基于热红外遥感影像的作物冠层温度提取

热红外影像较难直接提取作物冠层区域,因而无法获得较精准的作物冠层温度。本文以拔节期的玉米为研究对象,利用六旋翼无人机搭载热红外成像仪和大疆精灵四Pro无人机,获得热红外影像及正射影像。基于高分辨率正射影像,采用改进的Canny边缘检测算子、支持向量机(Support vector machine,SVM)和小波变换3种方法提取玉米冠层区域,将提取结果进行二值化处理后,在热红外影像中以此生成掩膜并提取玉米冠层温度。应用提取的矢量面分析提取效果并对3种提取算法的精度进行评价。实验结果表明,改进的Canny边缘检测算子提取效果最优、SVM算法次之、小波变换最差,提取精度分别为87. 3%、74. 5%、68. 2%。同时,将手持测温仪测得的玉米冠层温度与提取的冠层温度进行误差分析,结果表明,基于改进的Canny边缘检测算子提取的玉米冠层温度与地面实测值相关性最高,决定系数R^2=0. 929 5,SVM算法决定系数R^2=0. 895 7,小波变换决定系数R2=0. 876 0。改进的Canny边缘检测算子能够更好地提取玉米冠层区域,获取更加精确的玉米冠层温度,从而能够更有效地监测玉米生理状况,进行旱情预测,制定合理的灌溉、施肥措施以提高玉米产量。

多目标肉牛进食行为识别方法研究

基于计算机视觉技术,借助已有系统获得肉牛进食行为数据,并与体重变化、健康状况等进行关联分析,对肉牛科学养殖具有重要意义。为此提出了一种基于机器视觉的肉牛进食行为识别方法。该方法采用YOLOv3模型对观测范围内的肉牛目标进行检测,利用卷积神经网络识别单个目标的进食行为,进而实现对多目标肉牛进食行为的识别。卷积操作时,利用填充(padding)增强网络对目标边缘特征的提取能力;使用修正线性单元(ReLU)为激活函数,防止梯度消失;采用丢弃(dropout)方法提高网络的泛化能力。获取实际肉牛养殖场的监控视频,构建数据集,分别在8组测试集上进行试验,本文方法对观测范围内肉牛目标检测的平均精确度为83.8%,进食行为识别的平均精确度为79.7%、平均召回率为73.0%、平均准确率为74.3%,能够满足肉牛进食行为的监测需求。基于YOLOv3模型和卷积神经网络的多目标肉牛进食行为识别方法具有较高的准确性,为肉牛行为非接触式监测提供了新的途径。

基于DeepSORT算法的肉牛多目标跟踪方法

肉牛的运动行为反映其健康状况,在实际养殖环境下如何识别肉牛并对其进行跟踪,对感知肉牛的运动行为至关重要。基于YOLO v3改进算法(LSRCEM-YOLO),利用视频监控实现了实际养殖环境下的肉牛实时跟踪。该方法采用MobileNet v2作为目标检测骨干网络,根据肉牛分布不均、目标尺度变化较大的特点,提出通过添加长短距离语义增强模块(LSRCEM)进行多尺度融合,结合Mudeep重识别模型实现了肉牛多目标跟踪。结果表明:在目标检测方面,LSRCEM-YOLO的m AP值达到了92.3%,模型参数量仅为YOLO v3的10%,相比YOLO v3-tiny也降低了31.34%;在肉牛重识别方面,采用基于调整感受野的Mudeep模型,获得了更多的多尺度特征,其Rank-1指标达到了96.5%;多目标跟踪的多目标跟踪准确率相对于Deep SORT算法从32.3%提高到了45.2%,ID switch次数降低了69.2%。本文方法可为实际环境下的肉牛行为实时跟踪、行为感知提供技术参考。

基于改进YOLO v3的肉牛多目标骨架提取方法

针对肉牛行为识别过程中,多目标骨架提取精度随目标数量增多而大幅降低的问题,提出了一种改进YOLO v3算法(Not classify RFB-YOLO v3,NC-YOLO v3),在主干网络后引入RFB(Receptive field block)扩大模型感受野,剔除分类模块提高检测效率,结合8SH(8Stacked Hourglass)算法实现实际养殖环境下的肉牛多目标检测与骨架提取。实验为肉牛骨架设置16个关键节点形成肉牛骨架点位信息,通过对图像多尺度和多方向训练提高检测精度。针对多目标骨架提取模型检测的关键点信息进行统计分析,提出一种对肉牛站立和卧倒行为识别的方法。实验结果表明:在目标检测方面,NC-YOLO v3模型的召回率可达99.00%,精度可达97.80%,平均精度可达97.18%。与原模型相比,平均精度提高4.13个百分点,去除的网络参数量为13.81 MB;在单牛骨架提取方面,采用8层堆叠的Hourglass网络检测关键点位置,平均精度均值可达90.75%;在多牛骨架提取方面,NC-YOLO v3构建的模型相对于YOLO v3构建的模型,平均精度均值提高4.11个百分点,达到66.05%。

