地面控制点的SBAS-InSAR技术进行处理,获取了沉降速率和累计形变量等地表形变信息,并与PS-InSAR结果交叉验证,确定其可靠性。研究表明,2种方法得到的监测结果具有较强相关性,相关系数达0.8956。南昌市形变总体稳定,大体可以分为3个沉降区和1个抬升区,结合地质构造、地下水特征和老旧小区改造资料,分析地表形变特征成因。

青海某金矿选厂一段分级作业改造实践

青海某金矿选矿厂原一段磨矿—分级作业使用螺旋分级机进行分级,分级效率仅34.84%,底流-0.074 mm含量高达16.31%,大量已单体解离的有用矿物返回磨机再磨,矿浆泥化严重,影响浮选指标,且螺旋分级机故障率高,不利于生产成本的降低,需进行技术改造。固定水力旋流器给矿浓度55.00%、给矿压力0.06 MPa,将原螺旋分级机替换为FX500-4旋流器组,并通过工业试验优化沉砂嘴直径。改造后,一段分级效率提高到46.39%,底流-0.074 mm含量由16.31%降低到10.80%,矿浆泥化现象得到明显改善,节约了浮选药剂成本,金回收率由76.08%提高到78.82%,一段分级设备运转率提高到92%,综合效益显著。