基于语义分割的无人机遥感梯田田块识别方法研究
发布时间：2022-07-22 17:34
梯田是山丘坡耕地上最快捷有效的水土保持工程,根据《全国坡耕地水土流失综合治理“十三五”专项建设方案》的规划,大规模坡改梯工程即将建设完成。及时、准确地掌握梯田分布信息对水土保持监测和评价十分重要。目前,基于高分辨率无人机遥感梯田识别方法的研究仍然停留在面向对象分析技术层面,梯田的特征学习和识别分类依赖人工目视检测。为了解决遥感梯田识别研究中梯田特征无法进行自动深层次学习的问题,本文利用深度学习技术,研究基于全卷积神经网络（Fully Convolutional Networks,FCN）和条件随机场（Conditional Random Field,CRF）的语义分割方法完成对梯田田块的识别工作。本文主要完成工作如下:（1）梯田田块语义分割数据集的生成方案。由于现有的语义分割数据集缺少梯田田块标记样本,论文首先利用无人机采集原始数据,结合几何纠正、影像镶嵌等数据预处理方法获得梯田正射影像,经过Open CV裁剪后,使用Labelme基于目视解译的方式标注样本集,最后利用数据增强技术生成像素级梯田田块语义分割数据集,为后续梯田田块识别研究奠定基础。（2）基于FCN的梯田田块识别方法研究。...
【文章页数】：86 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 高分辨率遥感梯田识别研究现状
1.2.2 深度学习在遥感领域的应用研究现状
1.2.3 研究现状分析
1.3 研究内容
1.4 论文组织结构
第二章 相关理论基础
2.1 卷积神经网络
2.1.1 人工神经网络
2.1.2 CNN的结构与原理
2.1.3 CNN的特性
2.2 经典的卷积网络模型
2.2.1 LeNet-5模型
2.2.2 Alex Net模型
2.2.3 VGGNet模型
2.3 全卷积神经网络
2.3.1 FCN的原理
2.3.2 激活函数
2.3.3 欠拟合与过拟合
2.3.4 FCN的结构
2.4 概率图模型
2.4.1 概率图模型的分类
2.4.2 概率图模型的参数估计和推断
2.4.3 马尔科夫网络
2.5 条件随机场
2.5.1 CRF的定义
2.5.2 CRF的势函数
2.6 精度评价
2.7 本章小结
第三章 梯田田块语义分割数据集生成方案
3.1 梯田田块语义分割数据集的构建方案
3.1.1 数据采集
3.1.2 数据预处理
3.2 样本集自动裁剪方案
3.2.1 实验环境
3.2.2 样本集自动裁剪
3.3 样本集标注方案
3.3.1 实验环境
3.3.2 样本集标注
3.4 数据增强方案
3.5 本章小结
第四章 基于FCN的梯田田块识别
4.1 基于FCN的梯田田块识别方法的设计
4.1.1 FCN模型构建
4.1.2 主要函数
4.1.3 dropout方法
4.1.4 特征提取的可视化
4.2 基于FCN的梯田田块识别方法的实现
4.2.1 实验环境
4.2.2 方法流程
4.2.3 训练过程
4.3 FCN方法的实验结果与分析
4.4 本章小结
第五章 基于CRF的梯田田块识别结果优化
5.1 方法构造
5.1.1 一阶势函数
5.1.2 成对势函数
5.1.3 邻域结构设计
5.2 方法流程与函数求解
5.2.1 方法流程
5.2.2 参数寻优
5.2.3 平均近似场求解法
5.3 CRF优化方法的结果与分析
5.4 方法对比
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]机载遥感系统在精准农业中的应用（英文）[J]. 杨成海. 智慧农业(中英文). 2020(01)
[2]Softmax分类器深度学习图像分类方法应用综述[J]. 万磊,佟鑫,盛明伟,秦洪德,唐松奇. 导航与控制. 2019(06)
[3]基于地形特征的无人机遥感梯田影像边缘提取方法[J]. 杨亚男,康洋,樊晓,常亚栋,张瀚文,张宏鸣. 智慧农业. 2019(04)
[4]国家水土保持监测点发展思考[J]. 乔殿新. 中国水土保持. 2019(06)
[5]基于改进R-FCN的遥感图像舰船检测[J]. 王健林,吕晓琪,张明,李菁. 激光与光电子学进展. 2019(16)
[6]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰. 计算机科学. 2019(03)
[7]无人机遥感在农田信息监测中的应用进展[J]. 纪景纯,赵原,邹晓娟,宣可凡,王伟鹏,刘建立,李晓鹏. 土壤学报. 2019(04)
[8]智慧农业发展现状及战略目标研究[J]. 赵春江. 智慧农业. 2019(01)
[9]农业遥感卫星发展现状及我国监测需求分析[J]. 陈仲新,郝鹏宇,刘佳,安萌,韩波. 智慧农业. 2019(01)
[10]基于全卷积神经网络的云杉图像分割算法[J]. 陈锋军,王成翰,顾梦梦,赵燕东. 农业机械学报. 2018(12)
博士论文
[1]结合深度网络与概率图的连续动作识别方法研究[D]. 雷军.国防科技大学 2017
[2]多源遥感数据测绘应用关键技术研究[D]. 芮杰.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[3]高分辨率遥感影像变化检测的关键技术研究[D]. 祝锦霞.浙江大学 2011
硕士论文
[1]基于深度卷积网的迁移学习技术研究[D]. 王平.大连交通大学 2018
[2]基于深度学习U-Net模型的高分辨率遥感影像分类方法研究[D]. 许慧敏.西南交通大学 2018
