基于BRDF可见光偏振成像技术的海面溢油油种识别研究

海上溢油事件发生后需要及时判断溢油种类,为溢油事故处置提供及时有效的应对措施。本文利用BRDF多角度测量装置和可见光偏振相机对不同油种和清洁海水进行观测,基于可见光偏振特征筛选出最佳观测Stokes参量和对应观测几何,构建了清洁海水和不同油种数据集,并建立了基于BRDF偏振特征的DBN溢油油种识别模型。研究发现,在实验室可控条件下,相对方位角–60°、0°、–30°组合时油种识别效果较好,光源天顶角和相机观测角二者在接近±50°时识别效果较好;多次重复实验显示,海水、原油、重油、汽油、柴油、棕榈油的最优识别率分别为90%、86.27%、84%、80.44%、82.08%和82%;基于可见光偏振特征所建立的油种识别模型,对于海面溢油种类区分具有较好的效果。

高光谱特征波段在海洋典型溢油油种识别中的精度评估

溢油种类精准识别对快速有效地治理污染具有重要的意义,高光谱遥感在海面溢油油种识别中至关重要。为探讨海洋典型溢油油种识别的高光谱特征波段范围,通过设计室外模拟溢油实验,在获取原油、燃料油、柴油、汽油和棕榈油等5种油种的实测高光谱数据基础上,运用因子分析和光谱标准偏差分析法遴选溢油油种的光谱特征波段,并利用支持向量机模型开展基于光谱特征波段的油种识别精度评价。结果表明,基于光谱标准偏差分析和因子分析获得的特征波段的油种识别精度分别是83.33%和90.74%,与基于全波段的识别精度相比,整体精度分别提高了3.7%和11.11%。选取的特征波段(360~540 nm,560~600 nm,610~630 nm,640~660 nm)可作为5种油种相互区分的最佳高光谱波段。

多模式融合下的海洋溢油高光谱成像油种识别方法

为利用不同油种的发光特性来探测海洋溢油,通过高光谱成像仪,在两种照明模式下采集了6种溢油油种的高光谱图像。基于33个波段构建了波段均值、波段差、波段比和归一化波段比4个辐射指数,提出了基于Fisher和PCA的模型共识的溢油高光谱特征选择方法,采用RBF-SVM模型对油种进行识别。比较发现,本文构建的基于光源混合、波段运算和模型共识的多模式融合方法,从不同侧面提高了模型的溢油识别能力,识别率达到了99.1%以上,比单一方法提高了10%以上。结果表明,多模式融合有效提高了海洋溢油的识别率。

浙江省柑桔潜叶蛾的寄生蜂种类、抑害效益及主要种识别

浙江省柑桔潜叶蛾的寄生蜂种类、抑害效益及主要种识别＠杨志信＠任伊森￥浙江省临海市柑桔研究所￥浙江省科学院柑桔研究所浙江省柑桔潜叶蛾的寄生蜂种类、抑害效益及主要种识别杨志信任伊森（浙江省临海市柑桔研究所３１７０００）（浙江省科学院柑桔研究所柑桔潜叶蛾是我国...

基于卷积神经网络的船载货种识别

针对复杂环境下识别大规模船载图像耗时费力问题,通过对卷积神经网络不同的卷积核大小和层数性能分析,提出了对卷积神经网络的改进思路。该网络以原始图像为输入,自动提取图像特征,输出为船载的货物种类。为了提高识别准确率,在对图像进行均值归一化、缩放、灰度化等预处理的基础上,通过旋转图片操作扩充训练集样本;接着对网络前三层特征图进行可视化分析,最后对网络权值和偏置参数以及准确率进行分析研究。结果表明,该算法的测试准确率可达到85%左右。该方法能够满足复杂环境下船载货种识别要求。船载货种类型识别是航闸管理人工核查的基础,货种自动识别的应用将大大提高航闸管理效率。

