给大家推荐6篇关于无人机遥感的计算机专业论文

今天分享的是关于无人机遥感的6篇计算机毕业论文范文, 如果你的论文涉及到无人机遥感等主题,本文能够帮助到你

基于无人机遥感的松材线虫病树检测分级方法研究

这是一篇关于松材线虫病,无人机遥感,深度学习,YOLO的论文, 主要内容为由松材线虫引起的松材线虫病在全球内发展迅速,造成松树大量死亡。中国是受松材线虫病影响最严重的国家,自1982年首次发现至今,已造成严重的经济损失。及时有效的发现松材线虫病树并对其染病程度进行分级工作是控制疫情传播的重要手段,是中国松材线虫病防控工作的核心之一。然而,基于无人机遥感的松材线虫病树识别与分级工作存在识别精度低、识别速度慢、分级精度低等问题。为解决上述问题,本文以松材线虫病树的识别分级为目标,构建基于深度学习的松材线虫病树识别模型和松材线虫病树分级模型,实现对基于无人机遥感的松材线虫病树监测。具体研究内容如下:(1)基于无人机遥感与深度学习的松材线虫病树识别方法针对在复杂地形地物环境下,传统基础模型因遮挡、背景等原因对病树特征提取能力弱,检测精度偏低,易出现误检漏检的问题;且考虑到覆盖广域林区产生海量数据,检测模型速度偏慢导致检测过程漫长。同时单一可见光图像识别方式存在精度较低的问题,单一多光谱识别方式会受到“同物异谱”和“异物同谱”现象的影响,从而出现各种误检、漏检状况,影响变色木的识别精度。为此,提出一种基于改进YOLOv5l的松材线虫病树识别方法。通过改变主干网络、使用注意力机制等提升模型对多光谱图像与可见光图像多尺度、多种类特征的有效提取与融合能力,降低模型复杂度,包括使用两种注意力机制CBAM和CA结合、使用Bi FPN结构、使用Ghost Net以及Transformer结构改进模型,提升模型的精准度,减少参数量,提升检测速度。实验结果表明,改进后的融合多光谱图像与可见光图像的检测模型参数量为46.69MB,平均检测时间为0.064s/张,m AP@0.5达到0.987,可以快速精确的对无人机遥感图像的松材线虫病树进行检测。(2)基于无人机遥感与深度迁移学习的松材线虫病树分级方法现有工作大多针对松材线虫病树识别问题,缺少对病树的快速分级,对病树进行不同感染程度划分可以针对性的使用不同的防治手段,有效控制疫情传播。因此提出一种基于无人机遥感和深度迁移学习的松材线虫病树分级方法。该方法以多光谱可见光图像融合的迁移学习为基础,利用改进后的YOLOv7x模型对树进行识别和分级工作。通过提出一种大感受野与分支注意力机制的基础特征提取单元,结合平衡特征提取与特征融合的ELAN,然后通过训练策略优化,解决不同时期病树界限模糊对于分级工作带来的难题。实验结果表明,改进后的YOLOv7x模型,对早期病树的检测精度达到0.937,对中期病树的检测精度达到0.951,对晚期病树的检测精度达到0.942,对枯死木的检测精度达到0.926,平均精度均值m AP@0.5为0.939,可以精确的对无人机遥感图像的松材线虫病树进行分级工作。

