森林火灾是一种突发性强、破坏性大且处置救助较为困难的自然灾害，会对森林、森林生态系统和人类带来一定危害和损失。早期的林火判别多基于温度、烟雾以及２４小时图像监测实现，主观性强，标准单一，且误报率高。如何快速发现林火目标并及时报警扑灭，已经成为国内外学者研究的热点之一。文章基于红外热像仪，对大量森林背景及模拟林火状态进行了图像和温度数据的采集，首次提出了基于温度标准差方法进行热源识别的概念，得出了不同地点、不同时间段森林背景的温度标准差分布，以及明火温度在各阶段的波动范围，为林火的预防和监测提供了重要依据。同时，通过对干扰源进入前后的红外图像进行预处理和分析，对比目标热源的像素面积变化率及其圆形．．．

为建立果树花期树种识别的有效模型,利用ASD Field Spec 3全波段便携式光谱分析仪采集了4种果树花期花的光谱数据。利用剔除异常光谱、5点移动平滑等技术对4种果树花期花的光谱反射率进行预处理,使用连续投影算法(SPA)进行有效波长选取并获得7个波长下的反射光谱,同时增加了590 nm和720 nm处2个波形差异大的光谱,与归一化植被指数(INDV)和比值植被指数(IRV)共11个特征波段作为分类建模数据,建立了偏最小二乘判别分析(PLS-DA),正交偏最小二乘判别分析(O-PL-DA)和基于误差反

为了在生产过程中实现液体粘度的在线监测,提出一种结合数字图像处理和液滴分析技术的液体粘度识别方法。通过实验获得不同粘度液滴的形成及生长过程图像,利用图像处理技术得到液滴生成周期的轮廓特征数据,并采用随机森林特征选择(RFFS)算法选择高质量特征子集作为输入,对麻雀搜索算法(SSA)优化的SVR模型进行训练,获得能够识别目标液体动力粘度的软测量模型。研究结果表明,基于SSA-SVR软测量模型的液体粘度识别方法能够快速有效识别液体的动力粘度,在所研究的粘度范围内检测精度优于传统测量方法,为液体粘度非接触检测提供了一种新的测量思路。

提出一种基于核主成分分析(KPCA)和自适应增强(AdaBoost)的木材识别算法。通过把图像投影到KPCA高维空间,利用PCA方法对该空间中的数据进行特征提取和压缩,使用Gentle AdaBoost进行分类。结果表明:本方法对基于横切面微观构造图像的木材识别,具有较高的识别率和算法鲁棒性且运行时间快的特点。

【目的】应用计算机图像处理技术提取昆虫图像特征,提出一种新的特征选择技术筛选昆虫识别相关的特征,以准确、快速地识别出鳞翅目昆虫种类。【方法】基于开源的利兹蝴蝶数据集和拍摄的以森林鳞翅目昆虫为主的数据集,采用改进的纹理特征提取算法(DRLBP)提取鳞翅目昆虫图像纹理特征,应用汉明距离计算的粒子间距离度量种群多样性,提出进化过程中自动调整多样性的方法,给出二进制自适应差分进化算法(BADE)。利用BADE算法筛选合适的较小维数的纹理特征子集,并用基于概率协同表示的分类器(PROCRC)进行图像分类。【结果】PROCRC分类器在所有数据集上均展现出良好分类效果,平均识别率分别为81.73%和88.18%。经特征选择后的昆虫的分类精度显著提升,最高提升率达13.49%。BADE的性能高于其他特征选择算法,且经BADE算法特征选择后纹理数据集的维数和分类所需时间均显著下降,其降维率接近50%,时间减少率最高达50%。【结论】BADE算法可有效进行特征选择,提高识别精度,节约模型的识别时间,利用群体智能优化算法对鳞翅目昆虫图像进行特征选择的方法具有可行性,DRLBP和BADE算法相结合的鳞翅目昆虫识别方法在农林昆虫的快速、准确识别中具有广阔应用前景。

针对电气设备运行状态图像的特点,提出将支持向量机(SVM)分类器应用于多种电气设备运行状态识别中。首先利用C-均值聚类法,分割出运行状态指示牌的汉字或数字部分;再利用K-L变换提取出运行状态的特征向量;最后利用支持向量机分类方法进行状态识别。试验结果表明:支持向量机分类方法对于小样本情况,具有良好的分类能力,适合多种电气设备运行状态的分类,并能获得比神经网络方法更好的识别性能。不同的分类核函数的相互比较分析表明,Sigmoid核函数最适合电气设备运行状态的分类识别。

基于钻孔电视图像的结构面调查是一种应用广泛的勘测方法,可为岩体质量评价和工程设计提供基础数据支撑。然而,复杂地层中结构面形态各异,宽度差异大且对比度低,传统算法难以准确完整地识别。为此,该文提出一种基于改进的U-Net网络模型的钻孔电视图像结构面识别方法。首先,采用更深层次的编码解码网络结构,处理对比度低导致的结构面局部断裂问题,并结合通道注意力机制和残差模块提高编码阶段各层级对结构面特征的提取能力。其次,在较低层级跳跃连接中引入多尺度空间注意力模块,提高对复杂形态结构面处理能力,丰富编码层结构面语义特征;同时,通道注意力也被用于充分融合来自编码层和解码层的多通道结构面信息。然后,通过利用与地质作用下地层变形类似的透视变形等方式扩增钻孔图像数据,并结合焦点损失和Dice损失进行联合训练,以减轻图像数据不平衡问题,增强网络泛化能力。最后,将同一钻孔图像作为训练集,邻近钻孔图像作为测试集进行消融和对比实验。结果表明,相比于已有相关网络模型,该文所提方法能更有效地针对复杂地层钻孔图像,较准确、完整地识别各类岩体结构面,精确率和召回率均超过77.00%,比改进前的U-Net网络分割效果分别提高了7.96%和14.99%。该文方法可为现场结构面钻孔调查以及岩体质量评价提供技术支撑。

