检索结果-南通市图书馆

基于u-net网络模型方法的山区高分辨率遥感影像建筑物提取研究

在线全文

学校读者我要写书评

暂无评论

测绘标准化 2024年第3期40卷 43-49页

作者：黄德伦易珍言廉琦贵州省地质矿产勘查开发局测绘院贵州贵阳550018 贵州地矿测绘院有限公司贵州贵阳550018 西南科技大学环境与资源学院四川绵阳621000

由于山区地形较为复杂且自然环境多变,建筑物的布局不会像在平原地区呈网络状规则分布,导致山区建筑物的提取存在碎斑、范围不正确等问题。本文基于北京二号(BJ-2)和高分七号(GF-7)遥感卫星影像,采用u-net网络模型对山区建筑物进行提取... 详细信息

由于山区地形较为复杂且自然环境多变,建筑物的布局不会像在平原地区呈网络状规则分布,导致山区建筑物的提取存在碎斑、范围不正确等问题。本文基于北京二号(BJ-2)和高分七号(GF-7)遥感卫星影像,采用u-net网络模型对山区建筑物进行提取试验,并将试验数据与第三次全国国土调查成果进行比对分析。研究结果表明,采用本文方法提取的建筑物精度高,将u-net网络模型用于山区建筑物提取的方法可行。

关键词：高分辨率遥感影像 u-net网络模型建筑物提取

在线全文

学校读者我要写书评

暂无评论

基于u-net模型的含杂水稻籽粒图像分割

农业工程学报 2020年第10期36卷 174-180页

作者：陈进韩梦娜练毅张帅江苏大学机械工程学院镇江212013

含杂率是水稻联合收获机的重要收获性能指标之一,作业过程中收获籽粒掺杂的杂质包含作物的枝梗和茎秆等,为了探索籽粒含杂率和机器作业参数之间的关联,需要实时获取籽粒含杂率数据。该文基于机器视觉的u-net模型对联合收获机水稻收获籽... 详细信息

含杂率是水稻联合收获机的重要收获性能指标之一,作业过程中收获籽粒掺杂的杂质包含作物的枝梗和茎秆等,为了探索籽粒含杂率和机器作业参数之间的关联,需要实时获取籽粒含杂率数据。该文基于机器视觉的u-net模型对联合收获机水稻收获籽粒图像进行分割,针对传统分割算法中存在运算量大、耗时多、图像过分割严重和分割参数依赖人为经验难以应对各种复杂谷物图像等问题,采用深度学习模型多次训练学习各分割类别的像素级图像特征,提出基于u-net深度学习模型的收获水稻籽粒图像中谷物、枝梗和茎秆的分割方法,采用改进的u-net网络增加网络深度并加入Batch Normalization层,在小数据集上获得更丰富的语义信息,解决图像训练数据匮乏和训练过拟合问题。选取田间试验采集的50张收获水稻籽粒图像,采用Labelme方式进行标注和增强数据,裁剪1000张256像素×256像素小样本,其中700张作为训练集,300张作为验证集,建立基于改进u-net网络的收获水稻籽粒图像分割模型。采用综合评价指标衡量模型的分割准确度,对随机选取的60张8位RGB图像进行验证。试验结果证明,水稻籽粒的分割综合评价指标值为99.42%,枝梗的分割综合评价指标值为88.56%,茎秆的分割综合评价指标值为86.84%。本文提出的基于u-net模型的收获水稻籽粒图像分割算法能够有效分割水稻籽粒图像中出现的谷物、枝梗和茎秆,时性更强、准确度更高,可为后续收获水稻籽粒图像的进一步识别处理提供技术支撑,为水稻联合收获机含杂率实时监测系统设计提供算法参考。

关键词：图像处理水稻杂质 u-net网络模型

在线全文

学校读者我要写书评

暂无评论

基于深度学习的黑臭水体遥感信息提取模型

长江科学院院报 2022年第4期39卷 156-162页

作者：邵琥翔丁凤杨健郑子铖福建师范大学福建省陆地灾害监测评估工程技术研究中心福州350007 福建师范大学地理科学学院福州350007 中国科学院空天信息创新研究院北京100094

黑臭水体分布广泛,严重损害人民的居住环境和城市整体美观形象。以河北省廊坊市为研究区,利用高分二号(GF-2)多光谱数据和实测数据,使用PSPnet(Pyramid Scene Parsing network)和u-net模型对黑臭水体遥感信息提取进行对比实验研究。基... 详细信息

