近20年北方草原生态价值核算及其时空差异特征

草原是我国重要的陆地生态系统和自然资源,具有多元生态服务,探索草原生态价值核算方法对于草原保护修复与可持续管理具有重要意义,但当前草原生态价值尚未形成公认的评估框架和准确的核算方法。定位于北方草原,以内蒙古天然草原为典型案例区,提出了“支持-供给-调节-文化”服务价值四类共计19项的草原生态价值评估体系,基于地面采样、野外观测、遥感解译、模型模拟和统计等多源数据,在像元尺度上核算了2000—2020年草原生态价值并分析其空间分异特征和动态演变规律。结果表明:近20年来内蒙古草原生态价值多年均值为17640.60亿元/a,约为自治区同期国内生产总值(GDP)(8607.23亿元/a)的2.05倍,每公顷草原提供的生态价值为2.34万元/hm^(2),总体呈现“东北高—西南低”的空间分布格局特征。其中,草原调节服务价值最高,多年均值6676.44亿元/a,占比53.68%;其次为草原支持服务价值,多年均值为6293.96亿元/a,占比35.13%;草原供给和文化服务价值多年均值分别为3796.27亿元/a(6.24%)和873.93亿元/a(4.95%)。从具体指标来看,防风固沙价值量最高(5858.86亿元/a和33.21%);从各地区来看,锡林郭勒盟草原生态价值最高(4701.81亿元/a和26.65%)。20年间,草原生态价值呈显著增加趋势(439.45亿元/a,P<0.05),其中以草原文化服务价值增加最为明显。本方法和案例可为量化草原生态价值提供参考范式,并有助于生态产品价值实现机制的建立,推动草原侵占用等生态补偿方案的优化。

基于多尺度Scale-Unet的单样本图像翻译

随着生成对抗网络(GAN)的发展,基于单样本的无监督图像到图像翻译(UI2I)取得了重大进展。然而,以前方法无法捕获图像中的复杂纹理并保留原始内容信息。为解决这个问题,提出了一种基于尺度可变U-Net结构(Scale—Unet)的新型单样本图像翻译结构SUGAN。所提出的SUGAN使用Scale—Unet作为生成器,利用多尺度结构和渐进方法不断改进网络结构,以从粗到细地学习图像特征。同时,提出了尺度像素损失scale-pixel来更好地约束保留原始内容信息,防止信息丢失。实验表明,与SinGAN、TuiGAN、TSIT、StyTR2等公共数据集Summer■Winter、Horse■Zebra上的方法相比,该方法生成图像的SIFID值平均降低了30%。所提方法可更好地保留图像内容信息,同时生成详细逼真的高质量图像。

基于优化Hough变换的铆接高度差亚像素检测方法研究

针对飞机铆接高度差的检测问题,提出了一种优化的Hough变换铆接高度差亚像素检测方法。该方法首先通过空间域点运算的灰度变换法对采集的铆接孔图像进行增强处理,然后利用局部阈值分割法进行图像分割,采用Canny算法进行边缘粗提取,再利用优化的Hough变换进行亚像素级的边缘精细提取,提取出铆接孔和铆钉钉头的圆环区域,最后结合RANSAC算法进行圆拟合,利用开发算子get_current_region_z()分别提取内外圆环区域的高度平均值,再通过函数height_Z()将所得的高度平均值作差即可得到铆接表面的高度差。经试验证明,该检测方法亚像素精确定位能力强,检测结果准确率高、稳定性好,重复测量精度可达到±10μm。

线性变换与局部均衡融合的红外图像增强

为了改善红外图像的效果,提升对比度和清晰度,丰富边缘细节信息,提出了融合线性变换和局部均衡的红外图像增强方法。利用图像的像素值分布,对像素值进行自适应的分段线性变换,并用局部的直方图均衡增强图像;分别计算两张增强图像的权重图。对比度权重、显著性权重和亮度分布权重;以拉普拉斯金字塔和高斯金字塔的方式,分别对增强图像和权重图进行分解,将分解的图像与权重图进行多尺度线性融合,获得效果理想的增强图像。结果表明,相对于现有方法,本文中提出的方法增强图像的视觉效果更清晰,信息熵、平均梯度和变异系数分别比现有方法高出9.03%、23.87%和9.97%以上。该研究可更有效地提高红外图像增强的性能。