[3]基于面向对象分析的无人机影像梯田田面提取研究[D]. 薛牡丹.西北农林科技大学 2018
[4]基于卷积神经网络的人体姿态估计[D]. 张玉立.哈尔滨工程大学 2018
[5]基于深度学习与条件随机场结合的遥感图像分类[D]. 夏梦.南京理工大学 2018
[6]图像分类中的卷积神经网络方法研究[D]. 李明威.南京邮电大学 2016
[7]基于概率图模型的图像语义分割技术研究[D]. 张晓雪.厦门大学 2014
[8]基于Spot5遥感影像提取水土保持信息的研究[D]. 杨蕾.西北大学 2006
本文编号：3665041
【文章页数】：86 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 高分辨率遥感梯田识别研究现状
1.2.2 深度学习在遥感领域的应用研究现状
1.2.3 研究现状分析
1.3 研究内容
1.4 论文组织结构
第二章 相关理论基础
2.1 卷积神经网络
2.1.1 人工神经网络
2.1.2 CNN的结构与原理
2.1.3 CNN的特性
2.2 经典的卷积网络模型
2.2.1 LeNet-5模型
2.2.2 Alex Net模型
2.2.3 VGGNet模型
2.3 全卷积神经网络
2.3.1 FCN的原理
2.3.2 激活函数
2.3.3 欠拟合与过拟合
2.3.4 FCN的结构
2.4 概率图模型
2.4.1 概率图模型的分类
2.4.2 概率图模型的参数估计和推断
2.4.3 马尔科夫网络
2.5 条件随机场
2.5.1 CRF的定义
2.5.2 CRF的势函数
2.6 精度评价
2.7 本章小结
第三章 梯田田块语义分割数据集生成方案
3.1 梯田田块语义分割数据集的构建方案
3.1.1 数据采集
3.1.2 数据预处理
3.2 样本集自动裁剪方案
3.2.1 实验环境
3.2.2 样本集自动裁剪
3.3 样本集标注方案
3.3.1 实验环境
3.3.2 样本集标注
3.4 数据增强方案
3.5 本章小结
第四章 基于FCN的梯田田块识别
4.1 基于FCN的梯田田块识别方法的设计
4.1.1 FCN模型构建
4.1.2 主要函数
4.1.3 dropout方法
4.1.4 特征提取的可视化
4.2 基于FCN的梯田田块识别方法的实现
4.2.1 实验环境
4.2.2 方法流程
4.2.3 训练过程
4.3 FCN方法的实验结果与分析
4.4 本章小结
第五章 基于CRF的梯田田块识别结果优化
5.1 方法构造
5.1.1 一阶势函数
5.1.2 成对势函数
5.1.3 邻域结构设计
5.2 方法流程与函数求解
5.2.1 方法流程
5.2.2 参数寻优
5.2.3 平均近似场求解法
5.3 CRF优化方法的结果与分析
5.4 方法对比
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]机载遥感系统在精准农业中的应用（英文）[J]. 杨成海. 智慧农业(中英文). 2020(01)
[2]Softmax分类器深度学习图像分类方法应用综述[J]. 万磊,佟鑫,盛明伟,秦洪德,唐松奇. 导航与控制. 2019(06)
[3]基于地形特征的无人机遥感梯田影像边缘提取方法[J]. 杨亚男,康洋,樊晓,常亚栋,张瀚文,张宏鸣. 智慧农业. 2019(04)
[4]国家水土保持监测点发展思考[J]. 乔殿新. 中国水土保持. 2019(06)
[5]基于改进R-FCN的遥感图像舰船检测[J]. 王健林,吕晓琪,张明,李菁. 激光与光电子学进展. 2019(16)
[6]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰. 计算机科学. 2019(03)
[7]无人机遥感在农田信息监测中的应用进展[J]. 纪景纯,赵原,邹晓娟,宣可凡,王伟鹏,刘建立,李晓鹏. 土壤学报. 2019(04)
[8]智慧农业发展现状及战略目标研究[J]. 赵春江. 智慧农业. 2019(01)
[9]农业遥感卫星发展现状及我国监测需求分析[J]. 陈仲新,郝鹏宇,刘佳,安萌,韩波. 智慧农业. 2019(01)
[10]基于全卷积神经网络的云杉图像分割算法[J]. 陈锋军,王成翰,顾梦梦,赵燕东. 农业机械学报. 2018(12)
博士论文
[1]结合深度网络与概率图的连续动作识别方法研究[D]. 雷军.国防科技大学 2017
[2]多源遥感数据测绘应用关键技术研究[D]. 芮杰.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[3]高分辨率遥感影像变化检测的关键技术研究[D]. 祝锦霞.浙江大学 2011
硕士论文
[1]基于深度卷积网的迁移学习技术研究[D]. 王平.大连交通大学 2018
[2]基于深度学习U-Net模型的高分辨率遥感影像分类方法研究[D]. 许慧敏.西南交通大学 2018
[3]基于面向对象分析的无人机影像梯田田面提取研究[D]. 薛牡丹.西北农林科技大学 2018
[4]基于卷积神经网络的人体姿态估计[D]. 张玉立.哈尔滨工程大学 2018
[5]基于深度学习与条件随机场结合的遥感图像分类[D]. 夏梦.南京理工大学 2018
[6]图像分类中的卷积神经网络方法研究[D]. 李明威.南京邮电大学 2016
[7]基于概率图模型的图像语义分割技术研究[D]. 张晓雪.厦门大学 2014
[8]基于Spot5遥感影像提取水土保持信息的研究[D]. 杨蕾.西北大学 2006
本文编号：3665041
本文链接：https://www.wllwen.com/kejilunwen/nykj/3665041.html
