一种基于Mosaic Dataset的海量影像数据处理方法

高精度海量影像数据是天地图、数字城市等公共服务平台的基础数据源之一。巨大的数据量使得传统影像数据加工方法的效率大大降低,这也成为制约公共服务平台数据生产效率的瓶颈之一。本文基于ArcGIS10版本推出的Mosaic Dataset模型,实现了海量高精度影像数据的高效处理,从海量数据管理、数据预处理、投影变换、去黑边、填补空洞等方面,详细叙述了该模型在海量影像数据处理方面的应用。本研究期望为相关数据加工与生产提供借鉴。

煤矿井下无人驾驶轨道电机车障碍物识别

针对现有煤矿井下无人驾驶轨道电机车因巷道环境恶劣导致障碍物识别精度低的问题,提出用于无人驾驶电机车障碍物精准实时检测的PDM-YOLO模型.基于YOLOv5,将模型C3模块中的传统卷积替换为部分卷积,构建C3_P特征提取模块,有效减少模型的浮点运算量(FLOPs)与计算延迟.采用改进后的解耦头,对传统YOLOv5的预测头进行解耦,提高模型的收敛速度及对障碍物的识别精度.优化Mosaic数据增强方法,丰富训练图像的特征信息,提高模型的普适性和鲁棒性.实验结果表明,PDM-YOLO模型在自制数据集上的平均检测精度(mAP)达到96.3%,平均检测速度达到109.2帧/s,PDM-YOLO模型在PASCAL VOC公共数据集上的检测精度高于现有主流的YOLO系列模型.

基于改进YOLOv5m的电动车骑行者头盔与车牌检测方法

电动车上路必须佩戴安全头盔已成为交管部门的强制性规定.为了能自动检测出电动车骑行者的头盔佩戴情况,提出一种基于改进的YOLOv5m模型的头盔与车牌检测方法,在检测出骑行者未佩戴头盔的同时还能检测出电动车车牌.模型使用自建电动车骑行者头盔与车牌检测数据集进行训练,用DIOU损失函数代替GIOU损失函数,DIOU_NMS代替加权NMS,增强模型对密集骑行场景的识别能力.在Backone部位与预测中小目标的Neck部位加入ECA注意力机制,使得模型对中小目标的识别率有所提高;用K-means算法对锚框尺寸重新进行聚类.最后,改进Mosaic数据增强方式.实验结果表明:改进的YOLOv5m电动车骑行者头盔与车牌检测模型的mAP为92.7%,较原YOLOv5m模型提高2.15个百分点,较YOLOv4-tiny、Faster RCNN模型分别提高5.7个百分点与6.9个百分点.改进后的YOLOv5m模型能有效提高对头盔与车牌的识别率.

基于旋转采集Data Matrix码序列图像拼接方法

针对刀具柱面Data Matrix码图像拼接的特殊需求,已有算法拼接结果识读率低、实时性差的缺陷,提出了一种基于Data Matrix码图像特征的拼接方法.该方法基于缝隙内旋转采集的刀具柱面Data Matrix码序列图像,通过条码纵向位移校正与模块划分,完成基于模块信息的最小欧氏距离图像粗配准和归一化互相关图像精配准;为了保证条码结构正确,消除无重合区域对图像拼接的影响,根据匹配度先将序列图像融合成3部分并校正畸变;最后将这3部分按条码模块关系融合成一幅尺寸正确的图像,实现了条码定位、模块划分,以方便后续进行解码.实验结果表明,文中方法能够满足刀具柱面Data Matrix码序列图像的拼接需求,拼接结果解码正确率达到96%,拼接时间小于250ms,并且大大提高了解码速度.