复杂大田场景下的小麦麦穗识别计数方法研究

这是一篇关于麦穗,单位面积,无人机遥感,目标检测,深度学习的论文, 主要内容为小麦估产是检验育种成果的一项重要工作,亩穗数是小麦产量的构成要素之一,也是合理统筹种植策略的一项重要指标。为了实现快速准确地麦穗计数,本研究根据不同数据采集平台面临的农业问题,基于地面大田麦穗图像和无人机遥感大田麦穗图像,构建小麦麦穗图像数据集,分别建立基于地面影像的单位面积大田麦穗检测方法和基于无人机遥感影像的大田区域麦穗检测方法,并研发在线的小麦麦穗检测计数系统。主要内容如下:(1)建立地面大田麦穗图像数据集和无人机遥感大田麦穗图像数据集。通过智能手机在距离小麦冠层上方0.9-1.1 m处拍摄,构建地面大田麦穗图像数据集。基于可见光无人机遥感技术,利用无人机图像高通量的特点,获取大田环境下飞行高度为5 m的麦穗图像,构建无人机遥感大田麦穗图像数据集。为后续建立麦穗识别模型和小麦麦穗检测计数系统提供数据基础。(2)提出一种基于地面影像的单位面积大田麦穗检测方法,利用采样框实现单位面积麦穗检测计数。首先,设计了一种简单的单位面积采样框,通过训练角点检测网络识别采样框,以提取单位面积小麦区域;其次,针对麦穗目标较小且检测中存在的目标密集和相互遮挡问题,在麦穗检测网络的特征融合层,采用上下文信息进行特征重组的上采样方法结合迭代注意力特征融合模块,增加对麦穗空间信息和语义信息的提取。试验结果表明,改进的YOLOX-m模型改善了对密集麦穗和遮挡麦穗的检测效果,其精确率、召回率、平均精确度和F1值分别为96.83%、91.29%、92.29%和93.97%,与SSD、Center Net和原YOLOX-m模型相比,平均精确度分别提升了10.26、8.2和1.14个百分点。(3)提出一种基于无人机遥感影像的大田区域麦穗检测方法,利用地面采样点直接实现大田区域内的麦穗检测计数。首先,采用滑动式裁剪的方式对大尺度的遥感图像按顺序进行裁剪;其次,将裁剪后的图像依次输入基于YOLOX-s的区域检测网络和YOLOv7的麦穗检测网络进行大田区域内的麦穗检测,针对无人机影像下麦穗目标较小且密集、遮挡严重的问题,采用迁移学习策略和非最大加权算法,增加麦穗检测网络的识别精度;最后将识别结果进行合并。试验结果表明,采用迁移学习策略和非最大加权算法的YOLOv7模型提高了对密集麦穗和遮挡麦穗的检测效果,其精确率、召回率、平均精确度和F1值分别为94.05%、94.74%、94.25%和94.39%,与SSD、Center Net、YOLOX-m和原YOLOv7模型相比,平均精确度分别提升了16.3、7.28、3.11和1.05个百分点。(4)构建小麦麦穗检测计数系统。为了方便农业工作者使用模型,将模型部署到云端,设计在线的小麦麦穗检测计数系统。该系统提供了麦穗检测计数、单位面积麦穗检测计数和大规模农田麦穗计数三大功能。利用拍摄的麦穗图像对系统进行测试,测试结果显示系统可以快速自动计数,从而代替人工计数,提高计数效率。

无人机遥感影像数据管理与可视化系统的设计与实现

这是一篇关于无人机遥感,数据管理,元数据,数据集,系统集成的论文, 主要内容为近年来,随着无人机技术的快速发展以及各类传感器的相继问世,无人机遥感在农业、林草业、电力、测绘、灾害应急响应等多个领域得到广泛应用,高时空分辨率以及高光谱分辨率数据呈几何级数增长。如何高效、快捷、有效管理这些多源、多尺度、多时相的无人机遥感数据,对无人机遥感的应用研究具有重要现实意义。本文聚焦无人机多源遥感数据的组织、管理与共享,开展基于无人机可见光、多光谱以及高光谱数据的管理研究,以期实现无人机遥感数据的高效存储、快速查找、在线浏览与便捷共享。主要研究内容及结论如下:(1)无人机多源遥感数据的组织与管理。从影像数据的组织管理与元数据标准制定角度出发,针对影像数据的存储结构多元化以及数据存储命名不规范等问题,设计了一种面向无人机多源遥感数据管理的数据组织目录结构及相应的数据存储命名规范;结合相关行业标准,对元数据的详细内容进行设计,通过算法设计,借助Python地理位置信息库完成多源异构遥感数据的自动提取,将提取到的元数据信息批量插入到数据库中进行综合管理,实现了元数据的精确表达和元数据内容的快速检索。(2)公开数据集的制作与发布。结合新疆地区农作物实际种植情况,选择棉花为数据采集对象,通过大疆M600搭载Rikola高光谱传感器,分别获取棉花苗期、蕾期、花期、盛花期、铃期、盛铃期以及吐絮期共计7期高光谱数据,经数据预处理操作,得到7个生育期的棉花高光谱正射影像。利用地面ASD数据对机载棉花高光谱数据的光谱精度进行验证,结果表明:Rikola成像光谱仪和ASD地物光谱仪波长在503～850nm区间,反射率曲线趋势具有良好的一致性,“绿峰特征”,“红谷特征”,“红边特征”三种典型光谱特征表现基本吻合。该数据集不仅可以较好地反映棉花不同生长周期的光谱特征变化规律,还能够为棉花的低空遥感精细监测提供样本数据。(3)无人机多源遥感数据管理与可视化系统实现。针对无人机多源遥感数据组织管理困难,数据查找效率低,数据分散等问题,开发了一套基于无人机可见光、多光谱以及高光谱类型的数据管理与可视化系统。使用关系数据库My SQL以及文件管理系统对元数据和影像数据进行集中存储,采用B/S模式架构,依据原始数据中提取到的元数据信息,构建基于元数据内容的模糊检索以及空间索引。通过Web GIS技术实现影像服务的发布与调用,实现无人机遥感影像的在线浏览与显示。