[目的]新生仔猪目标检测是母猪分娩监测的关键环节。[方法]通过自制图像采集器采集母猪分娩视频图像,机器视觉系统获取分娩图像信息,选取Canny算子对图像进行边缘检测,采用Otsu算法对图像进行二值变换,应用滑动平均算法和形态学开运算对二值图像滤波消噪,提取图像最大连通域,利用团序列检测算法对母猪目标进行分割,对分割后区域进行仔猪目标识别。[结果]试验结果表明,团序列检测算法能够准确分割出母猪目标,检测仔猪目标的正确率达到95.5%。[结论]提出一种能够有效识别新生仔猪目标的方法,为仔猪的出生预警提供了技术

无论对于农业信息化还是对于生态保护,研究植物识别都是非常必要的。基于植物叶片的植物识别方法一直是植物学中的一个重要研究方向。植物叶片的颜色、形状、纹理等特征都可以用来作为识别依据(杜吉祥,2005;纪寿文等,2002;王晓峰等,

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。

【目的】为解决光照、背景和拍摄尺度等复杂因素对野生动物图像识别准确性的影响。【方法】以野外红外触发相机采集的野生动物图像为对象：1）利用ENA24和NACTI两个公开的野生动物数据集构建包含不相交领域数据集S1和S2，共11个动物类别，包含25 591幅图像；2）针对领域偏移问题，采用ResNet50网络作为特征提取模块构建领域对抗网络，有效减轻了领域偏移；3）引入Wasserstein距离和相关对齐的表征学习网络，建立了基于Wasserstein距离和相关对齐的迁移学习网络，用于特征提取和识别，挖掘迁移性的特征。【结果】采用平均准确率作为评价指标，ResNet50、DDC、DCORAL、DAN、DANN、CDAN、HAN和JTN这8个模型在11种野生动物上的识别表现分别为48.4%、51.6%、49.6%、52.6%、45.2%、50.9%、54.6%和53.5%；在改进残差模块的ResNet50基础上，并引入Wasserstein距离和相关对齐的表征学习网络后，与现有最佳方法相比，11种（类）野生动物的平均准确率提高了2.7%。【结论】基于Wasserstein距离和相关对齐的迁移学习方法在野生动物识别方面的平均准确率达到57.3%；引入Wasserstein距离和相关对齐的表征学习可有效提高野生动物识别模型的准确性。

通过对比有火和无火时森林红外背景温度标准差以及火燃烧的三维立体图像,利用热红外成像仪进行夜间林火的监测与识别试验.结果表明:即使夜晚时间和地点不同,森林背景温度标准差比较稳定,为1～9;夜晚明火阶段温度标准差为85～180,结合红外三维立体图像可判别林地夜晚是否有明火.动物体表监测的温度为20～30℃,波动小;而有火(包括余火)存在时,监测温度为50.8～275.0℃,波动大,可以排除动物体表的干扰.余火最高温度275℃,根据红外谱图的中心点温度可以判别余火.由此可得,使用热红外成像仪可对夜间林地是否有火情进行判别与监测.

图像是人类视觉对于物体或事物在系统中进行初步的识别后所形成的最终印象,是人类认识世界及人类本身的重要源泉。随数字化时代的到来,为了能够及时得到快捷并且清晰度较高、不失真等图像,借助现代化技术,数字图像处理技术应运而生。再现性、适用范围广、高效、灵活是数字图像技术最显著的应用优势。数字图像技术特点十分显著,目前在各行各业中发挥着至关重要的作用。

［目的／意义］ＳＡＯ是一种能够表示主题信息和主题间关系的３元组结构，是文献计量学领域一个快速发展的研究方向。为了获得＂满足文献计量分析需求的ＳＡＯ结构＂，需要解决现有ＳＡＯ结构识别方法遭遇的３个问题：查全和查准率低、所识别ＳＡＯ结构和领域主题相关性不强以及矩阵稀疏性。［方法／过程］提出一种面向文献计量分析的基于语法树的ＳＡＯ结构识别方法，首先基于共现算法和＂主题词簇＂方法（ｔｅｒｍ ｃｌｕｍｐｉｎｇ）识别ＳＡＯ核心组件，然后利用基于语法树的抽取算法实现ＳＡＯ结构的逐层抽取。［结果／结论］案例研究发现，该方法的平均查准率为０．８０５ ８，平均查全率为０．８４４ ６，所识别ＳＡＯ结构与领域主题关系．．．

电力设备的负荷曲线随着时间而变化,其本质上是时间序列数据.为此提出了一种新的通过负荷曲线识别电力设备的方法,该方法在多个粒度划分出的负载曲线上使用卷积神经网络作为基分类器构造出一个集成学习器来提高分类精度.首先我们对原始数据进行不同粒度的划分,得到若干不同的新数据集.其次使用这些新的数据集训练不同的基学习器,并根据验证集上的精度得到不同基学习器的权重.将测试样本按照相同的粒度划分方式得到不同的测试数据集,使用不同的基分类器对这些测试数据集进行测试,得到对应的预测标签.最后对不同基分类器预测的标签进行加权,并选出权重最大的那个标签作为预测标签.在实际的电力负荷数据上将该模型与单个CNN模型进行对比,实验结果表明,该模型具有更高的设备识别精度.