基于深度学习的大棚及地膜农田无人机航拍监测方法

随着精准农业技术的发展,快速获取大棚和地膜农田面积及地理分布的需求越来越大,但沿用面向卫星遥感影像的解译方法处理无人机航拍影像,存在特征选择复杂、识别精度较低、处理时间长等问题。基于此,本文提出一种基于深度学习的大棚及地膜农田无人机航拍监测方法,即采用六旋翼无人机搭载索尼NEX-5k相机进行航拍作业,对采集到的558幅赤峰市王爷府镇地区的无人机航片进行正射校正与拼接,构建全卷积神经网络(Fully convolutional network,FCN),通过多尺度融合的方法实现了FCN的5个变种模型:FCN-32s、FCN-16s、FCN-8s、FCN-4s、FCN-2s,使用带动量的随机梯度下降算法端到端训练模型,自动提取并分类影像特征。FCN模型与ENVI商用遥感软件的基于像素的分类方法、e Cognition软件的面向对象的分类方法对比后表明:FCN-4s模型为识别大棚和地膜农田的最佳模型,对于测试区域的平均整体正确率为97%,而基于像素的分类方法平均整体正确率为74.1%,面向对象的分类方法平均整体正确率为81.78%。FCN-4s模型平均运行时间为16.85 s,是基于像素的分类方法运行时间的0.06%,是面向对象的分类方法运行时间的5.62%。本方法可快速准确获取大棚和地膜农田的地理分布及面积,满足设施农业对无人机航拍监测的需求。

一种基于深度学习的交互式电话号码识别方法

物流、保险和中介服务等行业需要频繁地拨打电话,而人工拨打电话效率较低,高效的电话号码识别技术具有重要的应用价值。传统的印刷体数字识别方法存在人工设计特征过程复杂、识别字体单一等不足,难以满足实际应用需求。本文提出了一种基于深度学习的交互式的电话号码识别方法,通过鼠标双击图像中的电话号码,自动截取出包含此号码的目标区域,并进行灰度化、二值化、目标区域定位、字符分割和图片补白等预处理操作,在此基础上利用改进的Le Net-5卷积神经网络(CNN)自动学习图像特征,支持多种字体、字形和字号的印刷体数字识别,并利用交互式识别和内存池等方法提高识别速度。实验结果表明,单一字符的识别率为99.86%,整个号码的识别率为99.50%,整个号码平均识别时间为91 ms。本文方法识别精度高、识别速度快,具有较为广泛的应用前景。

基于车载计算机的红外图像移动目标检测

环境感知系统作为无人车平台的重要组成部分,是路径规划与决策控制等功能实现的基础与前提。结合车载计算机的硬件基础,设计一种复杂场景下的红外图像移动目标检测系统。该系统采用客户端/服务端(B/S)架构,在客户端浏览器进行服务请求后,服务端使用改进的YOLOv2算法对车载Rapid输入输出(RapidIO)高速总线传输来的红外图像进行目标检测;通过维度重聚类和改进激活函数等方法,有效降低了漏检和误检率;为弥补红外图像对比度低、纹理特征弱的缺点,提出一种基于直方图均衡化的双边滤波图像增强算法,该预处理能够有效保持图像轮廓细节信息。结果表明:改进YOLOv2算法的实时检测准确度相对于原始算法提升了4.1%;图像预处理算法显著提高了检测准确率;该系统可为开拓无人车载红外图像的应用领域提供可靠的技术支撑。

基于Wayland图形协议和光纤通道网络的车辆人机交互显示控制技术

为提高车辆人机交互体验、实现网络化人机交互,设计一种基于Wayland图形协议和光纤通道网络的车辆人机交互显示控制(显控)技术。采用国产化硬件平台,适配国产化操作系统,基于光纤通道协议搭建车载光纤通道网络,以图形窗口为基本单位,通过光纤通道网络实现车内多个车载计算机和多个显控屏幕之间的任意网络化显示。结果表明:采用Wayland图形协议渲染图形界面更加简单高效;车载光纤通道网络具有高可靠、高传输率、强实时、低时延的特性,能够满足未来车辆综合电子系统的需求;经实际测试与体验,设计的人机交互显控技术具有良好的人机交互体验,完全满足车载使用需求;该技术可为开发新的车辆人机交互显控方案提供借鉴与参考。