EMS系统Mosaic与Oracle间接口的设计与实现

利用Mosaic系统对企业能源管理系统实时数据进行采集和监控,并将能源量进行统计管理,把EMS内部或外部原本孤立的系统和数据流程化地整合在一起是企业解决信息孤岛的一种方法。介绍EMS系统Mosaic与Oracle通信关键技术,设计实时数据的接口方案和通信规约,利用API方式进行不同系统间相互通信,实现不同系统的集成,达到信息的共享。

智能化全息测绘标准下遥感影像精细化管理

在加快构建新型基础测绘体系建设背景下,结合上海超大型城市智能化全息测绘实践经验,以遥感影像作为重要数据来源和参考,分析了现有归档式文件存储库升级为多源异构影像空间库精细化管理需求,研究现有影像数据升级管理技术方案,使用GeoScene镶嵌数据集影像管理关键技术,结合最新二次软件定制开发技术,实现智能化上海区域范围海量影像精细化入库归档管理、共享和分析,实践证明使用镶嵌数据集技术可快速、高效构建超大型影像空间库,为超大型城市影像精细化管理应用提供参考。

基于改进的Faster RCNN的仪表自动识别方法

在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视觉几何群网络(VGG)16,进行了网络结构简化;然后,引入了特征金字塔网络(FPN),并将其改进为递归特征金字塔网络后进行了迭代融合,输出了特征图;接着,引入了注意力机制模块,根据特征的重要程度,完成了对输出通道权值的重新分配,增强了Faster RCNN对目标的运算能力;提出了改进非极大值抑制算法(Softer-NMS),通过降低置信度来确定准确的目标候选框;最后,采用Mosaic数据增强技术对可视对象类(VOC)2007数据集进行了扩充,对改进后的Faster RCNN模型进行了仪表自动识别的实验。研究结果表明:在相同工业环境下,与传统的Faster RCNN算法模型相比,改进后的Faster RCNN模型准确率为93.5%,较原模型提高了3.8%,mAP值为92.6%,较原模型提高了3.7%,可见该方法在实际生产中具有较强的鲁棒性与泛化能力,可满足工业上对智能检测的要求。

基于Python和FME API的栅格数据快速批量镶嵌

针对海量遥感影像数据批量镶嵌存在操作步骤繁琐、不易修改等问题,提出了一种基于Python语言和FME API的批量栅格数据一键式镶嵌方法,并基于某市的未重叠和重叠栅格数据进行仿真实验,从镶嵌效果图、灰度曲线、信息熵等方面验证了本方法的有效性。

基于改进Mosaic数据增强和特征融合的Logo检测

近年来,Logo检测在知识产权保护和产品品牌管理等领域得到了广泛应用;针对Logo检测中的复杂背景和多尺度问题,提出了一种改进Mosaic数据增强和特征融合的Logo检测算法;将6张原始图片随机翻转、缩放和拼接构成合成图像,与单张图像和由4张原始图片合成的图像一起作为YOLOv4模型的训练输入,并确定3种输入形式的最优比例,同时使用一种新的训练策略,改进的Mosaic数据增强方法丰富了Logo对象的尺度和背景,使模型更好地学习全局和局部特征;在路径整合网络(PANet)的基础上引入跨层连接、重复堆叠、直接连接和加权特征融合等操作,改进的PANet扩大了模型感受野,增强了模型的多尺度特征表达能力;实验结果表明,提出的MP-YOLOv4算法在减小21.7%模型大小的同时,IoU(intersection of union)等于0.5时的平均精度上达到了67.4%,较YOLOv4提高了2.4%,同时在多尺度目标上的检测性能得到了改善。

基于Faster-RCNN的自然环境下苹果识别

针对苹果园中存在的果实相互重叠、枝叶干扰以及复杂背景等问题,本文提出Faster-RCNN一种改进的模型。该模型通过增强Mosaic数据,使得识别小物体目标果实能力得到提升,同时,对Faster-RCNN结构中的锚框进行优化,优化后的锚框能更好地检测出距离相机较远的目标果实,以及使用Soft NMS算法对密集区域的识别效果进一步得到改进。通过对300幅未参与识别的自然环境下的苹果图像进行验证,验证结果表明:召回率为91.44%,准确率为93.35%,F1值为92.38%,每幅图像的检测可在0.2 s内完成。改进后的算法鲁棒性得到增强,能够满足在自然环境下对苹果果实的识别工作。

