隨著精準(zhǔn)林業(yè)技術(shù)的發(fā)展,快速準(zhǔn)確進(jìn)行植被識(shí)別的需求日益增加,但現(xiàn)有的基于衛(wèi)星和無人機(jī)遙感數(shù)據(jù)的植被識(shí)別方法,存在人工篩選特征復(fù)雜、識(shí)別精度低和運(yùn)行速度慢等問題�；诖�,本文提出了基于深度學(xué)習(xí)的無人機(jī)影像植被識(shí)別方法,構(gòu)建了全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Network,FCN),通過多尺度特征融合方法實(shí)現(xiàn)了 5個(gè)FCN變種模型,并針對(duì)浙江省安吉縣和北京市鷲峰森林公園兩個(gè)研究區(qū)進(jìn)行植被識(shí)別。為了進(jìn)一步縮減模型大小和提高識(shí)別速度,本文設(shè)計(jì)了基于模型壓縮和多尺度特征融合的全卷積神經(jīng)網(wǎng)絡(luò)(MobileNet Fully Convolutional Network,MFCN),實(shí)現(xiàn)了 5個(gè)MFCN變種模型。本方法能夠自動(dòng)提取和學(xué)習(xí)圖像中的特征,實(shí)現(xiàn)端到端的訓(xùn)練和識(shí)別,與ENVI軟件的基于像素的分類方法和eCognition軟件的面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行對(duì)比,結(jié)果表明:FCN-8s模型對(duì)植被識(shí)別效果最好,對(duì)于林草地和農(nóng)田的平均整體準(zhǔn)確率為88.95%,對(duì)側(cè)柏、油松和櫟樹的平均整體準(zhǔn)確率為83.40%。MFCN-2s模型識(shí)別精度略低于FCN-8s,但運(yùn)行時(shí)間最短,耗時(shí)3.35s...

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 無人機(jī)遙感技術(shù)研究現(xiàn)狀
        1.2.2 基于衛(wèi)星遙感數(shù)據(jù)的植被識(shí)別研究現(xiàn)狀
        1.2.3 基于無人機(jī)遙感數(shù)據(jù)的植被識(shí)別研究現(xiàn)狀
        1.2.4 深度學(xué)習(xí)圖像識(shí)別技術(shù)研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 組織結(jié)構(gòu)
2 相關(guān)理論基礎(chǔ)
    2.1 深度學(xué)習(xí)基礎(chǔ)
        2.1.1 人腦視覺機(jī)理與生物神經(jīng)元
        2.1.2 從淺層學(xué)習(xí)到深度學(xué)習(xí)
        2.1.3 神經(jīng)網(wǎng)絡(luò)與反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 常用的卷積神經(jīng)網(wǎng)絡(luò)
    2.3 深度學(xué)習(xí)框架
    2.4 GPU加速技術(shù)
    2.5 本章小結(jié)
3 數(shù)據(jù)獲取與處理
    3.1 研究區(qū)域概況
        3.1.1 浙江省安吉縣
        3.1.2 北京市鷲峰森林公園
    3.2 無人機(jī)影像獲取平臺(tái)
    3.3 無人機(jī)影像預(yù)處理及拼接方法
        3.3.1 原始數(shù)據(jù)準(zhǔn)備
        3.3.2 數(shù)據(jù)導(dǎo)入與處理
        3.3.3 生成點(diǎn)云與正射影像
    3.4 數(shù)據(jù)集建立
        3.4.1 數(shù)據(jù)劃分
        3.4.2 數(shù)據(jù)標(biāo)注方法
    3.5 本章小結(jié)
4 識(shí)別方法
    4.1 全卷積神經(jīng)網(wǎng)絡(luò)
    4.2 基于多尺度特征融合的全卷積神經(jīng)網(wǎng)絡(luò)識(shí)別方法
        4.2.1 基于VGGNet-16的全卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)
        4.2.2 多尺度特征融合方法
        4.2.3 模型訓(xùn)練與參數(shù)選擇
    4.3 基于模型壓縮與多尺度特征融合的全卷積神經(jīng)網(wǎng)絡(luò)識(shí)別方法
        4.3.1 模型壓縮與加速
        4.3.2 基于MobileNet的全卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)
        4.3.3 多尺度特征融合方法
        4.3.4 參數(shù)選擇與模型訓(xùn)練
    4.4 本章小結(jié)
5 實(shí)驗(yàn)結(jié)果與分析
    5.1 評(píng)價(jià)標(biāo)準(zhǔn)原理與指標(biāo)
    5.2 基于無人機(jī)影像的農(nóng)田、林草地識(shí)別
        5.2.1 識(shí)別結(jié)果
        5.2.2 精度評(píng)價(jià)
        5.2.3 林草地和農(nóng)田的面積計(jì)算
    5.3 基于無人機(jī)影像的側(cè)柏、油松、櫟樹樹種識(shí)別
        5.3.1 識(shí)別結(jié)果
        5.3.2 精度評(píng)價(jià)
        5.3.3 樹種區(qū)域的面積計(jì)算
    5.4 識(shí)別速度評(píng)價(jià)
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)介
導(dǎo)師簡(jiǎn)介
獲得成果目錄
致謝



本文編號(hào)：3804018