基于图像的草地退化识别研究

发布时间：2020-04-23 02:41

【摘要】：近现代以来,随着人类社会的不断发展,人们对草地资源的肆意滥用以及气候变化的影响,草地退化成为日趋凸显的环境问题之一,已经严重影响到了人类自身的生活环境、畜牧业生产等,并且这种情况还在不断恶化。因此,保护草地生态势在必行。相比传统的人工实地监测,现代飞速发展的遥感技术使得科研人员可以获得更全面丰富的草地数据,结合最新的计算机科学技术可以建立更高效的草地退化自动监测系统。最开始的时候,草地退化的监测通过遥感技术得到植被序列数据,对植被的时间序列数据进行分析并计算相关的指标来反映和评价区域草地退化的程度。但是这种方法受外界因素干扰较大,例如说降水、温度的波动,这些因素都会影响对草地退化的准确判断。另一方面,缺乏统一明确的评价指标和退化划分标准,这些也都成为植被序列数据用来评价草地退化的障碍。因此,如果能够通过高分辨率的航拍图或卫星图,结合图像分割自动识别出草地的退化情况并能统计出区域、面积、程度等信息,对于保护草地生态是有重大的意义的。本文基于深度学习的相关方法对草体退化图像自动识别分割进行建模,具体的研究内容有以下几点:(1)对现有的退化草地航拍图样本进行整理分析,对样本数据集中存在的类别不均衡、样本数量过少等问题进行了数据增强方式的预处理,对数据集按照6:3:1的比例划分训练集、验证集、测试集,并在输入网络之前对整体数据进行归一化的操作。(2)研究基于全卷积神经网络对退化草地图像进行自动识别分割。全卷积神经网络是近年来广泛用于图像语义分割的深度学习网络模型,相比传统的图像处理方法以及卷积神经网络进行图像分割,全卷积神经网络有着输入输出结果端到端、任意输入大小、结果更精确等一系列优势。本文在对比常见的多种神经网络语义分割模型后提出了改进的模型方法,并从速度、准确率、是否过拟合等多个维度进行对比;另外,本文还探究了不同样本输入大小对结果的影响并选择了当前环境下最合适的样本输入尺寸。(3)本文还进一步对结果进行了分析和优化。首先使用神经网络可视化的方法对提出的网络模型进行可视化探究,通过最大化激活和兴趣凸显图两种方式一定程度上证明了神经网络的可靠性;并且针对实际测试中存在的黑边以及边缘细节不够平滑的问题找到原因并在实现的逻辑层面进行了改进。本文利用深度学习技术,通过训练草地退化样本数据集得到合适的语义分割神经网络模型,并用于草地退化图像的自动化检测。相比传统方法,更直接、可靠,有良好的应用前景。本文还进一步对语义分割模型进行改进,并对样本以及预测方式进行改进,从而在退化草地图像分割的任务上具有更好的适应性。
【图文】：

二维图像,张量,卷积运算,二维

= ∞∞（）（）（2-1）针对离散的定义见公式（2-2）： = ∞∞（）（）（2-2）在卷积神经网络的应用中，输入通常是多个通道的多维数组，而卷积核是右神经网络优化算法学习到的多维数组形式的参数，一般我们称这些多维数组为张量。在卷积神经网络中，我们可以一次在多个维度上进行卷积计算。例如，输入是一张二维的图像 I，并且使用一个二维的卷积核 K，卷积的结果记作 S，则对二维图像的卷积过程可以写作如公式（2-3）：S i，j = K I i，j =m nI（i m，j n）K（m，n）（2-3）下图 2-1 演示了一个在二维张量上进行的卷积运算：

函数图像,函数图像

oid 层的函数形状如图 2-2 所示。函数的定义形式如下（2-4）式。= 还有一个很重要的性质，其导数可以用自身的形式来表达大大简化了链式求导中相关的计算量：= （）= 是使用范围最广的激活函数之一，具有指数级函数的形状较类似，因此也有它的物理意义。此外，由于 Sigmoid 的常还可以用作表示概率，或者对函数的输入计算得到归一
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S812.6;TP391.41

【参考文献】