改进型YOLOv4-tiny的轻量级目标检测算法

为解决部署在嵌入式设备上的目标检测中特征提取速度较慢、检测实时性不足和算法移植性较差的问题,以YOLOv4-tiny为基准网络,提出一种基于CSPRDWConv(cross stage partial residual depthwise convolution)模块的轻量级网络YOLOv4-tiny-CSPRDWConv,并使用改进的Mosaic数据增强来提升检测模型精度。CSPRDWConv模块中适当缩减算力规模,使得整个模块在保持精度的同时大幅提升推理速度;改进的Mosaic数据增强方法,节省数据增强进程的时间,充分利用每个图像块,并且过滤掉物体过小的目标,使得模型更易于训练。在此基础之上,主干网络的卷积层全部选用小卷积核,只在最后一次压缩特征图时使用5×5的深度可分离卷积,以确保模型低延迟和高准确度的特性;在Neck中引入弱SPP模块,利用局部特征和全局特征来提高目标检测的精度;通过NEON指令对训练后的检测模型进行优化,将卷积层与BN层融合,加快模型的推理进程。改进的YOLOv4-tiny算法在1080Ti的硬件上达到1 308 FPS的实时检测速度,在RK3288开发板上的推理速度约为8 FPS,检测速度约为YOLOv4-tiny基准网络的4倍;mAP达到22.31%,相比于基准网络提升0.61个百分点。实验结果表明,改进的YOLOv4-tiny算法在嵌入式设备上的检测效果更为流畅和高效。

轻量化YOLOv5s网络车底危险物识别算法

针对现有车底危险物检测模型结构复杂、参数量大、不易部署于端侧的问题,提出轻量化SG-YOLOv5s网络模型.对YOLOv5s网络的骨干和颈部进行优化改进,显著降低网络的参数量,大幅缩小模型的权重体积;在训练阶段采用Mixup数据增强,提高模型的泛化能力;采用SIoU替换边框回归损失函数CIoU,使危险物预测框更接近真实框,提高检测精度.鉴于车底危险物数据集较少的现状,利用智能小车拍摄大量车底碎片化图像,采用AutoStitch算法进行图像拼接,最终获得自建车底图像数据集.实验结果表明:在自建的9种模拟车底危险物数据集上,SG-YOLOv5s模型识别精确率为97.63%,相较于原YOLOv5s模型提升了1.26%,而参数量减少了71.27%,模型权重体积下降了71.28%,为后续识别模型的嵌入式部署提供了可能.

三维激光扫描数据获取高分辨率DTM试验研究

三维激光扫描技术能够提供实体表面点云数据,可用于获取高精度高分辨率数字地形模型。本文以重庆万州区付家岩滑坡体为例探讨了采用三维激光扫描监测技术获取数字地形模型的方法,着重讨论了相关点云数据处理流程和关键技术问题。通过结合差分GPS技术进行激光数据的相对定位和绝对定位、去噪、拼接等方法,获得了该区域地表高精度地形数据,并生成了相应的数字高程模型。试验结果初步说明该技术可用于获取小尺度高精度高分辨率数字地形模型,具有一定的应用前景。

复杂场景下应用成像Ladar的自动目标识别

针对目标部分被树木遮挡时造成的识别困难,提出了基于成像激光雷达(Ladar)的自动目标识别算法。介绍了采用的数据分类、数据拼接、目标姿态调整和基于高度直方图的目标识别等方法的操作步骤。应用图像处理技术对场景数据进行分类,实现地面、目标和树木的分离;利用图像帧之间内在的相关性,采用"由粗到精"的方法求出数据变换矩阵并进行数据拼接;根据目标位置的法线方向进行目标姿态调整得到目标高度直方图。最后,将采集的目标高度直方图同存储的模型高度直方图进行匹配,识别出目标类型。实验结果表明:目标提取部分占目标总面积的90%以上,对目标的识别率高于99%,基本满足自动目标识别算法的稳定可靠、识别率高、抗干扰能力强等要求。

KAI-2093型面阵CCD多模式驱动时序设计

针对某航空相机的设计要求,提出了一种可行的多模式驱动时序设计方法。采用柯达公司的KAI-2093行间转移型面阵CCD传感器,结合它的结构特点和双通道数据传输的思想分析了传感器驱动时序关系,提出了3种驱动模式:binning、no-binning和TDI模式。以Altera公司的FPGA芯片EP1C6Q240作为时序发生器并实现数据的缓存和拼接,从而实现了时序发生器与数据处理器的一体化设计。在QUARTUSII7.0开发环境下采用VHDL语言编程,通过Modelsim AE6.1b实现数据缓存器的仿真。实测结果表明,所设计的驱动时序满足KAI-2093的时序要求,binning模式下帧频可达60帧/s,120帧/s等,满足高速跟踪要求;no-binning模式下全帧输出帧频可达30帧/s;TDI模式下能保证CCD长时间工作而不影响成像质量,该设计方法提高了系统的集成度和抗干扰能力。