面向通信塔倒塌的风险区语义分割与危害等级评估研究

这是一篇关于通信塔倒塌,无人机遥感,语义分割,模糊综合评价法,危害评估的论文, 主要内容为无人机航拍已经成为通信塔巡检主要方式,通过分析通信塔巡检时拍摄的高空间分辨率影像,能及时获取通信塔倒塌风险区(以通信塔位置为中心,塔高为半径的范围)内最新的地物种类、地物覆盖面积等地理环境信息,基于此类信息,可以进行假定通信塔倒塌后的危害等级评估,评估结果可以作为相关部门安全决策的参考。为此,本文设计了一种改进的Deeplabv3+模型,提高风险区影像地物分割能力,采用模糊综合评价方法评估通信塔倒塌危害等级,提高通信塔倒塌危害等级评估的科学性。本文从以下方面进行相关研究:(1)地物分割数据集的制作和地物分割基线模型的选取。首先通过遥感影像目视解译和现场调研,选定通信塔倒塌风险区内出现频率较高的道路、房屋、工厂、大棚、耕地五种重要地物作为研究类别,然后借助Labelme工具手工标注从大量的无人机遥感影像中筛选出的部分影像,并以一定的重叠度对大尺寸影像进行切分,最终所得的数据集包含1427张影像。使用DFANet、Bi Se Net V2和Deeplabv3+三种主流语义分割模型在地物分割数据集上进行实验,结果表明Deeplabv3+模型要优于其他两个模型,因此选择Deeplabv3+作为地物分割的基线模型。(2)Deeplabv3+模型的改进。针对Deeplabv3+模型在地物分割任务中分割边界不够清晰、模型参数量过大的问题,对其进行改进,提出了基于Deeplabv3+的融合边缘特征和多级上采样的语义分割模型(Fusion of Edge Feature and Multi-level Upsampling in Deeplabv3+,EMNet)。EMNet以轻量级的Mobile Net V2为主干网络,在编码器中增加了一个边缘检测分支,利用边缘特征提高语义分割的准确性。在解码器中,设计了一种多级上采样方法,增强编码器与解码器之间连接的紧密性,以保留高层次的语义信息(目标的位置和边界信息)。实验结果表明,EMNet的m Io U和m PA指标在自制数据集上比Deeplabv3+分别提高了1.01%和0.62%,在数据集UAVid上分别提高了7.11%和6.93%,同时在模型参数量上比Deeplabv3+减少49M,证实了EMNet在地物分割任务中同时保持模型轻量化和高分割精度。因此选择EMNet作为通信塔倒塌风险区影像地物分割模型,将基于该模型的分割结果推算风险区内出现的重要地物的实地面积。(3)基于模糊综合评价法构建通信塔倒塌危害等级评估模型。结合本文的应用特性,从模糊综合评价法角度出发,讨论以道路、房屋、工厂、大棚、耕地五类地物面积作为因素集的合理性,通过专家问卷调查法确定以上五类地物面积的分级标准。根据地物类别的权重,建立模糊推理规则,基于风险区范围内的地物面积推导通信塔倒塌的危害等级,从而减少通信塔倒塌危害等级评估时的人工成本以及主观臆断对评估结果的影响。本文的研究为探索性研究,以南昌市的通信塔影像为例,评估通信塔倒塌的危害等级,得到了较为合理的评估结果,证明了本文所使用方法的有效性,能够为通信安全管理部门和政府的相关决策提供参考和方法。