基于微波散射实验的油种识别研究

海上溢油来源复杂,溢油种类多样,正确识别溢油类型对于溢油应急的快速反应具有重要意义。合成孔径雷达(synthetic aperture radar,SAR)具有全天时全天候的监测优势,在海面溢油监测中发挥着主力军作用,但在油种识别方面存在不足。利用C波段全极化散射计对柴油、原油、油水混合物和棕榈油进行外场实验观测,探究微波识别油膜的敏感特征参数,并将敏感特征参数应用于海上油膜实验获取的SAR图像进行油种识别。结果表明,在垂直(vertical transmission vertical reception,VV)极化方式下的油水差(?σ0)可以有效识别植物油和矿物油;基于d B和linear units表达的后向散射系数(NRCS)计算的抑制比(DR)在垂直(VV)和水平(horizontal transmission horizontal reception,HH)极化方式下可以有效识别植物油和矿物油,并且在交叉(vertical transmission horizontal reception/horizontal transmission vertical reception,VH/HV)极化方式下linear units表达的NRCS计算的抑制比可以识别原油和乳化油;极化差(PD)可用于识别原油、乳化油和植物油。

基于迁移学习与模型融合的犬种识别方法

犬种识别研究属于细粒度图像分类的典型代表,使用传统图像分类方法与普通卷积神经网络进行犬种识别,会出现准确率普遍很低等问题。本文提出了一种将迁移学习与模型融合相结合的方法。通过运用四种常用的卷积神经网络模型分别进行部分图像的特征提取,选取表现最佳的两种模型Inception_v3以及Resnet152_v1进行双模型融合,将得到的融合网络用于犬种图像进行迁移学习训练。针对120类犬种图片,训练得到了验证集精度可达93.02%的网络模型。同时考虑将测试集图片经过YOLO目标检测算法识别,定位目标区域后再送入网络,实验结果表明该方法在融合模型中能进一步提高犬种识别检测精度。

基于深度学习的犬种识别研究

最近几年,随着机器学习领域中的"深度学习"的发展,目标识别技术也随之得到快速的发展。这种技术也可以应用于犬种识别,犬种识别属于细粒度图像分类的一个典型任务。然而,在该方向的研究上,存在着训练集数据不足以及深度神经网络不适应等问题,这些问题导致识别准确率很低。通过随机裁剪、镜像以及旋转等数据预处理以及挖掘犬种相关词汇拓展数据信息的方式进行扩充训练集。采用预训练的深度卷积神经网络(DCNN)作为初始模型构建犬类识别器。结果表明该模型在测试集上能够达到较好的准确度。

利用激光光谱SVM识别算法对煤种识别的研究

激光诱导击穿光谱分析技术是目前无放射性检测仪表中最先进的分析技术,该技术能够实现煤炭中C、H、O、Si、Al、Fe、Ca、K、Na、Ti元素的检测。而基于SVM(支持向量机)识别算法,能够对煤炭种类进行快速识别分析,特别是在元素含量种类相同的情况下,针对同一或相近产地的煤种进行识别。此方法可以有效地提高焦化企业生产过程中对来煤分类堆放的准确性,提高信息化、自动化水平。针对某钢厂提供的21组、11个产地的煤炭样品进行实验处理,采用激光元素分析方法对从现场得到的煤样以及二次煤种配料,利用模拟装置对煤炭进行激光激发,得到激光光谱,通过光谱预处理、光谱峰位选择、峰值计算、归一化等数据分析,最终通过算法模型优化,得到了较好的分类结果。

基于地物光谱的赤潮优势种识别研究

利用2001年获取的不同优势种赤潮水体的现场光谱数据,处理得到了不同优势种赤潮水体的遥感反射率光谱曲线;在此基础上,发展了基于光谱角度制图法(SpectralAngleMapping,SAM)和互相关光谱匹配法(CrossCorrelogramSpectralMapping,CCSM)的赤潮优势种识别算法。数据实验结果表明,上述两种方法对于实现基于光谱数据的赤潮优势种识别是基本有效的,且CCSM方法的识别结果略优于SAM方法。进一步提高上述方法的适用性在于大量获取不同优势种赤潮的光谱数据并建立赤潮光谱数据库。

