基于结构重参数化的复杂背景下天然草地植物图像轻量级分类识别方法

野外环境下天然草地植物种类的准确快速识别对草地资源调查、科学实验和教学科普等应用场景至关重要,目前多采用人工现场判别等方式,耗时耗力且受限于专家经验。以新疆干旱区天然草地植物为研究对象,构建自然复杂背景下的整株天然草地植物图像数据集。引入非对称卷积并结合结构重参数化方法优化RepVGG网络,提出并验证了一种兼顾识别精度、并行度和效率的自然复杂背景下天然草地植物图像轻量级分类识别模型(RepVGG_ACB),并与主流的经典网络模型(VGG系列和ResNet系列)以及轻量级模型(MobileNetV2和ShuffleNetV2)的识别效果进行对比分析。结果显示:(1)结构重参数化的RepVGG_ACB系列模型A0_ACB、A1_ACB和B0_ACB对天然草地植物的识别准确率为90.7%、92.4%和95.6%,模型有效且识别效果显著。(2)优化后的RepVGG_ACB网络在训练阶段采用多分支结构,识别准确率提高了1.9%~4.2%,提高了网络的泛化能力;在推理阶段采用并行度更高的单路结构,减少了FLOPs和参数量,降低了模型复杂度。(3)与经典网络模型相比,在准确率相当的情况下推理速度提升了1.3~3倍;与轻量级模型相比,推理速度虽略不及但准确率提高了2.1%~3.2%。结果表明:RepVGG_ACB系列网络在识别精度、并行度和效率方面取得均衡,具有其他网络所不具备的优势,可应用于无人机机载传感器网络或智能手持终端等边缘计算环境,为野外植物自动化高精度智能分类识别提供新方法。

复杂自然背景下的人造目标检测

为了解决图像处理中目标检测的问题,提出了一种新的检测方法.该方法根据自然物体和人造物体在纹理上表现出的不同特性,首先将图像划分为若干个子块,然后按各个子块梯度的幅度和方向进行像素编码,最后利用设定的标准检测人造目标.仿真结果表明,新方法可用于不同分辨率的图像,且具有较好的鲁棒性,能够节省存储空间和运算时间,适合于实时处理的场合。

复杂背景下结合颜色和分形特征的多目标检测

针对复杂自然背景下的多目标检测,提出了结合颜色和分形特征的多目标检测算法.将RGB颜色空间转换到Lab颜色空间,采用改进K-means聚类算法,去除大片背景区域,计算区域分形维数和分形拟合误差.两种分形特征相结合能够准确排除小面积背景奇异区域的干扰,检测出待测图像中的多个目标.仿真结果表明:该算法能够正确检测出复杂自然背景下的多个目标,对彩色图像分割后的保留区域求分形特征,避免了搜索目标带来的计算量.相比于对全图提取分形特征的方法,本算法在时间上缩短约80%.

基于模糊集理论的运动目标检测

针对复杂自然环境下运动目标检测中噪声多、目标检测不完整等问题,提出一种改进的基于模糊集理论的解决方法。使用金字塔多分辨率模型进行背景差分获取初步的前景掩膜,将当前帧的颜色、时间、空间、位置4种特征用模糊集表示,形成模糊向量集合簇,用模糊数学理论结合这4个向量的特征,得到每个像素点对前景的隶属度,从而检测运动目标。该方法不仅能有效地检测较完整运动目标,也可以克服自然环境下微小运动背景的影响。实验结果显示:该方法前景的识别率为0.717 4,错误率为0.011 8,能适应自然环境下动态背景的影响。