黑臭水体分布广泛,严重损害人民的居住环境和城市整体美观形象。以河北省廊坊市为研究区,利用高分二号(GF-2)多光谱数据和实测数据,使用PSPnet(Pyramid Scene Parsing network)和u-net模型对黑臭水体遥感信息提取进行对比实验研究。基于可见光波段(RGB)及近红外波段(NIR)计算归一化差异植被指数(NDVI)和归一化差异黑臭水体指数(NDBWI),针对细小形状的黑臭水体普遍存在的漏检问题,引入注意力机制模块对模型进行优化改进,构建改进型深度学习黑臭水体遥感信息提取模型。结果表明:输入RGB+NIR+NDVI+NDBW六通道组合遥感影像并引入注意力机制的u-net网络模型对黑臭水体的提取结果最佳,其精度评价指标F1-srore、MIou、Recall分别达到了0.8645、0.8681、0.8359。

关键词：黑臭水体深度学习模型 PSPnet网络模型 u-net网络模型 GF-2卫星遥感信息注意力机制

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于改进u-net的料塔料位检测方法研究

黑龙江畜牧兽医 2022年第11期 54-59,137,138页

作者：解浩亮刘仁鑫周波容能威江西农业大学工学院南昌330045 畜牧设施技术开发研究中心南昌330045

在规模化养殖中,传统料塔的料位检测设备较少,检测方法主要是人工检测和经验判断,难以精确、实时检测料塔余料,无法满足现代化农业发展的需求。为了实现精细化管理,摒弃传统的检测方法,采用基于u-net的语义分割模型对料塔内饲料进行分割... 详细信息

在规模化养殖中,传统料塔的料位检测设备较少,检测方法主要是人工检测和经验判断,难以精确、实时检测料塔余料,无法满足现代化农业发展的需求。为了实现精细化管理,摒弃传统的检测方法,采用基于u-net的语义分割模型对料塔内饲料进行分割,并通过处理图像输出结果,检测料塔内余料容量,同时引入残差结构和空间注意力机制来提升分割效果,优化u-net语义分割模型。经过对比试验结果显示,F1分数由0.942提升到了0.951,料位检测结果正确率由0.920提升到了0.960。说明基于改进u-net的料位检测方法具有一定的可行性,能满足检测的基本要求。

关键词：料塔料位检测现代农业 u-net网络模型图像处理图像输出

在线全文

学校读者我要写书评

暂无评论

基于深度学习的车牌识别算法研究

基于深度学习的车牌识别算法研究

作者：田策重庆工商大学

学位级别：硕士

近年来,随着计算机算力的提高,卷积神经网络的推出,图像分割与识别也得到了飞速发展。在图像分割方面,恶劣天气下造成的图像失真、缺失和多噪声等问题,会使得目标检测模型预选框勾勒车牌区域时,会出现字符缺失,错位等问题。另外,在车牌... 详细信息

近年来,随着计算机算力的提高,卷积神经网络的推出,图像分割与识别也得到了飞速发展。在图像分割方面,恶劣天气下造成的图像失真、缺失和多噪声等问题,会使得目标检测模型预选框勾勒车牌区域时,会出现字符缺失,错位等问题。另外,在车牌识别方面,传统的滤波与形态学去噪,在图像噪声过高的情况下,会存在无法对图像细节进行更深层次的去噪,从而导致去噪后图片质量降低,降低了识别率。针对提出的问题,在分割算法方面,本文应用u-net分割模型作为骨干网络代替目标检测模型,将车牌边缘细致分割,以减少由预选框选择而造成的分割问题。并且,在u-net网络的基础上,结合自适应权重特征金字塔和注意力机制,对网络的neck层与head层进行改进,以此提升模型性能。在文字识别方面,因恶劣天气多为均匀噪声,且扩散模型的噪声生成过程是符合均匀分布的,根据模型的这一特性,使用扩散模型对图像进行加噪处理,模拟噪声的生成过程,训练不同层级噪声情况,依靠训练出的“代噪声”反向对图像进行去噪,以此还原更多的图像细节。同时,考虑到传统字符分割法文字识别会使结果出现一定误差,因此本文选择sar模型来实现文章的文字识别模块,将文字信息视为一个整体,以此减少误差。经过大量的实验,结合本文所用模型进行车牌识别,可以高效准确的识别车牌信息,在正常情况下识别的准确率高达97.3%,在恶劣天气下,车牌识别率同样达到92.8%,且本文模型相比于主流单阶段检测算法平均高出1.8%的准确率,传统字符分割方法高3%左右的准确率。