基于样本预处理的低成本对抗样本防御算法

为尽可能防御现有的各种针对人工智能算法(特别是人工神经网络)的攻击方法,同时降低由此带来的额外开销,提出基于样本预处理的藤牌算法。通过切割图像非重要信息部分、邻近像素值统一化和图像放缩3种方法对样本进行预处理,破坏对抗扰动,生成对模型威胁更小的新样本,以确保模型识别的高准确率。实验结果表明,藤牌算法可以在比同类算法开销更小的情况下,防御针对MNIST、CIFAR10数据集和squeezenet1_1、mnasnet1_3、mobilenet_v3_large神经网络模型的对抗攻击,防御后的样本准确率最低可达88.50%;同时在处理干净样本时也不会过多降低样本准确率,防御效果和防御成本都优于FGSM(Fast Gradient Sign Method)和MIM(Momentum Iterative Method)等对比算法。

基于锚框的远距离多尺度红外目标跟踪技术

在红外目标跟踪过程中,由于目标距离和视角的变化,红外目标的成像面积通常很小,使得红外图像中缺乏足够的像素信息,无法准确提取目标的特征,增加了目标跟踪的难度。因此,提出基于锚框的远距离多尺度红外目标跟踪技术。利用编码的方式对应追踪框图与真实框图,得到目标框中心坐标值。为保证计算的精准度,通过设定特征融合阈值判定提取信息与真实信息较高的重叠度,并按照锚框的边缘、中心以及顶点坐标对应划分像素网格,根据特征值输出分类输出向量,完成红外目标特征提取。由此采用损失函数给出锚框、目标框、实际框的类别损失以及候选框等不同类别损失函数,按照不同点在网格中的体素值,以编码形式逐一对比候选框和真实框数据,通过迭代实现远距离多尺度红外目标跟踪。实验结果表明,所提方法对远距离多尺度红外目标的识别效果较好,查全率曲线基本保持在0.9以上。说明所提方法具有良好的远距离多尺度红外目标跟踪效果。

基于全尺度融合侧输出残差网络的骨架提取算法

图像骨架是一种紧凑、直观的图像表示方法。目前,现有基于深度学习的二值像素图像骨架提取算法存在骨架断裂问题。提出了一种基于全尺度融合侧输出残差Unet网络(FFSR-Unet)的骨架提取算法,该算法通过融合编码器和解码器不同层级间的特征,实现了前景对象不同形状尺度的特征交互,同时采用阶梯式残差块以增强网络对深层与浅层语义的提取能力。该算法在Pixel SkelNetOn Challenge数据集上的F1-score可以达到0.8548,能够超越现有算法的提取结果。

基于图像八叉树的三维比例边界有限元多面体网格生成算法

基于图像八叉树方法,提出了平衡八叉树和多面体网格修剪相结合的三维比例边界有限元多面体网格算法,该算法根据结构尺寸建立恰好完全包含整个结构的立方体网格,再建立结构图像像素信息,根据像素信息,按照2∶1的平衡分割原则递归地进行等分,完成平衡八叉树网格生成。结构内单元网格完全保留,结构外单元网格删除,对于结构边界单元网格,提出采用面-立方体相交判断方法进行边界单元与结构边界相交面的筛选,搜寻结构单元与结构边界表面相交点,通过有序连接相交点形成边界单元切割面,再结合边界单元其他几个面,构成裁剪后的多面体单元。数值算例结果表明,基于本文算法生成的比例边界有限元网格计算结果具有较好的精度和边界适应性。

一种改进CycleGAN的素描头像彩色化算法

针对现阶段由素描头像生成的彩色头像图像清晰度低、人脸识别率不高和视觉质量不佳等问题,提出一种改进CycleGAN的素描头像彩色化算法:对U-Net自编码器的第一个特征提取模块进行优化,设计一种多尺度自注意力机制特征提取模块,从多个尺度提取输入图像以减少输入图像的细节信息丢失,将提取的特征用通道堆叠的方式进行特征融合,对融合的特征嵌入SENet自注意力机制,以引导模型对特征重点区域的关注度,最后再降低融合特征的通道维数;对生成头像与真实头像添加L1像素损失和感知损失,以进一步提升生成头像的质量.实验结果表明:较基础模型CycleGAN生成的彩色头像,在CUHK数据集FID值降低了22.23、Rank-1值提高了16%,在AR数据集FID值降低了15.34、Rank-1值提高了9.3%.

