论文部分内容阅读
病害松树研究对于预防和管控松树林病害有着重大实际意义,准确地监控松树的生长状态,及时发现和确定发病松树的位置,可以尽早控制病情的蔓延。生长在陡峭山坡和茂密树林里面的松树,传统的人工识别方法既费力又效率低下,不利于松树病害的大范围动态监测,无法保障监测的时效性。遥感技术已被广泛用于植物病虫害识别领域,通过遥感图像获得病虫害植物冠层信息,结合计算机视觉技术,可实现对地物病虫害目标的识别,通过无人机遥感获取高分辨率近地遥感图像,再使用机器学习和深度学习算法针对病害松树目标进行识别,可以实现高精度的识别结果。本文首先介绍了传统机器学习方法对农林业病害检测识别情况,包括提取的特征类型、识别精度等,进而引出了深度学习、增强学习等方法检测病害情况,并将本文实验结果同传统机器学习以及深度学习方法进行对比。本文主要内容如下:1、首先介绍研究区域的地理环境、松树发病情况,介绍了无人机型号、参数等,以及无人机航拍图像预处理情况,在对比实验中介绍了支持向量机和反向传播神经网络(Back Propagation Network,BP-net)等传统机器学习方法以及Alex-net、VGG(Visual Geometry Group)等深度学习方法识别病害松树情况。2、提出一种结合深度卷积神经网络和AdaBoost算法的病害松树识别方法,解决传统机器学习方法识别病害松树精确度不高问题。首先利用卷积神经网络训练病害松树模型再利用训练模型将地物中的田地、裸土等复杂信息剔除掉,提取病害松树、健康松树、黑影区域及其他植被的颜色和纹理特征,依据提取的特征在剔除地物干扰项后的决策层使用AdaBoost分类器进行目标识别。实验结果表明,该方法相较传统的K-means聚类、支持向量机、AdaBoost算法、BP神经网络、VGG算法等在识别精确度方面有显著提高。3、提出一种结合深度卷积神经网络、深度卷积对抗网络和AdaBoost算法的病害松树识别方法。无人机图像中病树的识别有利于大面积松树病害的动态监测与控制,然而,无人机图像的低分辨率和复杂背景限制了传统机器学习方法在识别患病松树时的准确性。这项研究提出了一种识别病害松树的方法,该方法结合了深度卷积神经网络(Deep Convolutional Neural Network,DCNN),深度卷积生成对抗网络(Deep Convolution Generative Adversarial Network,DCGAN)和AdaBoost分类器。DCGAN可以扩大患病松树的样本数量,以解决训练样本不足的问题。DCNN用于去除图像中的田野、土壤、道路和岩石,以减少复杂背景对目标识别的影响。AdaBoost分类器将患病的松树与健康松树、阴影和其他植被分开,接着使用数学形态学去除微小误识别区域,提高整体识别精度。实验结果表明,与K-means聚类,支持向量机,AdaBoost分类器,反向传播神经网络和Inception_v3网络相比,该方法具有更好的识别性能。