基于卷积神经网络提取冬小麦空间分布信息的方法研究
发布时间：2020-12-21 01:38
冬小麦是我国主要的粮食作物之一,精确地估算冬小麦的空间分布信息,对于产量估算、生产管理和粮食政策调整具有非常重要的作用。遥感图像解译是目前获取冬小麦空间分布信息的主要技术手段,具有覆盖面积广、探测周期短、获取信息丰富等优势。国产高分2号（GF-2）影像空间分辨率达到了1米,为及时、准确地获取冬小麦的空间分布信息提供了可靠的数据保障,利用卷积神经网络进行遥感图像解译从而获取冬小麦空间分布信息是目前研究者关注的热点问题,但是直接利用现有的卷积神经网络模型在高分2号影像上对冬小麦进行语义分割,分割精度并不是太高,主要原因是卷积神经网络的编码器和分类器存在一些缺陷:（1）编码器使用的模拟方式较为简单,不利于形成抽象的高层特征;（2）分类器在类别归属判断上仅仅利用了最大概率值这一信息,忽略了各概率之间差值大小对像素类别归属判断的影响。本文针对以上问题,选择山东省济南市的章丘区为研究区域,使用高分2号遥感影像和地面调查数据为数据源,建立了高精度冬小麦遥感影像分割模型（Winter Wheat Remote Sensing Segmentation Model,WWRSSM）,获取了更精细的冬小麦空...
【文章来源】：山东农业大学山东省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
RefineNet模型与RefineNet-MAP模型的对比:（a）RefineNet,(b)RefineNet-MAPFig21CompareRefineNetmodelwithRefineNet-MAPmodel:（a）RefineNet，(b)RefineNet-MAP
图 21 Refine Net 模型与 RefineNet-MAP 模型的对比:（a）RefineNet,(b) RefineNet-MAPFig21 Compare Refine Net model with RefineNet-MAP model:（a）RefineNet，(b) RefineNet-MAPSegNet 模型是在 FCN 模型的基础上发展起来的，但 SegNet 模型仅是利用了高层语特征，而没有使用低层特征，这是 SegNet 模型与 RefinetNet 模型的最主要的区别。种处理方式在处理自然图像时，由于图像的细节多，信息量大，两个模型的差异并不很明显，但在遥感图像上，由于图像的细节少，信息量小，在这种情况下，SegNet型的劣势就显现出来了，从模型的评价结果表也可以看出这一问题。因此，模型能否分利用各级特征，也是影响分割精度的一个重要原因。尽管如此，从图 22 我们可以出，SegNet 加入 MAP 模型作为后处理后，整体结果仍有较明显的改善。
山东农业大学硕士学位论文分发挥出来。而 RefineNet 充分利用了像素之间的统计特征，能够很好地适应冬小麦种植区域的数据特点。有效地避免了 DeepLab 方法的缺陷，保证分割精度。从 5.6.2 节的结果和对比中可以看出，RefineNet 在边缘区域的分割精度要比 DeepLab 方法好得多。图 23 给出了 DeepLab 模型和 DeepLab-Map 模型提取结果的分布情况，可以看出，加入MAP 模型作为后处理后，整体结果有较明显的改善。
【参考文献】：
期刊论文
[1]深度神经网络条件随机场高分辨率遥感图像建筑物分割[J]. 王宇,杨艺,王宝山,王田,卜旭辉,王传云. 遥感学报. 2019(06)
[2]基于全卷积神经网络的林区航拍图像虫害区域识别方法[J]. 刘文定,田洪宝,谢将剑,赵恩庭,张军国. 农业机械学报. 2019(03)
[3]基于深度信念网络的烟叶部位近红外光谱分类方法研究[J]. 王静,丁香乾,王晓东,韩凤,韩冬,曲晓娜. 红外与激光工程. 2019(04)
[4]静态图像中采用混合卷积结构进行人群密度估计[J]. 范绿源,仝明磊,李敏,南昊. 计算机应用研究. 2020(03)
[5]基于卷积神经网络的马铃薯叶片病害识别系统[J]. 赵建敏,李艳,李琦,芦建文. 江苏农业科学. 2018(24)
[6]基于深度学习的无人机遥感生态灌区杂草分类[J]. 王术波,韩宇,陈建,潘越,曹毅,孟灏. 排灌机械工程学报. 2018(11)
[7]基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测[J]. 王利民,刘佳,姚保民,季富华,杨福刚. 农业工程学报. 2018(08)
[8]基于卷积神经网络的菊花花型和品种识别[J]. 袁培森,黎薇,任守纲,徐焕良. 农业工程学报. 2018(05)
