發(fā)布時間：2020-11-21 15:56

　　 深度學(xué)習(xí)作為當(dāng)下應(yīng)用最為廣泛的圖像識別技術(shù),除了在人工智能、計算機視覺領(lǐng)域取得成功應(yīng)用,也在遙感影像處理領(lǐng)域發(fā)揮極為重要的作用,實現(xiàn)了傳統(tǒng)的地物分類方法向深度學(xué)習(xí)完成高分遙感影像下地物分類的轉(zhuǎn)變。已有研究大多數(shù)是利用深度學(xué)習(xí)實現(xiàn)了農(nóng)業(yè)地物信息的提取和分類,本研究在使用Tensorflow搭建深度學(xué)習(xí)模型和設(shè)計設(shè)施農(nóng)業(yè)典型地物(Typical Objects of Protected Agriculture,TOPA)識別算法的基礎(chǔ)上,提出一種基于深度學(xué)習(xí)的TOPA識別新方法。設(shè)施農(nóng)業(yè)典型地物主要是塑料大棚、連棟溫室和日光溫室,并以青海省互助縣設(shè)施農(nóng)業(yè)試驗區(qū)為研究區(qū)域,通過對無人機影像數(shù)據(jù)中TOPA進(jìn)行深度學(xué)習(xí),實現(xiàn)了設(shè)施農(nóng)業(yè)區(qū)目標(biāo)地物的準(zhǔn)確識別,為設(shè)施農(nóng)業(yè)發(fā)展和管理提供技術(shù)支持。論文的主要研究工作和成果如下:(1)通過對無人機影像數(shù)據(jù)進(jìn)行裁剪分割、數(shù)據(jù)增強、添加標(biāo)簽等采集和預(yù)處理操作,獲取TOPA的樣本影像數(shù)據(jù),并對樣本數(shù)據(jù)中的TOPA按照其所在影像中的位置和類別添加標(biāo)簽得到樣本數(shù)據(jù)集,將樣本數(shù)據(jù)集劃分為訓(xùn)練集和測試集形成樣本知識庫。(2)基于Tensorflow搭建深度學(xué)習(xí)模型并設(shè)計TOPA識別算法。在分析CNN模型原理和Tensorflow平臺特性的基礎(chǔ)上,通過模型框架搭建和設(shè)計實現(xiàn)形成深度學(xué)習(xí)模型;然后以CNN模型為基礎(chǔ)設(shè)計TOPA識別算法,利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)生成圖像分類網(wǎng)絡(luò)并在區(qū)域生成基礎(chǔ)上設(shè)計候選區(qū)域提取算法,將兩者結(jié)合用于樣本集的訓(xùn)練識別。(3)編寫TOPA識別程序,實現(xiàn)無人機影像上TOPA的自動識別和標(biāo)記,并對識別結(jié)果進(jìn)行分析評價。通過對實驗結(jié)果的分析,得出實驗受光線、云層等干擾因素影響存在少量的誤識和漏識;其次分析影響TOPA識別的關(guān)鍵性因素,通過調(diào)整訓(xùn)練步數(shù)、卷積神經(jīng)網(wǎng)絡(luò)層數(shù)和節(jié)點數(shù)等神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化識別效果;最后對識別結(jié)果給予精度評價,TOPA的平均識別準(zhǔn)確率和成功率為88.62%和83.27%,識別效果良好,可以為高分影像類似地物識別提供新的方法和借鑒。(4)與傳統(tǒng)地物識別方法、不同深度學(xué)習(xí)平臺進(jìn)行多角度的對比分析,得到本文提出的深度學(xué)習(xí)識別方法相比傳統(tǒng)地物識別方法在識別速度上更快,并且識別結(jié)果更為直觀;與Caffe深度學(xué)習(xí)框架下的5種常用方法對比,兩者有基本相同的準(zhǔn)確率和成功率,但本文方法在處理速度上更具優(yōu)勢。
【學(xué)位單位】：江西理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：S127
【部分圖文】：

X3+1 +1Layer1 Layer2Layer3圖 2.3 淺層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖CNN 作為多隱層神經(jīng)網(wǎng)絡(luò)可以通過局部感受野和參數(shù)共享的方式減少參數(shù)數(shù)量，降低運算復(fù)雜度。局部感受野相當(dāng)于人類對外界認(rèn)知為局部到全局的，因而圖像的空間相關(guān)性相應(yīng)的是局部的像素聯(lián)系緊密、距離較遠(yuǎn)像素之間相關(guān)性越弱。所以每個神經(jīng)元不必對整幅圖像實行感知操作，僅僅只需要對圖像的局部特征完成感知操作，而后在更高緯度將局部圖像特征信息整合到一起就能夠得到全局的信息。局部感受野的原理圖如下圖 2.4 所示[58]，其原理僅需隱藏層的神經(jīng)元和上一層神經(jīng)網(wǎng)絡(luò)的部分神經(jīng)元相關(guān)聯(lián)即可，這樣就會去除大量冗余的參數(shù)。還是以100*100的圖像作為例子，假定各個神經(jīng)元僅和10*10個像素進(jìn)行關(guān)聯(lián)操作，網(wǎng)絡(luò)結(jié)構(gòu)中權(quán)值參數(shù)就會減至 10000*100 個。

圖 3.9 邊框回歸精對于上圖，紅色框 R 代表原始的候選區(qū)域的目標(biāo)識別框，本研究找出一種數(shù)學(xué)關(guān)系，使得射關(guān)系得到跟真實識別窗口 D 更接近的回歸窗Ry，Rw，Rh），通過映射關(guān)系 f 使得：f（Rx，Dh′）≈（Dx，Dy，Dw，Dh）。尋找這種映射 f 回歸窗口 D’的思路如下：先做平移，再做縮放 Dx′= Rw x(R) Dy′= Rh y(R) Dw′= Rw ¤( wDh′= Rh ¤( h通過上式可以得到需要學(xué)習(xí)的四個變換 x(成的候選區(qū)域 R 與真實識別窗口 D 相差較小時性變換，可以用線性回歸模型對窗口進(jìn)行微調(diào)。¤h）如下：

分割裁剪操作獲取部分影像數(shù)據(jù)集如下圖4.1 所示。圖 4.1 部分影像數(shù)據(jù)集樣本集的建立還必須結(jié)合設(shè)施農(nóng)業(yè)典型地物的空間語義和地物特征，目的是更有助于 Tensorflow 的訓(xùn)練識別。下圖 4.2 是基于空間語義的設(shè)施農(nóng)業(yè)典型地物信息解譯過程。圖 4.2 基于空間語義的設(shè)施農(nóng)業(yè)典型地物解譯影像層現(xiàn)實世界層語義層深度學(xué)習(xí)網(wǎng)絡(luò)層地物類型地膜 塑料大棚 日光溫室 連棟溫室設(shè)施農(nóng)業(yè)典型地物數(shù)學(xué)描述?
【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 朱曉東;劉思宇;魯鐵定;徐海濤;;集群式影像處理系統(tǒng)的技術(shù)研究[J];湖北農(nóng)業(yè)科學(xué);2012年11期

2 孟春林;TM影像陰影消除的探討[J];云南林業(yè)調(diào)查規(guī)劃設(shè)計;2001年01期

3 張世利;劉健;余坤勇;賴日文;楊子清;;基于ERDAS幾何校正及在閩江流域影像處理中應(yīng)用[J];福建林學(xué)院學(xué)報;2007年04期

本文編號：2893250