ArcGis9.0中基于DEM的水文信息提取方法

文中详细介绍了ArcG is 9.0中的水文分析工具箱的使用方法,包括从原始DEM数据提取河网的步骤、应注意的问题,DEM数据的快速裁剪,不同精度DEM数据拼接的方法和技巧。

基于模糊逻辑的冰雹天气雷达识别算法

该文确定了冰雹天气的5个雷达识别指标和不同季节识别指标对应的隶属函数,采用等权重系数法建立了基于模糊逻辑原理的冰雹天气识别算法。应用雷达回波拼图数据、冰雹灾害报告和常规探空资料,对2008—2012年华北地区103个冰雹样本进行了识别效果检验,给出了识别评分结果、识别提前量和冰雹位置等。结果表明:华北区域性冰雹的识别命中率、虚警率和临界成功指数分别为73.9%,36.4%和51.9%,其中石家庄地区的零散冰雹能够被完全识别,最大直径超过30 mm冰雹对应风暴单体综合识别判据在0.85以上;在空间分布上,被识别到可能出现冰雹的风暴单体区域和实况有冰雹的测站空间分布基本一致,冰雹出现位置一般位于强风暴单体的周边区域;相对单要素识别,综合识别算法识别准确率有所提高,识别范围得到改善,自动化程度也较高;冰雹被识别到的最早时间普遍早于冰雹出现时间,平均提前量为30 min。

多普勒天气雷达组网拼图有效数据区域分析

在正常情况下,由于天线仰角和地球曲率原因,雷达波束位置在远距离处要比近距离处高。当雷达电磁波能量被部分阻挡时,回波强度观测值低估;被完全挡住时,探测不到地物后的目标。该文利用高分辨率地形高程数据计算波束阻挡率,确定组网拼图有效数据区域以及波束部分阻挡时的回波强度订正方法。根据业务观测模式VCP11及VCP12的14个仰角值,在标准大气假定下,对湖南、江西、浙江、福建、广东、广西和海南已建多普勒天气雷达组网的数据有效区域进行计算,绘制出海拔1500 m,3000 m和6000 m高度上有效区域图。分析结果表明:CAPPI数据有效范围比等射束高度图更能反映出多普勒天气雷达业务观测范围;若采用VCP12模式观测,与采用VCP11或VCP21模式观测相比,不仅增加低层探测密度,而且可扩大雷达实际探测距离,其回波数据更适合于组网拼图。

利用雷达回波三维拼图资料识别雷暴大风统计研究

应用雷达回波三维组网拼图数据、加密自动站和地面灾害大风资料,对2008—2012年京津冀地区20次区域性雷暴大风天气过程进行了统计。检验了基于模糊逻辑建立的利用回波强度识别大风的算法,分析了大风出现的位置。该大风识别算法确定了雷暴大风的6个雷达识别指标及其对应的权重系数和不同季节的隶属函数。检验分析块状回波、带状回波和片状回波3类大风过程的识别效果,结果表明:块状回波类大风是由孤立的强单体风暴引发的,风暴单体具有回波强、回波顶高、垂直积分液态水含量大和移动快等特点,雷暴大风多出现在风暴单体附近且二者移动路径一致;带状回波的长度远大于宽度,主要包含飑线和弓状回波,大风影响范围广且多位于带状回波的前沿一带;片状回波多指大面积层云回波中镶嵌着强回波单体块的混合回波,对应出现的雷暴大风多位于风暴单体的周边区域。3类回波识别到的可能出现大风区域与实测大风范围基本吻合,块状、带状和片状3种类型的雷暴大风命中率分别为96.2%、68.6%和45.3%,漏报率分别为3.8%、31.4%和54.7%。由于垂直积分液态水含量偏低和回波强度弱,片状雷暴大风识别漏报相对较多;空报原因除了与测站分布稀疏有很大关系外,也与识别算法本身有关。识别检验证明雷暴大风综合识别方法是合理可靠,切实可行的,可以为雷暴大风的短时临近预警业务和系统开发提供技术支撑,这一工作也为进一步预警大风出现的位置提供了基础。