基于U-Net的葡萄种植区遥感识别方法

为提高葡萄种植区遥感识别精度,基于高分二号卫星遥感影像,对U-Net网络进行改进:从空间和通道维度自适应校准特征映射,以增强有意义的特征,抑制不相关的特征,提升地物边缘分割精度;减少下采样次数,使用混合扩张卷积代替常规卷积操作,以增大卷积核感受野,降低图像分辨率的损失,提高对不同尺寸地物的识别能力。实验结果表明,本文模型在测试集上的像素准确率、平均交并比和频权交并比分别为96.56%、93.11%、93.35%,比FCN-8s网络分别提高了5.17、9.57、9.17个百分点,比U-Net网络提高了2.39、4.59、4.39个百分点。此外,本文通过消融实验和特征可视化证明了注意力模块和混合扩张卷积在精度提升上的可行性。本文模型结构简单、参数量少,能够识别不同面积的葡萄种植区,边缘分割效果良好。

结合FCN和DenseCRF模型的无人机梯田识别方法研究

梯田是坡耕地上最主要的水土保持工程,准确地提取梯田信息对水土保持监测和评价十分重要。为了解决无人机遥感梯田识别研究中梯田特征自动学习的问题,制作了一套像素级标注的梯田正射影像样本集并设计FCN-8s模型与DenseCRF模型结合的梯田识别方法。实验结果表明,该方法在山脊区梯田、密集水平梯田和不规则梯田识别的总体精度、F1分数和Kappa系数均值分别为86.85%、87.28%、80.41%,与其他方法相比,效果较好。该方法适用于无人机遥感梯田识别领域,是一种精确有效的识别方法。

基于波段增强的DeepLabv3+多光谱影像葡萄种植区识别

精准获取葡萄种植区分布信息对其精细化管理和优质基地建设具有重要意义,通常大区域种植区识别主要基于遥感影像完成,但葡萄种植区空间位置的分散性和背景环境的复杂性,使得种植区识别的精度不高。该研究基于DeepLabv3+网络,改进网络输入通道数使其能够接受更多的光谱信息,同时构建波段信息增强模块(BandInformation Enhancement,BIE),利用各波段特征图之间的相关性生成综合特征,提出了波段信息增强的葡萄种植区识别方法(BIE-DeepLabv3+)。在2016和2019年高分二号影像葡萄种植区数据集上训练网络,在2020年影像上测试其性能,结果表明,改进模型输出结果的平均像素精度和平均交并比分别为98.58%和90.27%,识别效果好于机器学习SVM算法,在深度学习DeepLabv3+模型的基础上分别提高了0.38和2.01个百分点,比SegNet分别提高了0.71和4.65个百分点。BIE-DeepLabv3+模型拥有更大的感受野和捕获多尺度信息特征的同时放大了地物间的差异,能够解决影像中葡萄种植区存在类间纹理相似性、背景和环境复杂等问题,在减少模型参数的同时预测出的葡萄种植区更加完整,且边缘识别效果良好,为较大区域内背景复杂的遥感图像葡萄种植区识别提供了有效方法。

融合注意力机制与多尺度信息的葡萄种植区变化检测

为准确获取葡萄空间变化信息,实现产业规划和可持续发展,针对葡萄种植区布局分散、面积不一,地物类型复杂,相应不同时相影像异质性较大,严重影响变化区域检测精度的问题,提出了一种融合注意力机制和多尺度信息的变化检测模型(Multiscale difference feature capture net,MDFCNet)。在ResNet101主干网络的基础上融合SE(Squeeze and excitation)注意力机制,提升网络对遥感影像中变化特征提取的能力,抑制无关像素干扰。并且设计了交叉差异特征捕获(Cross difference feature capture,CDFC)模块,捕获具有密集上下文信息的差异特征来提升地物类型复杂情况下的变化检测精度,同时设计了监督集成注意力(Supervised ensemble attention,SEA)模块,逐层融合低层细节纹理特征和高层抽象语义特征来丰富多尺度特征,以此增强网络对布局分散、面积不一的种植区的检测能力。在构建的宁夏葡萄种植区变化数据集上进行实验,结果表明,相较于目前主流的SNUNet、A2Net、DSIFN和ResNet-CD变化检测模型,本文MDFCNet方法检测结果最优,相较于性能第2的模型,评价指标中交并比、召回率、F1值和精确率分别提高5.42、5.62、3.48、0.95个百分点。通过消融实验也证明了融合各模块的有效性,相较于基础网络,增加3个模块使得交并比、召回率、F1值和精确率分别提高12.9、5.63、8.64、11.75个百分点。本文模型提取出感受野更大的差异特征可为变化检测提供丰富的推断信息,融合的多尺度特征可以有效避免结果中误检测和漏检测问题,提高了变化区域的完整性和边缘细节保留,为背景复杂的大范围葡萄种植区的变化检测任务提供了解决思路。