基于深度学习的无人机影像植被识别方法研究

发布时间：2023-04-28 14:54

　　随着精准林业技术的发展,快速准确进行植被识别的需求日益增加,但现有的基于卫星和无人机遥感数据的植被识别方法,存在人工筛选特征复杂、识别精度低和运行速度慢等问题。基于此,本文提出了基于深度学习的无人机影像植被识别方法,构建了全卷积神经网络(Fully Convolutional Network,FCN),通过多尺度特征融合方法实现了 5个FCN变种模型,并针对浙江省安吉县和北京市鹫峰森林公园两个研究区进行植被识别。为了进一步缩减模型大小和提高识别速度,本文设计了基于模型压缩和多尺度特征融合的全卷积神经网络(MobileNet Fully Convolutional Network,MFCN),实现了 5个MFCN变种模型。本方法能够自动提取和学习图像中的特征,实现端到端的训练和识别,与ENVI软件的基于像素的分类方法和eCognition软件的面向对象的分类方法进行对比,结果表明:FCN-8s模型对植被识别效果最好,对于林草地和农田的平均整体准确率为88.95%,对侧柏、油松和栎树的平均整体准确率为83.40%。MFCN-2s模型识别精度略低于FCN-8s,但运行时间最短,耗时3.35s...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究进展
        1.2.1 无人机遥感技术研究现状
        1.2.2 基于卫星遥感数据的植被识别研究现状
        1.2.3 基于无人机遥感数据的植被识别研究现状
        1.2.4 深度学习图像识别技术研究现状
    1.3 研究内容
    1.4 组织结构
2 相关理论基础
    2.1 深度学习基础
        2.1.1 人脑视觉机理与生物神经元
        2.1.2 从浅层学习到深度学习
        2.1.3 神经网络与反向传播算法
    2.2 卷积神经网络
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 常用的卷积神经网络
    2.3 深度学习框架
    2.4 GPU加速技术
    2.5 本章小结
3 数据获取与处理
    3.1 研究区域概况
        3.1.1 浙江省安吉县
        3.1.2 北京市鹫峰森林公园
    3.2 无人机影像获取平台
    3.3 无人机影像预处理及拼接方法
        3.3.1 原始数据准备
        3.3.2 数据导入与处理
        3.3.3 生成点云与正射影像
    3.4 数据集建立
        3.4.1 数据划分
        3.4.2 数据标注方法
    3.5 本章小结
4 识别方法
    4.1 全卷积神经网络
    4.2 基于多尺度特征融合的全卷积神经网络识别方法
        4.2.1 基于VGGNet-16的全卷积神经网络设计与实现
        4.2.2 多尺度特征融合方法
        4.2.3 模型训练与参数选择
    4.3 基于模型压缩与多尺度特征融合的全卷积神经网络识别方法
        4.3.1 模型压缩与加速
        4.3.2 基于MobileNet的全卷积神经网络设计与实现
        4.3.3 多尺度特征融合方法
        4.3.4 参数选择与模型训练
    4.4 本章小结
5 实验结果与分析
    5.1 评价标准原理与指标
    5.2 基于无人机影像的农田、林草地识别
        5.2.1 识别结果
        5.2.2 精度评价
        5.2.3 林草地和农田的面积计算
    5.3 基于无人机影像的侧柏、油松、栎树树种识别
        5.3.1 识别结果
        5.3.2 精度评价
        5.3.3 树种区域的面积计算
    5.4 识别速度评价
    5.5 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
个人简介
导师简介
获得成果目录
致谢



本文编号：3804018