基于无人机高光谱影像的水稻分蘖数监测方法研究

这是一篇关于无人机遥感,水稻,分蘖数,冠层高光谱,监测模型的论文, 主要内容为分蘖数是评估水稻分蘖期生长状况和产量潜力的重要指标之一。实时监测以及评估水稻分蘖数对于田间变量水肥管理、水稻长势监测以及产量估测等具有重要意义。在水稻分蘖期内,过度依赖经验的均一施肥方法往往会导致分蘖肥过量使用和农学效率低下等问题,采用基于水稻实际分蘖数的变量控水施肥管理可提升水稻群体有效分蘖,从而提高产量。变量控水施肥管理的实施关键在于水稻群体分蘖数的快速、准确监测。传统的水稻分蘖数的监测主要依靠人工田间实测,这种方法存在费时费力、周期长、过度依赖经验判断,无法满足大规模、快速、高效的监测需求。随着无人机遥感技术在精准农业中的广泛应用,为水稻分蘖数快速、准确、高效、监测提供了技术支撑。本研究以东北地区水稻分蘖期分蘖数监测为研究对象,设计不同插秧丛距、不同施肥密度处理下的农学正交试验。利用无人机遥感技术采集试验田空间数据,同时结合田间实测数据构建水稻分蘖数监测数据集;采用三种不同的分类算法从高光谱数据中提取纯净水稻光谱数据,并对比分析提取结果;采用四种预处理方法对纯净水稻光谱数据进行去噪,并对比分析去噪结果;利用两种降维方法对水稻光谱数据进行特征波段提取以及构建光谱指数;利用多特征波段组合以及多光谱指数组合,构建三种水稻分蘖数监测模型,实现大田水稻分蘖数精准预测。主要研究成果如下:(1)时空水稻分蘖数监测数据集构建。本研究采用无人机搭载高光谱传感器在水稻分蘖期采集冠层高光谱,同时采用无人机搭载数码相机获取水稻冠层正射数码影像,将两个数据进行空间配准;同时地面实测样本区水稻分蘖数以及利用手持RTK记录样本区地理位置信息,利用上述采集数据构建具有时序和空间的水稻分蘖数监测数据集共360组,其中分蘖初期80组、分蘖盛期80组、有效分蘖临界期200组。(2)基于决策树算法的纯净水稻光谱提取与分析。本研究基于无人机遥感平台获取水稻分蘖期三个不同阶段的光谱影像数据。采用无监督高斯混合模型、支持向量机、决策树三种方法对影像进行分类处理,提取出纯净的水稻光谱信息。通过构建混淆矩阵对分类方法进行对比分析得出,采用决策树分类方法对水稻光谱数据分类结果最佳,其分类精度为91.1357%,Kappa系数为0.8172。(3)基于奇异值分解算法的光谱数据预处理。本研究基于提取后的纯净水稻光谱数据,分别采用S-G平滑、Loess平滑、小波平滑后一阶导数处理以及奇异值分解平滑方法进行去噪预处理,并通过构建梯度提升回归模型进行对比分析。结果表明,奇异值分解平滑方法对噪声处理效果较好,训练集与测试集的R2和RMSE分别为:0.72970、0.8190和1.0670、0.8630,相较于其他预处理方法,明显表现出更好的效果,可以有效地消除或减少光照等外部环境因素的干扰,增加构建模型的效率和准确性。(4)基于RNCA和UVE-CARS算法的分蘖数监测光谱响应特性分析与特征提取。本研究基于经过去噪预处理后的光谱数据,采用正则近邻成分分析(RNCA)和UVE-CARS方法筛选水稻分蘖期三个不同阶段的水稻光谱数据的特征波段。将两种方法筛选出的特征波段分别与分蘖数进行相关性分析,其中筛选出分蘖初期、分蘖盛期以及有效分蘖临界期各自的特征波段,分别为10个、14个、15个,两种方法结合能够明显减少数据维度,消除冗余信息。此外,通过绘制决定系数R2的等势图,筛选出分蘖期不同阶段下最优的NDSI、DSI以及RSI光谱指数,其中分蘖初期最佳组合NDSI为((542))和((777))、DSI为((632))和((844))、RSI为((542))和((844)),分蘖盛期最佳组合NDSI为((725))和((812))、DSI为((725))和((826))、RSI为((721))和((802)),有效分蘖临界期最佳组合NDSI为((582))和((626))、DSI为((798))和((830))、RSI为((596))和((707))。(5)基于LSTM水稻分蘖数监测模型构建。本研究采用随机森林(RF)、粒子群-极限学习机(PSO-ELM)以及长短期记忆神经网络(LSTM)三种方法各自对的水稻分蘖数构建监测模型并分析。模型预测结果表明,LSTM监测模型在采用多特征波段组合或多植被指数组合作为输入时,均表现出最佳的预测效果。