针对目前草原植被盖度和物候期监测中存在的连续工作能力差、自动监测能力弱和精确度较低问题,将固定监测、移动监测和云平台结合,研制了一种草原植被盖度与物候智能监测系统。该系统主要由固定监测子系统、移动监测子系统以及草原物候智能监测云平台组成。固定监测子系统主要由物候相机、供电模块、通信模块、边缘计算控制器和支撑立杆等组成,移动监测子系统主要包括手持机和应用程序。草原物候智能监测云平台基于浏览器/服务器模式架构设计,具有信息查询、数据分析、数据显示和数据共享等功能。固定监测子系统和移动监测子系统可实现草原植被图像数据的采集和上传,然后通过云服务器部署的图像处理程序自动提取草原植被指数和植被盖度并存入数据库。在此基础上,通过拟合植被指数的时间序列获得植被生长曲线,并利用TIMESAT软件提取物候参数。经测试,提出的利用过绿指数(excess green index,EXG)结合最大类间方差法分割草原植被图像进而实现草原植被盖度识别的方法获得了90%的精确度,满足草原植被盖度自动化和批量化提取需求。并且,该研究在提取相对绿度指数(green chromatic coordinate,GCC)、EXG与归一化红绿差分指数(normalized green red difference index,NGRDI)植被指数的基础上,采用Double Logistic函数拟合的植被生长曲线可以准确反映植被生长周期。该系统为草原植被数智化监测和管理提供了可靠的技术和数据支撑。
针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin ...
详细信息
针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin transformer,SSBY-CST),首先基于北京14处监测站在不同湿地场景下采集到的图像,构建了涵盖17种鸟类图像数据集,为模型鲁棒性提供可靠数据支撑。其次提出基于伪标签学习法的单阶段半监督学习框架,基于Yolov5主干网络构建教师学生模型,高效利用无标签数据提升检测性能;训练阶段使用双阈值伪标签分配策略替代传统单一阈值伪标签分配,以优化无监督损失函数。然后设计了结合CNN和Swin Transformer的双通道卷积模块CST,以提高不同类别鸟类与湿地背景的区分能力。试验结果表明,仅在100张标注图像下,该文SSBY-CST算法对17种复杂环境下鸟类的检测精准率和mAP@0.5分别为77.5%和58.2%,相比同时期较先进的YOLO模型提升了17.4个百分点和15.5个百分点,在少量标注的前提下实现了较高的检测性能提升,其中黑鹳、西伯利亚银鸥的m AP@0.5分别达到了95.7%和94.5%,相比基线提升了24.9个百分点和14.3个百分点。此外,消融试验分析了双阈值伪标签分配的作用及CST模块的效果,验证了双阈值伪标签分配与CST模块设计的有效性。该框架利用无标注样本在极少量标注量下提升复杂环境下细粒度鸟类检测性能,以加强农林生态的智能数字化管理。该文将半监督扩展到细粒度鸟类检测,为处理农林生态环境下的鸟类检测提供了技术路径。
暂无评论