关键词：深度学习车牌分割 u-net网络模型文字识别

基于u-net网络的联合收获机籽粒含杂率、破碎率监测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于U-Net网络的联合收获机籽粒含杂率、破碎率监测方法

作者：韩梦娜江苏大学

学位级别：硕士

联合收获机收获的籽粒中含有杂质与破碎籽粒,杂质与破碎籽粒的含量反映联合收获机的工作性能,实时了解收获过程中的水稻杂质、破碎含量有利于驾驶员及时调整工作参数,提高联合收获机的收获质量。目前国外有的联合收获机安装了带有含杂... 详细信息

联合收获机收获的籽粒中含有杂质与破碎籽粒,杂质与破碎籽粒的含量反映联合收获机的工作性能,实时了解收获过程中的水稻杂质、破碎含量有利于驾驶员及时调整工作参数,提高联合收获机的收获质量。目前国外有的联合收获机安装了带有含杂、破碎监测装置,但只能显示是否超标的状态,无法记录监测处理的过程,也没有含杂率、破碎率具体的处理结果显示。国内少量的联合收获机含杂率、破碎率在线监测装置还处于试验研究阶段,取样装置和处理精度有待于进一步提高。本文对联合收获机籽粒含杂率、破碎率监测方法进行研究,运用机器视觉技术实时监测含杂率、破碎率,提出了基于u-net深度学习网络的图像分割算法。建立图像分割与像素质量数学关系计算含杂率、破碎率,将结果显示在驾驶室的显示屏上,同时将结果保存到SD卡并通过CAN总线传输至上位机,为驾驶员或联合收获机作业参数自动控制系统提供调控依据,保存的结果和图像便于离线分析与后续研究。本文主要研究内容及得到的结论如下:1.研究联合收获机水稻含杂率、破碎率的实时监测方案并完成硬件装置的搭建。分析了人工及基于机器视觉的含杂率、破碎率监测原理,搭建了含杂率、破碎率实时监测硬件装置,该装置由籽粒取样-弃样装置、工业相机、LED光源、嵌入式处理器、显示屏组成。籽粒取样-弃样装置安装在出粮口下方,嵌入式控制取样-弃样装置周期性收集和释放籽粒,工业相机抓拍籽粒静态图像,嵌入式处理器实时分割图像,将处理结果在显示屏上显示,保存结果到SD卡,并通过CAN总线传输到上位机。2.研究含杂率、破碎率实时监测系统图像分割算法。基于u-net深度学习模型对图像中的水稻、枝梗、茎秆三类对象预测分割,再对预测得到的水稻对象采用HSV颜色模型色调、饱和度、亮度三通道设定阈值的方法提取破碎籽粒。结合籽粒几何特征进行形态学处理得到水稻破碎籽粒分割结果。鉴于水稻图像训练数据匮乏,提出改进u-net模型,在原始网络基础上增加网络深度并加入Batch Normalization层,从而在小数据集上获得更丰富的语义信息,解决训练过拟合的问题。在50张800?600水稻图像中随机裁剪1000张256?256小样本,700张作为训练样本,300张作为验证样本。随机测试120张800?600田间实时收获的水稻图像,采用综合评价指标F值评价图像各类别分割结果,试验结果表明,水稻分割F值为99.42%,枝梗分割F值为88.56%,茎秆分割F值为86.84%,水稻破碎籽粒分割F值为85.58%。设计的算法可以对水稻图像中的不同目标进行有效分割。3.设计并部署含杂率、破碎率监测系统的软件算法。使用Python语言设计,将系统软件分为uI界面设计和逻辑设计两大部分,采用独立进程的方式将图像采集功能、图像处理功能、图像及数据保存功能放入到独立进程中,独立进程及主进程之间采用先进先出的队列方式进行通信,确保处理的数据实时传输到上位机并保存到SD卡。实现uI程序设计、籽粒收集释放程序设计、采集图像程序设计、图像处理程序、CAN通讯程序设计、图像及数据保存程序设计软件设计实时处理结果在显示屏显示并通过CAN总线传输结果,保存的数据可供离线分析。4.试验验证含杂率、破碎率实时监测系统的性能。进行室内试验,统计分析得到含杂率平均相对误差分别为7.00%,破碎率平均相对误差为6.72%。田间试验使用本文的含杂率、破碎率监测装置每5秒取样处理,保存结果并将结果通过CAN总线实时传送到上位机。统计分析得到含杂率、破碎率监测值与读图值平均相对误差分别为7.76%,7.93%。田间试验表明,本文研究的算法测量准确度优于已有算法,设计的籽粒含杂率、破碎率实时监测系统满足预期设计需求。

