基于高分一号与Landsat 8卫星影像的库尔勒市香梨种植面积识别研究

库尔勒香梨是一个地域性极强的名优特优品种,是库尔勒地区乃至全国最优异的地方梨品种之一,利用遥感技术快速、准确获取库尔勒市香梨的种植面积、长势等信息,可为政府管理部门制定各种决策提供数据支持。本研究利用高分一号(GF-1,分辨率2 m和16 m)、Landsat 8(分辨率30 m)2015年4—10月的库尔勒市遥感影像,依据地面调查建立的感兴趣区域(ROI),采用5种不同方法进行监督分类,通过识别精度比较筛选出最佳识别方法,并对库尔勒市的香梨种植面积进行识别、提取。结果表明,GF-1影像数据的最佳识别月份为8月,最佳识别方法是最大似然法,识别精度为95.94%;Landsat 8影像数据的最佳识别月份为10月,最佳识别方法也是最大似然法,识别精度为94.43%。因此,选择利用8月份的GF-1影像数据提取库尔勒市的香梨栽植面积,经最大似然法进行监督分类,最终解译面积为2.827万公顷,与实际统计资料相比,识别精度96.45%,说明利用该方法监测库尔勒市的香梨栽植情况可行。

基于高分遥感数据的昌吉市棉花面积识别研究

本文探讨了如何利用高分遥感数据大范围快速提取棉花种植面积。本研究以昌吉市为研究区,基于高分一号(GF-1)遥感影像,利用实地调查的2015年昌吉市作物种植信息,选取不同的监督分类方法,加入耕地掩膜,分析得出昌吉市棉花识别的最佳识别时相以及最佳识别方法。结果表明,棉花与其他种植作物分离程度最好月份为7月,棉花种植面积最佳识别月份为7月,支持向量机分类方法总体精度最高,总体精度为95.24%,Kappa系数0.935。棉花种植面积提取以小于6个像元为最小图斑时结果最佳。高分一号遥感影像7月以支持向量机分类法解译出的2015年昌吉市棉花面积为15 974 hm2,棉花面积提取精度为95.79%。

基于YOLOv8的工业环境平面积尘识别与清洁度评定

针对高清洁度要求的工业场景的平面清洁缺乏积尘识别的问题,利用高效的YOLOv8算法对平面上的灰堆、灰斑、反光进行类别和数量的识别,并分配不同的权重系数加权得到清洁度指数,然后对检测区域洁净度进行等级评定。系统根据清洁度等级来指挥平面清洁机器人进行清洁任务,使其高效完成清洁作业。实验结果表明:该模型在在测试集上的mAP@0.5达到80.6%,摄像头实时检测帧率可达到50~143 fps,可准确进行平面积尘识别并对检测平面进行清洁度评定。

GF-1卫星多时相组合近红外数据水稻识别能力

针对近红外波段水稻识别能力的问题,选择银川市所属的5个县区为研究区域,采用2016年5月18日、6月16日、7月30日、9月13日4个时相GF-1/WFV影像的近红外波段(0.76~2.526μm)数据,基于决策树分类方法,获取了4个单时相、3个多时相条件下的水稻识别结果,并与全波段数据分类结果进行了比较。单时相5、6、7和9月份近红外波段水稻识别精度分别为83.63%、57.40%、75.82%和62.61%,除5月份精度高于全波段5.75个百分点外,其他时相都低于全波段识别精度,6月份相差最高为30.23个百分点。多时相5/6、5/7、5/6/7/9月份组合,近红外水稻识别精度分别为83.76%、93.93%和94.03%,分别比全波段低5.47,高8.58和0.73个百分点。结果表明,水稻生长早期的5月份、中期的7月份,近红外波段可以作为单时相遥感识别数据源,包括生长早期和中期2个时相在内的多时相近红外波段组合都可以作为遥感识别的数据源,研究结果可以作为GF-1数据水稻遥感识别的依据。

视频火灾识别的关键技术研究

火灾报警识别是保证安全的手段。在视频火灾识别中,火灾目标的提取是其关键问题,针对提高火灾识别率,为了精确地提取火焰目标,在分析火灾图像特性的基础上,采用数字图像处理技术和模式识别技术,提出了一种新的基于面积阈值的火焰目标提取,继后根据火灾发生时火焰的色彩、蔓延时面积大小和相似度以及烟雾等特征信息来识别、判断是否有火灾的发生。仿真实验表明算法具有比较好的健壮性。能够有效地提取出连续图像序列中的火焰目标图像和有效地降低火灾监控系统误报和漏报率,并对于一般大空间场合的火灾监控也是有效的。

