基于偏振光谱成像的草地伪装物识别研究

目前高光谱成像技术在森林、草原、农业资源的遥感监测中得到广泛应用,其能够很好地利用植被在可见与近红外波段的反射光谱特征做到识别,但是依然存在无法区分具有相似光谱特征的伪装物的问题,在可见波段具有一定相似性。而由于表面材质和粗糙度的不同,偏振成像能够很好地区分相似光谱的植被和伪装物。本文旨在研究植被表面偏振光谱特征,一方面通过结合偏振成像与高光谱成像技术,丰富信息维度,解决单一光谱研究的不足,另一方面提取空间多角度下植被的偏振光谱特征,为植被和伪装物的识别打下基础。

一种基于卷积神经网络的草地植物识别方法

现有对草地植物的图像识别主要集中于对叶片或大面积种群的识别,很少有从单株植物或小片群落的角度进行识别。本文针对上述问题,总结出三种适用于解决该问题的识别方法,改进和微调了现有基于卷积神经网络方法的预处理流程和网络模型来进行植物图像识别方法。本文采用近距离拍摄的高空间分辨率草地植物图片,设计实验对比分析了上述三种方法在识别标注样本数据集上的表现。实验结果表明,基于预训练模型的深度卷积神经网络方法同其他方法相比,在准确性上,具有显著的优越性。

基于卫星遥感信息的吉林省西部草地退化分析

利用 1996年和 1986年秋季陆地卫星TM数据 ,将计算机监督分类与非监督分类识别方法结合应用进行草地的解译 ,改进算法 ,改善遥感图像的识别精度。试验研究结果表明 :吉林省西部草原生态环境在恶化 ,草地面积平均每年减少 4.5× 10 4hm2 ,草地退化严重 ,退化草地面积已占草地总面积的 81.1%,而且退化程度也在加重 ,中、重度退化草地比例明显提高 ,草地退化呈发展的趋势。

卷积神经网络在遥感影像中草地分类的应用

为了提高遥感影像草地分类的精度,对卷积神经网络模型在遥感影像草地分类中的应用进行研究,提出一种基于主成分分析(PCA)白化的卷积神经网络草地遥感分类网络结构.通过对遥感影像数据进行PCA白化处理,能有效地降低数据之间的相关性,加快神经网络学习速率,加强特征学习的能力.在此基础上对采样层进行随机池化操作,提高了网络分类的泛化能力,达到提高草地分类准确率的目的.实验结果表明:该算法能够有效地提高草地分类的准确率,分类精度达到94.65%,比传统卷积神经网络、BP神经网络和SVM分类算法分别提高4.3%,10.39%和15.33%.

基于视觉导航的割草机器人运动控制

以割草机器人为研究对象,重点进行了草地识别和非接触避障两方面的研究,提出了基于视觉导航的割草机器人运动控制策略。并对割草机器人进行了场地试验,试验测试表明各控制方案相对有效,能够有效解决实际问题,对于智能割草机器人控制应用领域具有重要价值。

三江源典型区草地退化Hyperion高光谱遥感识别研究

三江源草地退化直接影响当地及长江、黄河和澜沧江中上游地区的生态安全、水资源合理利用、经济可持续发展和社会稳定,一直是人们关注的焦点问题。近年来,该地区草地群落毒杂草组分增大,退化严重。高光谱遥感具有精细识别草地种群的潜在能力,如何利用其进行草地群落组成信息探测并进行退化识别是当前研究的热点和难点问题。利用卫星高光谱Hyperion影像和地面实测高光谱遥感数据,通过多端元混合像元分解技术,提取可食牧草、毒杂草以及裸土组分信息;以此为指标对研究区草地退化程度进行分类识别,依次为:未退化、轻度退化、中度退化、重度退化和极度退化。利用野外样方实测数据验证监测结果,精度达到84.2%,表明高光谱遥感对草地退化探测具有良好的应用潜力。