关键词：联合收获机含杂率破碎率 u-net网络模型实时监测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的遥感影像建筑物识别方法研究

基于深度学习的遥感影像建筑物识别方法研究

作者：王浩洋辽宁科技大学

学位级别：硕士

遥感技术经过多年的发展,已经具备了多光谱、高分辨率的无论时间和天气的实时观测能力,在农业、环境、海洋、资源以及军事方面的应用越来越广泛。而对高分辨率遥感影像中的建筑物进行提取是现在的主要研究项目,对估算人口密度、自然灾... 详细信息

遥感技术经过多年的发展,已经具备了多光谱、高分辨率的无论时间和天气的实时观测能力,在农业、环境、海洋、资源以及军事方面的应用越来越广泛。而对高分辨率遥感影像中的建筑物进行提取是现在的主要研究项目,对估算人口密度、自然灾害风险监测、城市资源规划管理和智慧城市建设等方面具有重要意义。相较于传统方法需要为数据集设计特征,耗费人力物力而且准确率不高的缺点,利用深度学习的方法对高分辨率遥感影像中的建筑物进行识别是更好的选择,具有更高的准确率、速度以及更好的普适性和泛化能力,因此利用深度学习的方法提取高分辨率遥感影像中的建筑物,具有重要的研究意义。本文介绍了深度学习方法在遥感影像地物识别以及建筑物识别的应用,国内外研究现状,研究背景意义、基础原理与概念,实验平台环境的搭建和软、硬件的选取,研究主要工作:(1)将大尺度遥感影像进行数据分割与数据增强,得到数据集,为实验提供基础;(2)针对数据集,使用三种传统的深度学习中的卷积神经网络模型,u-net网络模型,Segnet网络模型和Linknet网络模型分别进行建筑物识别提取的实验,再将结果进行对比分析,选出其中最适合对本次实验的数据集进行识别提取的最优模型u-net网络模型;(3)在选出的最优传统深度学习模型u-net网络模型中加入坐标注意力机制,对模型进行优化加强,调节特征权重,在u-net网络模型基本卷积单元的编码器中最后一个卷积通道里加入一层坐标注意力,加强模型对需特殊关注的地物像素特征的学习效率,抑制模型对与所需关注地物无关像素特征的学习,进而提升整个网络模型对特定像素的敏感度,实现模型对特定地物的像素特征的提取,得到新的学习模型A-u-net网络模型。将A-u-net网络模型的提取结果和精度评测指标与原u-net网络模型的提取结果进行对比,得出优化后提升的具体数据,验证了将u-net网络模型与坐标注意力机制融合,可以优化特征,识别并提取出效果更好,分辨率更高的建筑物特征图,使模型更加关注于识别物体,可以更好的对遥感影像中的建筑物进行识别和提取。

关键词：深度学习卷积神经网络建筑物提取 u-net网络模型坐标注意力

基于遥感影像的OpenStreetMap路网数据质量评价方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于遥感影像的OpenStreetMap路网数据质量评价方法研究

作者：程效猛武汉大学

学位级别：硕士

随着网络技术与地理信息技术的快速发展,越来越多的公众能够参与到互联网的资源共享当中,用户创建内容成为互联网信息当中的重要内容。OpenStreetMap（OSM）路网数据由一种公众参与并且免费获取的道路网数据,能够定期发布,更新速度快现... 详细信息