基于新型小面积指纹识别算法的指纹锁拉链设计

日常储物装置通常都会用到拉链,背包上的拉链基本上都是没有加锁的,缺乏安全性;旅行箱上使用的传统密码锁也有两个明显的缺点:容易忘记密码和解锁操作麻烦,因此通常使用较少,没有起到加强防盗系数的作用。在人员密集场所,"扒手"防不胜防,因此推出一种安全、便捷的拉链锁装置很有必要。本文提出了一种指纹解锁拉链,直接从拉链本身出发提高其安全性和便利性。在硬件设计方面,本文充分考虑空间利用率、功耗、性能和成本等问题,将电源电路与控制电路分离,选用低功耗、性价比高的元器件和材料。软件设计方面采用了最新的小面积指纹识别算法来保证识别准确性。该装置可以运用于箱、包等带有拉链且需要具有安防功能的储物装置上,具有很大的实用价值,而且目前市场上类似产品很少,具有一定的市场前景。

基于类比的房产面积知识推理

借鉴类比推理的逻辑方法并应用在房产测量的房产面积识别中。在具备相关知识的前提下,通过知识表示、类比检索、类比映射和类比转换过程,可以对复杂或不易认定的产权面积空间对象进行分析和推理,为尽可能准确地识别房产面积提供科学可行的路径。

GEE环境下融合主被动遥感数据的冬小麦识别技术

遥感技术已成为大宗作物种植面积提取的有效手段。为避免冬小麦提取中受光学数据缺乏的影响,基于随机森林算法(RF)和Google Earth Engine(GEE)云平台,探索时间序列Sentinel-1合成孔径雷达(SAR)数据后向散射系数对冬小麦提取效果,并融合Sentinel-1、2主被动遥感数据,研究后向散射系数、光谱特征、植被指数特征与纹理特征的不同组合对冬小麦识别精度的改善情况。结果表明:仅融合多时相Sentinel-1 SAR数据时,分类总体精度为85.93%,Kappa系数为0.75,冬小麦识别精度达到95%以上。融合多时相SAR数据与单时相光学数据,在充分利用极化信息和光谱信息进行分类后,分类总体精度为95.78%,Kappa系数为0.92,比多时相SAR分类结果分别提高9.85个百分点和约22.67%,对冬小麦的识别精度提高约2个百分点。通过分析不同特征组合情况下纹理特征对分类的影响,发现纹理特征对冬小麦的识别精度影响程度较小。

基于多时相遥感影像识别与分析高原主要农作物

本文基于归一化植被指数和决策树分类方法,借助多时相高分辨率遥感影像,利用青海省高原地区主要农作物的物候信息,结合地面调查和无人机测绘手段分析省内具有代表性意义的研究区的主要农作物。结果表明归一化植被指数和决策树分类方法对高原主要农作物的面积识别具有较好的可靠性。因此,基于多时相遥感影像数据分区域识别高原主要农作物,将有效解决高原地区因客观因素所造成的农作物面积提取的误差,为高原高海拔农作物面积识别与提取提供理论基础与技术指导。

视频火灾检测的设计与实现

在分析火灾图像特性的基础上,运用数字图像处理技术和模式识别技术,提出了火灾识别的思想。给出了图像处理和识别的算法,该算法采用二维最大熵自动阈值法对火灾图像进行分割处理,分割后再提取可疑区域;对可疑区域的火焰进行识别,给出火焰存在的可能性;根据火灾火焰蔓延时的面积、相似度的变化来识别、判断火灾的发生。实验证明,与传统的检测方法相比,大大地提高火灾预报的准确率。

基于机器视觉的铁矿石熔点测定方法

针对国内人工测定铁矿石熔点存在精度低、误差大的问题,依据煤灰熔融性测定方法的原理,提出了一种采用面积识别与机器视觉相结合的铁矿石熔点测定方法。该方法通过机器视觉系统采集、处理并识别铁矿石的BMP图象,并通过改进的算法计算出图象的投影面积,最后根据面积及其它辅助参数得到铁矿石的熔点。实际测试结果表明,该方法测定精度高、误差小。