[9]采用改进全卷积网络的“高分一号”影像居民地提取[J]. 潘旭冉,杨帆,潘国峰. 电讯技术. 2018(02)
[10]基于卷积神经网络的遥感沙漠绿地提取方法[J]. 田德宇,张耀南,赵国辉,韩立钦. 遥感技术与应用. 2018(01)
硕士论文
[1]一种面向农田提取的高分遥感影像分割模型[D]. 程清.山东农业大学 2018
[2]基于卷积神经网络的图像语义分割[D]. 陈鸿翔.浙江大学 2016
本文编号：2928941
【文章来源】：山东农业大学山东省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
RefineNet模型与RefineNet-MAP模型的对比:（a）RefineNet,(b)RefineNet-MAPFig21CompareRefineNetmodelwithRefineNet-MAPmodel:（a）RefineNet，(b)RefineNet-MAP
图 21 Refine Net 模型与 RefineNet-MAP 模型的对比:（a）RefineNet,(b) RefineNet-MAPFig21 Compare Refine Net model with RefineNet-MAP model:（a）RefineNet，(b) RefineNet-MAPSegNet 模型是在 FCN 模型的基础上发展起来的，但 SegNet 模型仅是利用了高层语特征，而没有使用低层特征，这是 SegNet 模型与 RefinetNet 模型的最主要的区别。种处理方式在处理自然图像时，由于图像的细节多，信息量大，两个模型的差异并不很明显，但在遥感图像上，由于图像的细节少，信息量小，在这种情况下，SegNet型的劣势就显现出来了，从模型的评价结果表也可以看出这一问题。因此，模型能否分利用各级特征，也是影响分割精度的一个重要原因。尽管如此，从图 22 我们可以出，SegNet 加入 MAP 模型作为后处理后，整体结果仍有较明显的改善。
山东农业大学硕士学位论文分发挥出来。而 RefineNet 充分利用了像素之间的统计特征，能够很好地适应冬小麦种植区域的数据特点。有效地避免了 DeepLab 方法的缺陷，保证分割精度。从 5.6.2 节的结果和对比中可以看出，RefineNet 在边缘区域的分割精度要比 DeepLab 方法好得多。图 23 给出了 DeepLab 模型和 DeepLab-Map 模型提取结果的分布情况，可以看出，加入MAP 模型作为后处理后，整体结果有较明显的改善。
【参考文献】：
期刊论文
[1]深度神经网络条件随机场高分辨率遥感图像建筑物分割[J]. 王宇,杨艺,王宝山,王田,卜旭辉,王传云. 遥感学报. 2019(06)
[2]基于全卷积神经网络的林区航拍图像虫害区域识别方法[J]. 刘文定,田洪宝,谢将剑,赵恩庭,张军国. 农业机械学报. 2019(03)
[3]基于深度信念网络的烟叶部位近红外光谱分类方法研究[J]. 王静,丁香乾,王晓东,韩凤,韩冬,曲晓娜. 红外与激光工程. 2019(04)
[4]静态图像中采用混合卷积结构进行人群密度估计[J]. 范绿源,仝明磊,李敏,南昊. 计算机应用研究. 2020(03)
[5]基于卷积神经网络的马铃薯叶片病害识别系统[J]. 赵建敏,李艳,李琦,芦建文. 江苏农业科学. 2018(24)
[6]基于深度学习的无人机遥感生态灌区杂草分类[J]. 王术波,韩宇,陈建,潘越,曹毅,孟灏. 排灌机械工程学报. 2018(11)
[7]基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测[J]. 王利民,刘佳,姚保民,季富华,杨福刚. 农业工程学报. 2018(08)
[8]基于卷积神经网络的菊花花型和品种识别[J]. 袁培森,黎薇,任守纲,徐焕良. 农业工程学报. 2018(05)
[9]采用改进全卷积网络的“高分一号”影像居民地提取[J]. 潘旭冉,杨帆,潘国峰. 电讯技术. 2018(02)
[10]基于卷积神经网络的遥感沙漠绿地提取方法[J]. 田德宇,张耀南,赵国辉,韩立钦. 遥感技术与应用. 2018(01)
硕士论文
[1]一种面向农田提取的高分遥感影像分割模型[D]. 程清.山东农业大学 2018
[2]基于卷积神经网络的图像语义分割[D]. 陈鸿翔.浙江大学 2016
本文编号：2928941
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/2928941.html