草地贪夜蛾卵寄生蜂——夜蛾黑卵蜂的种内识别及过寄生

夜蛾黑卵蜂是重大入侵害虫草地贪夜蛾的重要卵期寄生蜂。为明确夜蛾黑卵蜂的种内识别及过寄生现象,测定了夜蛾黑卵蜂对被同种自体(同一个体)或异体(不同个体)雌蜂寄生不同时间间隔后的寄主卵的识别能力,并研究了单头和多头雌蜂在不同寄主密度下的过寄生率。结果发现,无论自体或异体寄生识别,夜蛾黑卵蜂的过寄生率均为0。单头雌蜂在不同蜂卵比下寄生24 h后,寄主卵内寄生蜂1龄幼虫的百分比均小于100%,且每粒寄主卵内只有1头1龄幼虫。多头雌蜂在寄主数量充足条件下,当蜂卵比为1:100、2:200、4:400、6:600、8:800时,未被寄生的寄主卵的百分比分别为52.8%、67.2%、63.2%、53.6%和51.2%,含1头寄生蜂1龄幼虫的寄主卵的百分比分别为47.2%、32.8%、36.8%、46.4%和48.8%;多头雌蜂在寄主数量不足条件下,当蜂卵比为2:20、3:21、4:20、7:21、20:20时,夜蛾黑卵蜂的寄生率分别为60.0%、83.0%、95.0%、94.0%和96.0%,过寄生率分别为11.0%、38.0%、64.0%、73.0%和92.0%;单粒寄主卵内寄生蜂1龄幼虫的平均数量分别为0.4、0.6、1.1、1.3和2.1头,最大数量分别为3.0、4.0、5.0、6.0和12.0头。结果表明,夜蛾黑卵蜂具有自体和异体寄生识别能力;单头雌蜂的过寄生率与寄主数量无关;多头雌蜂在寄主数量充足的条件下,不会产生过寄生;但在寄主数量不足的条件下,随着蜂卵比升高,寄生率、过寄生率、单粒草地贪夜蛾卵内寄生蜂1龄幼虫的平均数和最大数均随之增加。蜂卵比为4:20时寄生率高,过寄生率低,内部竞争低,是较为合适的接蜂比例。

基于图像处理的甘薯种类识别方法研究

为了便捷地对甘薯薯块进行种类识别,提出了一种基于图像颜色和纹理特征的薯种识别算法,能准确、鲁棒地根据薯块的横切面图像识别出薯块的薯种。首先,分别使用颜色直方图方法、灰度共生矩阵方法和Gabor滤波方法提取出5个薯块图像的颜色、纹理特征。然后,对该特征向量进行优化组合。最后,基于组合后的混合图像特征向量,应用BP人工神经网络对样本集进行训练、分类。试验表明,本研究提出的方法能准确地对甘薯块的种类进行识别,平均识别成功率达90%。

利用曲波变换的SVM非线性激光荧光光谱油种实时识别方法

提出一种非线性激光荧光光谱实时识别方法,首先利用离散曲波变换对预处理的荧光谱进行分解,得到不同角度和尺度的变换系数,并利用三层分解中的低频系数形成特征向量;然后构建重油、柴油、原油等船舶常见油种的支持向量机进行训练;最后利用训练好的支持向量机进行油膜光谱分类。结果表明,采用基离散曲波变换和支持向量机的分类方法,不依赖大样本训练,输入向量为曲波分解后的低频系数部分,训练样本少,支持向量数量大幅降低,从而缩短运算时间,具有实时性,与传统方法比较,更为有效,识别率更高。

果蝇nasuta亚群求爱歌的种间识别与进化遗传学研究

果蝇ｎａｓｕｔａ亚群由１４个种、亚种和分类群组成，广泛分布于印度－太平洋区域。本文首次记录了ｎａｓｕｔａ亚群种的求爱歌，测量了脉冲歌时域模式的参数：脉冲串间隔（ＩＢＩ）、脉冲间隔（ＩＰＩ）、脉冲串时间长度（ＰＴＬ）、每个脉冲串的脉冲数（ＰＮ）、脉冲时间长度（ＰＬ）、波动周期时间长度（ＣＬ）。采用计算机声谱分析技术，作出求爱歌信号的三维数字功率谱图，进行频率分析。发现Ｄ．ｐｕｌａｕｎａ和Ｔａｘｏｎ－Ｆ不发出求爱歌声信号，视觉在交配中可能起重要作用。对其余种、亚种和分类群的求爱歌分析表明，ｎａｓｕｔａ亚群种的求爱歌分为脉冲歌和正弦歌。对部分种的正反交Ｆ１求爱歌分析表明，脉冲歌时域参数，如ＩＰＩ平均值为Ｘ染色体连锁或常染色体多基因控制，正弦歌频率偏向母方。根据不同种、亚种和分类群脉冲歌的时域模式构建ｎａｓｕｔａ亚群的系统树，对亚群中不同种、亚种和分类群的亲缘关系进行讨论。