一种基于YOLOv4的密集人群小目标检测方法

针对密集人群中由于视觉受阻和目标被遮挡导致小目标检测精度不佳的问题,本文基于YOLOv4模型将卷积块–像素块注意力机制模块(convolutional-pixel block attention module,CBAM-PIX)融入主干网络CSPDarknet53,并利用级联思想改进特征融合网络。注意力机制方法和特征融合方法不仅提升了数据的丰富性,而且提高了空间通道像素提取信息的能力和目标检测的准确性。此外,通过减少网络层数降低计算量和减少参数,提高了网络模型在有限计算资源和设备需求下的适应能力。实验结果表明,改进的模型算法在用于密集人群小目标检测时精确度提升了1.96%,且鲁棒性强。该算法为解决复杂背景下密集人群小目标检测提供了有效的解决方案,具有应用价值。

2000-2020年陕西省植被覆盖时空变化多尺度分析

[目的]退耕还林还草工程实施以来,陕西省植被覆盖度明显提高。然而,省级尺度上植被覆盖度的增加一定程度上掩盖了部分市、县级区域植被覆盖度下降的实事,当前迫切需要加强对不同空间尺度植被覆盖变化及其驱动因素的研究。[方法]基于MODIS NDVI数据计算了陕西省植被覆盖度,分析了2000-2020年陕西省、地区、市和县四级尺度植被覆盖度时空变化趋势。[结果]2000-2020年陕西省植被平均覆盖度为64.3%±2.1%,增长率为0.24%/a;陕北植被覆盖度平均为37.6%±4.4%,增长率为0.63%/a;陕南植被覆盖度平均为89.6%±1.2%,增长率为0.13%/a;关中植被覆盖度平均为70.6%±3.5%,下降率为-0.18%/a。延安市、榆林市、铜川市、宝鸡市、安康市、商洛市的植被覆盖度呈持续增加趋势,而西安市、渭南市、咸阳市和汉中市的植被覆盖度呈先增加后下降趋势;全省有72.3%的区县植被覆盖度呈增加趋势,有22.3%的区县植被覆盖度变化方向与所在市相反。在不同空间尺度上,陕西省植被覆盖度增速均表现为2000-2010年高于2010-2020年,这与两个时期的造林面积差异有关。[结论]陕西省植被覆盖度变化存在空间尺度依懒性,对不同尺度植被覆盖变化的精确认知有助于科学评估区域生态建设成效。

改进MTBCD火焰图像特征提取的转炉炼钢终点碳含量预测

转炉炼钢终点时刻炉口火焰的颜色和纹理与钢水碳含量之间存在对应关系,为了提取有效的火焰图像特征以准确预测钢水碳含量,结合火焰纹理多方向多尺度等特点,提出一种改进的多趋势二进制编码彩色纹理特征表述方法。考虑颜色通道间的相关性,通过颜色通道融合策略得到火焰图像的彩色纹理表示;采用多尺度非均匀采样策略选取各尺度范围内的采样点来构建彩色纹理的多尺度表达;根据中心点对称方向和对角线对称方向上采样点不同的变化进行多趋势编码,得到彩色纹理特征,选用广义回归神经网络模型预测碳含量。实验表明,碳含量预测在误差范围0.02%以内的准确率为95.7%。

电动自行车骑乘人员安全头盔佩戴行为检测

为提高电动自行车骑乘人员安全头盔佩戴水平,提出一种基于深度学习的安全头盔佩戴行为检测方法。基于EfficientNet目标检测框架,重新设计了主干网中特征图的特征选取层,并提出像素级缩放(pixel-level scaling,PLS)模块,构建了一种新的用于电动自行车骑乘人员安全头盔佩戴行为检测的PLS-Det模型。该模型解决了深度卷积神经网络执行检测任务时视频检测图像中的小目标(远处的电动自行车)、被遮挡的车辆和骑乘人员等容易导致目标丢失的问题,并能适应复杂的电动自行车交通流场景。根据江苏省南通市区典型城市道路,选取不同视角、时间段、天气状况下的电动自行车交通流视频图像数据(包含正样本5408个和负样本7156个)训练优化检测模型。通过消融实验和人工检测结果,对比分析了EfficientDet-d0、EfficientDet-Optimize和PLS-Det模型的检测性能。实验结果表明:提出的PLS-Det检测模型通过重新选择特征图层和引入PLS模块,在保证计算效率稳定的同时,能显著丰富小目标及被遮挡目标的特征,检测精确度达95.8%,可以满足电动自行车骑乘人员安全头盔佩戴行为的检测精度要求。

结合超像素分割和多尺度的快速半全局立体匹配算法

半全局立体匹配算法采用最大视差范围进行搜索,有较大冗余。为提高算法的效率,提出一种结合超像素分割和多尺度的快速半全局立体匹配算法。首先获得原图1/4大小的视差图;其次,结合原图像超像素分割结果,计算每个分割块的平均视差,并在平均视差基础上设置上下阈值,作为该分割区域所有点的视差搜索范围。这样,既减少了视差搜索范围,也保证了搜索结果的精度;同时,为降低原始视差图误匹配率,在计算弱纹理区域的聚合值时,叠加了下采样层对应区域的聚合值。弱纹理区域是根据超像素分割区域的灰度直方图确定的;最后,在已缩小的搜索范围内,根据代价最小原则获得最终的视差。实验结果表明:该方法在保证视差精度的前提下,计算复杂度大幅降低,计算时间缩短为原来的1/4。

