一种改进残差网络的农田识别算法

农田识别是保证农机自动化作业不越界的前提与基础,为了给农机自动化作业提供环境信息,提出一种基于改进残差网络的农田识别算法。该算法以残差网络(ResNet18)为基础主干网络进行改进,在残差结构的基础上加入通道注意力机制,增强了有效特征的权重,降低了噪声等无用特征的影响,提高了模型的特征提取能力以及鲁棒性;结合标签平滑的训练方式以及学习率余弦退火衰减算法,使用Silu激活函数代替原残差网络中的Relu激活函数,优化了模型的收敛效果。实验结果表明,改进后的残差网络模型对农田、草地、建筑、裸地以及荒漠的识别准确率可达到98.92%,相比于原ResNet18模型的准确率提高了3.8%,证明了该模型的优越性。

一种基于深度学习的遥感图像分类及农田识别方法

为解决便于发现我国基本农田被非法侵占的问题,针对现有神经网络收敛速度慢、识别准确率不高的缺点,提出一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网络,提高了网络的分类效果,且大大降低了网络的训练次数。实验结果表明,利用该识别模型对农田、建筑、荒漠以及植被的识别准确率达到98.15%,比经典AlexNet网络模型提高了6.1%;训练网络所需的迭代次数由1.49×10~6次左右降低到4 500次。因此,与经典AlexNet网络相比,改进的AlexNet网络用于遥感图像分类和目标图像识别,耗时更短、识别准确率更高。

基于改进YOLOv5注意力模型的农田害虫图像识别

农田害虫防控是一项争分夺秒的挑战,在此过程中害虫种类的正确识别是一项极为重要的环节。针对传统识别害虫检测过程中准确率低、检测目标较小的问题,文章提出了一种基于YOLOv5s和注意力机制的农田害虫图像识别模型。将自注意力机制引入YOLOv5s网络,对上下文信息进行建模,通过建立非局部模型提高网络解决图像远距离和多层次依赖关系的能力。实验结果显示,基于YOLOv5注意力模型的农田害虫图像识别具有较高的检测精度,可以有效识别和定位各类害虫。

农田遥感识别方法与应用

农田识别是进行作物的长势监测、产量预报和时空特性研究的基础,能够为国家农业政策的制定提供数据支撑。基于像元的传统农田遥感识别方法只利用了影像像元的属性信息,造成农田识别精度不高。面向对象的识别方法根据多尺度分割后得到对象的光谱、形状和纹理属性分类,提高了农田识别的精度。随着航天技术快速发展,与中低分辨率影像相比,高分辨率遥感影像能够提供更丰富的光谱、形状和纹理特征的目标地物,但同时信息量和数据量呈几何级数增加的高分辨率遥感影像给现有的农田遥感识别方法带来极大挑战。回顾了中低分辨率和高分辨率的农田遥感识别方法的研究进展,重点阐述了多尺度分割与三种监督型机器学习算法组合的面向对象的识别方法。结果表明,以机器学习算法为基础的面向对象分类的总体精度都高于96%,卡帕系数均超过0.93。

基于混合式特征选择的高分五号影像农田识别

精准农田识别是农作物估产和粮食安全评估的基础。遥感数据作为农田识别的重要数据源,可提供动态、快速的监测结果。高光谱数据在农田识别分类方面具有巨大的应用潜力,但其中的冗余波段影响了分类效率和分类精度。因此,本研究提出了一种适用于高光谱数据农田分类的混合式特征选择算法。首先,基于变量的重要性排序或约束程度,按步长逐步进行降维;其次,寻找分类精度骤减的转折点,并将其对应的变量作为特征子集;最后,利用序列后向选择SBS(Sequential Backward Selection)方法搜索最优分类特征子集。本研究利用GF-5高光谱数据,共研究了3种降维方法(随机森林RF(Random Forest)、互信息MI(Multi-Information)和L1正则化(L1 regularization))和3种分类算法(随机森林、支持向量机SVM(Support Vector Machine)和K近邻KNN(K-Nearest Neighbor))的组合在农田分类中的表现。结果表明,基于L1正则化法得到的特征子集自相关性较低,并且包含的红边和近红外波段有效提高了农田、森林和裸土的区分度。在不同分类模型比较中发现,SVM在高维空间中表现出非常好的抗噪能力,分类精度高于RF和KNN。而RF在低维空间中的泛化能力要高于SVM和KNN。相比于第一步降维得到的特征子集,使用SBS搜索得到的最优特征子集均提高了分类精度。最终,具有23维输入的L1-SVM-SBS分类模型得到了最高的总体分类精度(94.64%)和农田召回率(95.83%)。本研究为高光谱数据特征优选提供了一种新思路,筛选出了更具代表性的特征波段,提高了农田分类精度,对高光谱遥感分类研究具有参考价值。

基于KL变换与BP神经网络的农田害虫识别算法

KL变换是一种降低维度的算法,BP神经网络是一种智能识别算法,农田害虫的训练需要一个庞大的害虫图片库,面对巨大的图片库,如果使用高清的数码照片训练,是对计算机性能的巨大挑战,所以将KL正交变换用于降低维度,最大限度地在提高计算机性能的基础上维持神经网络的识别率。