TM影像中基于光谱特征的棉花识别模型

为快速、准确地在遥感图像上从各种农作物中识别提取棉花作物的信息,满足大尺度、运行化棉花遥感监测系统的要求。作者在试验区的棉花主要生长期里,同期进行了棉花与其它主要农作物的地面光谱测量并采集了同期的LandsatTM图像。通过对各时期棉花及主要农作物的地面测量光谱与TM图像光谱特征的差异性及规律性分析,确定了试验区棉花遥感识别的最佳时相期为9月中下旬,研究开发了基于光谱特征的棉花识别模型。经数学分析与实际应用验证,该模型简单、操作方便并且识别的准确度较高,适用于大尺度的"新疆棉花遥感监测运行系统"。

基于BP神经网络的遥感影像棉花识别方法

为提高遥感影像棉花识别的精度,提出一种基于反向传播(back propagation,BP)神经网络算法的棉花识别方法。利用单时相GF-1号和Ladsat8遥感数据,结合归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、红波段亮度值(B3)和近红外波段亮度值(B4)等特征指数,依据野外GPS实测数据选择训练样本,通过不同的特征组合对BP神经网络进行训练。验证结果表明,该识别方法精度达到98.32%,较最大似然法和最小距离法分别提高8.27%和5.53%。实验结果表明,所提方法能够有效地提高棉花识别精度并简化识别过程。

改进的YOLOv3算法在棉花识别中的应用

棉花是一种密集性农作物,传统YOLOv3算法在识别密集性目标方面准确率较低。为了解决此问题,提出了一种基于改进的YOLOv3算法的棉花识别方法。在传统的YOLOv3算法框架基础上,先加上一道多尺度特征检测通道,使算法更能识别密集性目标,再自制棉花识别数据集,并使用改进的YOLOv3模型进行实验。结果表明,检测速度高达56.4 fps,目标精度为88.55%,可以完成实际环境中的棉花识别任务。

采摘期成熟棉花不同部位颜色识别分析

为正确识别自然环境中处于采摘期的成熟棉花,确定其在三维空间中的准确位置,从而为机械手运动提供参数完成棉桃的自动采摘,研究了基于色差信息的棉花识别方法。对200幅自然环境下拍摄的图像在不同的颜色模型下,分析了棉花不同部分颜色的特征,利用成熟期棉桃表面颜色特征与棉叶、棉枝颜色特征的差异,建立了利用色差信息进行识别的视觉模型,将成熟棉桃从背景中识别出来。试验结果表明,该方法具有对棉花进行识别的良好性能,而且不需要模型转化,提高了识别效率。

基于Sentinel-2影像的棉花早期识别方法研究

以新疆阿克苏地区沙雅县为例,探讨了基于Sentinel-2 高分辨率遥感影像的棉花早期识别方法。选用支持向量机、随机森林和遥感指数等三种方法,分别对2021年5月的沙雅县Sentinel-2影像进行棉花分类提取研究,对三种方法的分类结果精度、运算速度、可操作性等方面进行对比分析。结果表明,三种方法均可实现对沙雅县棉花的早期识别,且总体精度均高于85%。支持向量机模型的分类结果总体精度和棉花的生产者精度最高,遥感指数法总体精度最低,但棉花的用户精度最高;遥感指数法在运算速度方面有独特优势,而支持向量机的运算速度较慢;支持向量机和随机森林的方法均需训练样本,而遥感指数法在阈值的确定上对数据处理人员的经验有较高要求。将遥感指数法应用于新疆15个县棉花投保地块的早期验证,取得良好效果。

基于GF-2影像和Unet模型的棉花分布识别

为探讨深度学习方法在干旱区棉花分布识别中的适用性及优化流程,以渭干河—库车河三角绿洲典型作物棉花为研究对象,利用国产GF-2影像,结合野外调查数据,采用Unet深度学习方法,借助Unet网络多重卷积运算的特点充分挖掘棉花在遥感影像上的深层次特征,从而提高棉花的提取精度。结果表明,Unet模型提取研究区棉花、玉米、辣椒的识别效果优于面向对象和传统机器学习算法分类结果,总体精度为84.22%,Kappa系数为0.8047,相比面向对象方法以及传统机器学习算法SVM和RF的总体精度分别提高了7.94,11.93和11.73百分点,Kappa系数提高了10.13%,14.72%,14.60%。Unet模型分类结果中,棉花的制图精度和用户精度均高于其余3种方法,分别为94.95%和89.07%。利用Unet模型在GF-2高分辨率遥感影像上高精度提取干旱区棉花空间分布信息具有可行性和可靠性。

棉花遥感识别的混合像元分解

为了进一步提高棉花遥感识别精度,以新疆玛纳斯县为研究区,运用线性光谱混合模型(LSMM),对TM遥感数据的混合像元分解技术与方法进行了研究。将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下,用最小二乘法估计混合系数,得到每种地物类型的丰度及RMS误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明:线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。

基于线性光谱混合模型的棉花遥感识别混合像元分解

遥感图像中普通存在着混合像元,对这部分像元进行分类(即混合像元分解)是遥感图像处理中的难点。以新疆玛纳斯县为研究区,运用线性光谱混合模型,估算端元丰度值,进行空间建模,将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下用最小二乘法估计混合系数,得到每种地物类型的丰度及均方根误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明:线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。

基于深度学习的棉花品种识别

棉花作为我国最主要的农产品之一,不仅具有不错的观赏价值,更重要的还是工业原料。棉花的花型不同于其他花卉种类,且不同种类其纤维长度还有所差异。为了解决棉花人工区分效率低的问题,本文基于深度学习方法,以棉花原始的图像数据作为研究对象,通过多层网络学习棉花的特征信息,更加精确区分不同类型的棉花种类。试验结果表明:本文所提出的卷积神经网络CNN-CSC模型相较于传统机器学习方法识别精度提升大约15%,平均精度达到89.17%,为棉花的自动化管理提供了一种有效的手段。

基于HSV模型的棉花图像轮廓提取

为了正确识别自然环境中处于采摘期的成熟棉花,首先分析了H S V彩色模型下,棉桃、棉枝及棉叶的H、S、V颜色分量均值,然后统计了各色差受光照影响情况,提出一种基于S分量的棉花分割方法。并对对分割后的图像采用数学形态学方法进行去躁,然后利用区域标记、边界跟踪方法获得轮廓图像。

基于联盟博弈和极限学习机的棉花异性纤维识别方法

针对棉花异性纤维(棉花采摘、摊晒、收购、储存、运输及加工过程中混入棉花中的非棉纤维)识别问题,提出了一种基于联盟博弈和极限学习机相融合的棉花异性纤维识别方法,该方法利用基于联盟博弈的特征选择方法确定最优的特征集,随后利用极限学习机进行棉花异性纤维识别并与支持向量机、k近邻法进行了试验比较.试验结果表明,该方法、支持向量机和k近邻法可以实现的准确率分别为90.15%、88.46%和86.30%.相对于另两种方法,该方法具有最高的识别准确率,并使特征集的特征数由75个降为25个.