高精度异形插件视觉定位与检测算法

针对控制器生产过程中异形元器件插装存在劳动强度大、自动化程度低等问题,提出一种高精度的视觉定位与检测算法。通过图像形状特征及提取要求,引入高曝光图像引脚粗精定位融合算法,实现引脚的高精度定位;通过对元器件针脚与电路板针孔位置进行拟合与插装判断,解决插装准确率低及元器件插装检测问题;通过实验室机器人进行重复定位精度与4000次重复性测试统计,定位精度对视觉像素坐标与实际坐标进行转换得来,插件定位精度<±0.1 mm,准确率达到99.7%以上。

基于图像特征提取的红外影像动态配准方法研究

为了提高红外影像动态配准的配准概率,提出基于图像特征提取的红外影像动态配准方法。采用尺度不变特征变换算法提取红外影像关键点的方向、坐标及其尺度特征,结合特征点的邻域梯度信息生成SIFT特征向量,并确定SIFT向量的特征区域,引入加权因子去除非稳定关键点,得出相位一致性特征(稳定关键点);根据稳定关键点之间的最佳旋转角度获取精准匹配子集,修正匹配点配准关系,完成红外影像动态配准。测试结果表明,该方法获取的红外图像像素点灰度值均方根差均低于0.45,DICE系数均高于0.93,在发生旋转或者灰度信息变化时,配准概率均在93%以上,可较好地完成红外影像动态配准。

基于U⁃net卷积神经网络的多尺度遥感图像分割算法

多尺度遥感图像的非本质特征量较大,不仅易导致图像噪声较大,也增加了图像分割的难度。为充分保留分割后多尺度遥感图像的边缘特征,在U⁃net卷积神经网络下提出新的图像分割算法。以U⁃net卷积神经网络为基网,提取被分割图像特征,获得被分割图像细节信息;计算相邻像素和原始像素特征向量的欧氏距离,结合去噪算法,通过归一化参数处理,建立相似性函数,实现对多尺度遥感图像分割特征增强处理;计算分割框候选偏差值;根据U⁃net卷积神经网络结构确定局部最优合并区域对;计算度量区域的距离,使用全局最优区域合并方法更新分割时间复杂度,实现多尺度遥感图像整体分割。由实验结果可知,该算法能够精准确定指定建筑物位置,并保留建筑物完整边缘细节信息。

基于不规则尺度区域光谱信息的高光谱图像亚像元定位

亚像元定位技术可以分析混合像元,并实现从丰度图像到亚像元级精细土地覆盖定位图像的转换。然而,传统的亚像元定位方法所使用的光谱信息通常在指定的矩形局部窗口中构造,并且很少使用所有波段的光谱信息,影响了亚像元定位的性能。为了解决这一问题,本文提出了一种基于不规则尺度区域光谱信息的高光谱图像亚像元定位方法(SIISA)。在三幅遥感图像上的实验结果表明,所提出的SIISA优于现有的亚像元定位方法。

多尺度上采样方法的轻量级图像超分辨率重建

目前,大多数图像超分辨率网络通过加深卷积神经网络层数与拓展网络宽度提升重建能力,但极大增加了模型复杂度。为此,提出一种轻量级图像超分辨率算法,通过双分支特征提取算法可使网络模型一次融合并输出不同尺度的特征信息,组合像素注意力分支分别对各像素添加权重,仅以较少参数为代价增强像素细节的特征表达。同时,上采样部分结合亚像素卷积与邻域插值方法,分别提取特征深度、空间尺度信息,输出最终图像。此外,组合注意力机制的亚像素卷积分支也进一步强化了重要信息,使输出图像具有更好的视觉效果。实验表明,该模型在参数量仅为351K的情况下达到了与参数量为1592K的CARN模型相似的重建性能,在部分测试集中的SSIM值高于CARN,证实了所提方法的有效性,可为轻量级图像超分辨率重建提供新的解决方法。

基于CCD视觉和激光干涉测量的三等金属线纹尺检定方法探讨

融合CCD视觉系统、大理石导轨和激光干涉仪组成三等金属线纹尺检定装置,实现三等线纹尺尺长误差的检定。分析探讨检定装置和检定方法中的关键技术,通过三等金属线纹尺国家比对结果,验证检定装置和检定方法的可靠性。