基于MFCC特征与GMM的输电线路渉鸟故障相关鸟种智能识别

鸟类的频繁活动严重影响输电线路的安全运行,为实现渉鸟故障的差异化防治,提出了一种基于鸣声信号Mel频率倒谱系数(MFCC)和高斯混合模型(GMM)的鸟种识别方法。以引起渉鸟故障的16种典型鸟类为对象,建立其鸣声信号数据库,并对鸟鸣信号进行筛选和裁剪处理,提取其MFCC特征参数。建立GMM分类识别模型,随机选取640个训练样本的MFCC特征参数作为输入量,对模型进行训练,并识别320个测试样本,16种鸟类的识别准确率在80.0%-96.7%。研究结果可为运维人员正确识别输电线路附近鸟种并进行精准化防治提供参考,有助于降低渉鸟故障发生率。

基于鸟鸣功率谱密度的输电线路涉鸟故障相关鸟种智能识别

鸟类活动对架空输电线路的运行影响较大,不同鸟种引起的线路故障差异明显,为了提高渉鸟故障防治的针对性,需分类识别输电线路相关鸟种。以鸟粪类、鸟巢类、鸟体短接类、鸟啄类四种渉鸟故障对应的8种代表性鸟种为例,通过分帧加窗、端点检测等预处理,采用离散傅里叶变换和Welch算法获取不同鸟鸣信号的功率谱密度(PSD)图,从中提取129个频率点的PSD特征,并基于随机森林建立分类识别模型,以PSD特征作为输入量,开展模型训练和不同鸟种分类测试,8种鸟类的识别准确率为83.3%~100.0%,提高了渉鸟故障防治措施的精准性。

栗属植物叶片形态特征在种间识别的研究

本研究以栗属植物6个种的成熟叶片为材料,对其叶形特征进行调查、统计和分析,并通过体式显微镜、扫描电镜和塑料包埋切片对其叶背表皮组织进行综合显微观察分析。结果表明:(1)叶片形态特征,尤其叶形和叶形指数在栗属植物种间存在显著差异,可以作为不同栗属植物初步识别的重要依据之一;(2)盾状腺毛的有无在栗属植物资源描述与评价中是一个不可代替的重要指标,是识别不同栗属植物的关键组织;(3)栗属植物的腺毛组织由多细胞构成,预测其具有分泌次生代谢物的功能,在自身病虫害防治、环境适应和抗逆性等方面可能发挥着重要作用。

关于《一种静态电压稳定临界点的识别和计算方法》讨论

论文在研究电力系统电压稳定(崩溃点)临界点性质的基础上，依据崩溃点出现途径的不同，将之区分为约束诱导型分岔点(LIBP——limit induced bifurcation point)和鞍结型分岔点(SNBP——saddle node bifurcation point)，并给出了在连续潮流计算过程中对两类分岔点的快速扫描和识别算法，具有一定的现实意义。但仍存在如下疑问，敬请作者回答。

基于目标检测的电网涉鸟故障相关鸟种智能识别

鸟类活动引起的电网故障呈现上升趋势,为了辅助输电线路巡检人员进行鸟类识别,该文提出一种基于YOLOv4目标检测的涉鸟故障相关鸟种图像识别方法。利用巡检图像与网络资源构建电网涉鸟故障典型危害鸟种图像数据集,并进行图像标注与数据增广。建立YOLOv4检测模型,采用多阶段迁移学习进行模型训练,并引入Mosaic数据增强、余弦退火衰减及标签平滑3种方法提升训练效果,分析先验框个数、训练方法、样本数量等因素对测试结果的影响,得到最优检测模型,对包含20类鸟种、1134个真实目标的图像测试集进行检测,平均精度均值可达92.2%。将YOLOv4检测结果与Faster RCNN、SSD、YOLOv3进行对比,其检测精度更高,误检数更低。研究结果表明,该文建立的YOLOv4模型能够有效检测输电线路巡检图像中的鸟类目标并实现鸟种识别,可为涉鸟故障差异化防治提供参考。

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路渉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法。根据历史渉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声。基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4种深度卷积网络架构建立学习模型,采用ImageNet图像数据集对其进行预训练,通过对微调预训练后的网络结构进行模型迁移,使其匹配鸟种图像识别任务。然后,利用鸟种图像样本集对迁移学习模型进行训练与测试,对比4种网络模型的识别准确率。最后,借鉴Delphi法的思想,建立一种融合多卷积神经网络的渉鸟故障危害鸟种识别模型。算例验证结果表明,该模型对88种危害鸟种的识别准确率可达91.21%,能够有效实现架空输电线路巡检图像中的鸟种识别,进而为渉鸟故障防治提供参考。