随着网络技术与地理信息技术的快速发展,越来越多的公众能够参与到互联网的资源共享当中,用户创建内容成为互联网信息当中的重要内容。OpenStreetMap（OSM）路网数据由一种公众参与并且免费获取的道路网数据,能够定期发布,更新速度快现势性强,是一种良好的地理数据资源。但是由于OSM路网数据的上传者并不具备专业的数据采集知识,所上传的路网数据通常无法与专业测绘数据相比,存在着数据不规范甚至是数据虚假等质量问题,因此在OSM路网数据使用之前对其进行质量评价十分有必要。很多学者提出了与高质量矢量参考数据对比的OSM路网数据评价方法,但是高精度的参考数据集通常难以获取,这类方法无法在OSM数据质量的评价中普遍应用。遥感影像具有获取方便、覆盖范围广、现势性强等优点可以作为OSM路网数据质量评价的参考数据。因此本文以遥感影像作为基础,提出了一种基于贝叶斯网络验证与深度学习网络模型的遥感影像道路网骨架获取方法,将所得到的道路网骨架作为OSM路网数据的参考数据,建立了模糊推理的评价模型,对OSM路网数据进行质量评价。本文的研究内容主要集中在以下几个方面:1、提出了基于遥感影像的质量评价方法。针对高质量矢量参考数据获取难度大,现势性差等难点,提出了利用遥感影像作为参考数据的评价方法。首先分析了两种典型的OSM数据质量评价方法,接着提出了遥感影像的质量评价方法,建立了模糊推理的质量评价体系,最后总结了遥感影像质量评价方法的流程;2、提出了基于贝叶斯网络的OSM路网数据验证方法。首先对OSM路网数据进行了简化,得到初始道路骨架,然后对路网与影像进行配准。针对路网数据可靠性不高的特点,提出了利用道路的边缘特征、光谱特征以及植被特征构建贝叶斯网络模型进行验证的方法,将通过验证的路段作为基础的道路骨架;3、提出了基于改进的u-net模型影像新增道路提取方法。针对OSM路网无法覆盖的新增道路,提出了改进的u-net网络模型的提取方法。利用基础道路骨架采集样本更新已有样本库,用来训练改进的u-net网络模型,并对遥感影像进行预测,将得到的路网进行验证之后与已有路网融合得到完整的道路网骨架;4、设计并开发了基于遥感影像的OSM路网数据评价的原型系统,通过平台对本文的方法进行了实验,验证了本文方法的有效性。本文所述方法,从一个新的角度利用遥感影像对OSM路网数据进行质量评价,实验结果表明该方法是有效的。

关键词： OSM路网数据质量评价 u-net网络模型道路骨架模糊推理

基于StarGAN实现的人脸风格图像清晰化研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于StarGAN实现的人脸风格图像清晰化研究

作者：赵威海阜阳师范大学

学位级别：硕士

图像作为一种最为直观的信息载体,一直是众多研究者的热门研究对象,图像清晰化是图像处理领域中至关重要又难以解决的问题。近二十年来,获得高分辨率的清晰图像一直是众多研究者努力的研究方向,生成清晰的风格化图像将使风格图像价值进... 详细信息

图像作为一种最为直观的信息载体,一直是众多研究者的热门研究对象,图像清晰化是图像处理领域中至关重要又难以解决的问题。近二十年来,获得高分辨率的清晰图像一直是众多研究者努力的研究方向,生成清晰的风格化图像将使风格图像价值进一步提高。StarGAN模型是一种基于生成对抗网络的图像转换模型,它可以实现人脸图像在多域间的迁移,从而生风格多样的人脸图像。但StarGAN模型生成的图像清晰度不佳,为了得到高分辨率的图像。本文通过对StarGAN模型的网络结构进行改进,设计了基于StarGAN的清晰化模型C-StarGAN,使生成的人脸风格化图像分辨率相对于StarGAN模型生成的人脸风格化图像有了进一步提高。本文的研究内容概述如下:首先,研究StarGAN模型的网络结构和实现原理,分析其生成的风格化图像发现其存在清晰度不足、去噪不足、细节表现不明显等问题,从而针对StarGAN模型存在的问题进行优化,提出了基于StarGAN的清晰化模型C-StarGAN。该模型引入了u-net网络模型进行融合改进,采用u-net网络结构中的跳跃连接使得图像分割的精度大大提升。其次,在后期引入退化去除模块去除低分辨率图像中存在的模糊、噪声等不良因素;加入面部先验提供多样化和丰富的面部细节;再进行重建损失,增强模型生成的风格化图像的真实感和逼真度。使得融合之后的C-StarGAN模型可以生成清晰化的风格图像。最后,进行多种技术的融合,有效地解决StarGAN模型存在的清晰度不足、细节表现不明显等问题,并且生成更加真实和多样化的人脸风格图像。该模型在CelebA-HQ数据集上训练及测试,并在FFHQ数据集上进行测试,经过主观评价测试和客观评价测试,实验结果表明,该模型在有效提升生成图像的清晰度和细节特征的同时,还能保证生成的图像风格多样性,验证了该模型的有效性。

关键词：图像清晰化人脸风格化 StarGAN u-net网络模型