基于深度学习的无人机影像设施农业典型地物识别方法研究
发布时间：2020-11-21 15:56
深度学习作为当下应用最为广泛的图像识别技术,除了在人工智能、计算机视觉领域取得成功应用,也在遥感影像处理领域发挥极为重要的作用,实现了传统的地物分类方法向深度学习完成高分遥感影像下地物分类的转变。已有研究大多数是利用深度学习实现了农业地物信息的提取和分类,本研究在使用Tensorflow搭建深度学习模型和设计设施农业典型地物(Typical Objects of Protected Agriculture,TOPA)识别算法的基础上,提出一种基于深度学习的TOPA识别新方法。设施农业典型地物主要是塑料大棚、连栋温室和日光温室,并以青海省互助县设施农业试验区为研究区域,通过对无人机影像数据中TOPA进行深度学习,实现了设施农业区目标地物的准确识别,为设施农业发展和管理提供技术支持。论文的主要研究工作和成果如下:(1)通过对无人机影像数据进行裁剪分割、数据增强、添加标签等采集和预处理操作,获取TOPA的样本影像数据,并对样本数据中的TOPA按照其所在影像中的位置和类别添加标签得到样本数据集,将样本数据集划分为训练集和测试集形成样本知识库。(2)基于Tensorflow搭建深度学习模型并设计TOPA识别算法。在分析CNN模型原理和Tensorflow平台特性的基础上,通过模型框架搭建和设计实现形成深度学习模型;然后以CNN模型为基础设计TOPA识别算法,利用改进的卷积神经网络结构生成图像分类网络并在区域生成基础上设计候选区域提取算法,将两者结合用于样本集的训练识别。(3)编写TOPA识别程序,实现无人机影像上TOPA的自动识别和标记,并对识别结果进行分析评价。通过对实验结果的分析,得出实验受光线、云层等干扰因素影响存在少量的误识和漏识;其次分析影响TOPA识别的关键性因素,通过调整训练步数、卷积神经网络层数和节点数等神经网络参数优化识别效果;最后对识别结果给予精度评价,TOPA的平均识别准确率和成功率为88.62%和83.27%,识别效果良好,可以为高分影像类似地物识别提供新的方法和借鉴。(4)与传统地物识别方法、不同深度学习平台进行多角度的对比分析,得到本文提出的深度学习识别方法相比传统地物识别方法在识别速度上更快,并且识别结果更为直观;与Caffe深度学习框架下的5种常用方法对比,两者有基本相同的准确率和成功率,但本文方法在处理速度上更具优势。
【学位单位】：江西理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S127
【部分图文】：
X3+1 +1Layer1 Layer2Layer3图 2.3 浅层神经网络结构图CNN 作为多隐层神经网络可以通过局部感受野和参数共享的方式减少参数数量，降低运算复杂度。局部感受野相当于人类对外界认知为局部到全局的，因而图像的空间相关性相应的是局部的像素联系紧密、距离较远像素之间相关性越弱。所以每个神经元不必对整幅图像实行感知操作，仅仅只需要对图像的局部特征完成感知操作，而后在更高纬度将局部图像特征信息整合到一起就能够得到全局的信息。局部感受野的原理图如下图 2.4 所示[58]，其原理仅需隐藏层的神经元和上一层神经网络的部分神经元相关联即可，这样就会去除大量冗余的参数。还是以100*100的图像作为例子，假定各个神经元仅和10*10个像素进行关联操作，网络结构中权值参数就会减至 10000*100 个。
图 3.9 边框回归精对于上图，红色框 R 代表原始的候选区域的目标识别框，本研究找出一种数学关系，使得射关系得到跟真实识别窗口 D 更接近的回归窗Ry，Rw，Rh），通过映射关系 f 使得：f（Rx，Dh′）≈（Dx，Dy，Dw，Dh）。寻找这种映射 f 回归窗口 D’的思路如下：先做平移，再做缩放 Dx′= Rw x(R) Dy′= Rh y(R) Dw′= Rw ¤( wDh′= Rh ¤( h通过上式可以得到需要学习的四个变换 x(成的候选区域 R 与真实识别窗口 D 相差较小时性变换，可以用线性回归模型对窗口进行微调。¤h）如下：
分割裁剪操作获取部分影像数据集如下图4.1 所示。图 4.1 部分影像数据集样本集的建立还必须结合设施农业典型地物的空间语义和地物特征，目的是更有助于 Tensorflow 的训练识别。下图 4.2 是基于空间语义的设施农业典型地物信息解译过程。图 4.2 基于空间语义的设施农业典型地物解译影像层现实世界层语义层深度学习网络层地物类型地膜 塑料大棚 日光温室 连栋温室设施农业典型地物数学描述?
【相似文献】
本文编号：2893250
【学位单位】：江西理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S127
【部分图文】：
X3+1 +1Layer1 Layer2Layer3图 2.3 浅层神经网络结构图CNN 作为多隐层神经网络可以通过局部感受野和参数共享的方式减少参数数量，降低运算复杂度。局部感受野相当于人类对外界认知为局部到全局的，因而图像的空间相关性相应的是局部的像素联系紧密、距离较远像素之间相关性越弱。所以每个神经元不必对整幅图像实行感知操作，仅仅只需要对图像的局部特征完成感知操作，而后在更高纬度将局部图像特征信息整合到一起就能够得到全局的信息。局部感受野的原理图如下图 2.4 所示[58]，其原理仅需隐藏层的神经元和上一层神经网络的部分神经元相关联即可，这样就会去除大量冗余的参数。还是以100*100的图像作为例子，假定各个神经元仅和10*10个像素进行关联操作，网络结构中权值参数就会减至 10000*100 个。
图 3.9 边框回归精对于上图，红色框 R 代表原始的候选区域的目标识别框，本研究找出一种数学关系，使得射关系得到跟真实识别窗口 D 更接近的回归窗Ry，Rw，Rh），通过映射关系 f 使得：f（Rx，Dh′）≈（Dx，Dy，Dw，Dh）。寻找这种映射 f 回归窗口 D’的思路如下：先做平移，再做缩放 Dx′= Rw x(R) Dy′= Rh y(R) Dw′= Rw ¤( wDh′= Rh ¤( h通过上式可以得到需要学习的四个变换 x(成的候选区域 R 与真实识别窗口 D 相差较小时性变换，可以用线性回归模型对窗口进行微调。¤h）如下：
分割裁剪操作获取部分影像数据集如下图4.1 所示。图 4.1 部分影像数据集样本集的建立还必须结合设施农业典型地物的空间语义和地物特征，目的是更有助于 Tensorflow 的训练识别。下图 4.2 是基于空间语义的设施农业典型地物信息解译过程。图 4.2 基于空间语义的设施农业典型地物解译影像层现实世界层语义层深度学习网络层地物类型地膜 塑料大棚 日光温室 连栋温室设施农业典型地物数学描述?
【相似文献】
相关期刊论文 前3条
1 朱晓东;刘思宇;鲁铁定;徐海涛;;集群式影像处理系统的技术研究[J];湖北农业科学;2012年11期
2 孟春林;TM影像阴影消除的探讨[J];云南林业调查规划设计;2001年01期
3 张世利;刘健;余坤勇;赖日文;杨子清;;基于ERDAS几何校正及在闽江流域影像处理中应用[J];福建林学院学报;2007年04期
本文编号：2893250
本文链接：https://www.wllwen.com/kejilunwen/nykj/2893250.html
