论文阅读:基于深度学习的保护性耕作下地面秸秆覆盖检测

本文主要是介绍论文阅读:基于深度学习的保护性耕作下地面秸秆覆盖检测,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

主要内容:

利用无人机(UAV)低空遥感图像准确检测秸秆覆盖率。使用低空无人机获取保护性耕作农田的地面图像。在 ResNet18 上利用改进的 U-Net 建立了稻草覆盖的语义分割算法。该算法与VGG11–U-Net(以VGG11作为UNet提取模块的算法)、三角形算法(TRIANGLER)和“RGB、HSV和灰度+支持向量机(SVM)”(基于多色的算法)(基于多色空间信息融合结合SVM的算法)进行评估和比较。

优势:

残差神经网络修改的U-Net模型具有分割精度高、收敛速度快、图像特征自动抽象和分类、感受野和权重共享、参数少等特点。简化计算。

一、图像采集:

无人机

DJI,Phantom3 Advanced

高度10米或30米
时间

5月份 7点-8点

天气晴朗
分辨率4000*3000(实际应用从图像中随机裁剪1312*992像素的小样本图像)
存储格式jpg

二、图像处理

  • 归一化(Z-score 标准化)

归一化 (Normalization)、标准化 (Standardization)和中心化/零均值化 (Zero-centered) - 简书

图像的大小计算 位深和色深_奥比中光3D视觉开发者社区的博客-CSDN博客_颜色深度怎么计算梯度下降(Gradient Descent)小结 - 刘建平Pinard - 博客园

 μ——总体数据的均值

σ——总体数据的标准差

x——个体的观测值

  • 数据增强
镜像±5°
旋转±10°
随机加噪声

由最初数据:

训练集40
测试集5
验证集5

增强后得到数据:

训练集400
测试集50
验证集50
  • 卷积神经网络

原网络结构(u-net):

改进:将残差学习单元引入到深度 U-Net 网络中 

 

 σ ——整流线性单元 (ReLu) 的激活函数

 w1 和 w2——残差结构的第一层和第二层的权重

b ——偏差

结构表达式:

 当恒等映射(a)的维度与卷积输出的维度不同时,恒等映射 x 应使用线性映射(b) wd 处理以匹配维度:

现网络结构(改进后):

收缩(左)和扩张(右)。在左侧,将 U-Net 前面的特征提取模块替换为 ResNet18,输入层后面是一个 7×7 的卷积层和一个 3×3 的最大池化层。然后在 ResNet18 中应用了 4 个阶段,每个阶段在特征提取过程中由两个残差块组成。同一块中特征图像的尺寸相同,但为前一个块的一半。因此,特征图像的尺寸在块之间是不同的。膨胀部分的作用是利用特征图像来提取稻草。这部分的每个阶段由特征图像上采样、链接块和卷积块组成。卷积块包括一个 3×3 转置卷积层、归一化层和 ReLU。在每个神经网络的末端添加一个 1×1 的卷积层,将 64 通道的特征图像转换为像素类的分数。 

这篇关于论文阅读:基于深度学习的保护性耕作下地面秸秆覆盖检测的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/303610

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学