检索结果-内蒙古大学图书馆

北京林业大学学报 2018年第8期40卷 123-131页

作者：刘文定李安琪张军国谢将剑鲍伟东北京林业大学工学院北京100083 林业装备与自动化国家林业和草原局重点实验室北京100083 北京林业大学生物科学与技术学院北京100083

【目的】利用红外自动感应相机对野生动物进行图像监测是对野生动物保护管理的有效手段,为了解决野外复杂背景环境导致的野生动物监测图像自动识别准确率低的问题,提出一种基于感兴趣区域(ROI)与卷积神经网络(CNN)的野生动物物种自动识... 详细信息

【目的】利用红外自动感应相机对野生动物进行图像监测是对野生动物保护管理的有效手段,为了解决野外复杂背景环境导致的野生动物监测图像自动识别准确率低的问题,提出一种基于感兴趣区域(ROI)与卷积神经网络(CNN)的野生动物物种自动识别方法。【方法】以红外自动感应相机在内蒙古赛罕乌拉国家自然保护区内拍摄的马鹿、斑羚、猞猁、狍和野猪这5种国家级陆生保护动物的图像为实验样本,采用基于回归算法的目标检测方法,对监测图像中野生动物区域进行检测并分割,生成ROI图像,减少复杂背景信息对物种识别的干扰;利用裁剪、仿射变换等方式对样本数据进行扩充;构建基于全局-局部的VGG16双通道网络模型对样本图像进行训练,最后接入分类器输出物种识别结果。同时,构建了基于VGG19的双通道网络模型对样本图像进行训练,并与本研究训练结果进行比较;另外,将样本图像分别输入本研究算法与VGG16、R-CNN、Fast R-CNN算法进行训练,对比不同算法下的识别效果。【结果】利用本研究模型对样本图像进行训练时,测试集的平均识别精度均值MAP达到0.912,相对于VGG19结构下的训练模型和VGG16、R-CNN、Fast R-CNN,得到了更高的MAP值。【结论】相比于其他算法,本研究提出的物种识别模型更适合于复杂背景下的野生动物监测图像的物种识别,可以得到更高的MAP值与更优的识别效果。

关键词：野生动物监测图像感兴趣区域卷积神经网络物种识别

来源：评论

学校读者我要写书评

暂无评论

道路缓冲隔离护栏填充蜂窝结构力学特性分析

道路缓冲隔离护栏填充蜂窝结构力学特性分析

引用

第四届中国国际复合材料科技大会(CCCM-4)

作者：曲云飞王典刘晋浩黄青青北京林业大学工学院北京100083 林业装备与自动化国家林业和草原局重点实验室北京100083

[目的]为提高道路护栏的缓冲与能量吸收性能，增强路况恶劣的关键路段防护安全性，对标国家标准及相关设计数据，提出一种基于双V副翼型负泊松比蜂窝结构填充物的道路缓冲隔离护栏。[方法]构建不同填充蜂窝胞元密度n与胞元排列层数l 的... 详细信息

[目的]为提高道路护栏的缓冲与能量吸收性能，增强路况恶劣的关键路段防护安全性，对标国家标准及相关设计数据，提出一种基于双V副翼型负泊松比蜂窝结构填充物的道路缓冲隔离护栏。[方法]构建不同填充蜂窝胞元密度n与胞元排列层数l 的数值模型与结构实体模型，对所述结构进行数值模拟校核并使用有限元分析软件对设计结构进行安全性验证。此外，将该新型结构护栏与现有的波形护栏的动态碰撞冲击性能进行分析对比。研究了蜂窝胞元密度n与胞元排列层数l 对结构整体弹性与吸能特性的影响。[研究结果和结论]结果表明，该设计具有优异的缓冲吸能特性，在 100km/h车速下该新型护栏相较于波形护栏吸能能力提高13倍以上且护栏整体结构完整，对路况恶劣的的关键路段采用基于双V副翼型负泊松比蜂窝结构填充物的护栏具有一定的指导意义。

关键词：负泊松比护栏碰撞有限元

来源：评论

学校读者我要写书评

暂无评论

基于全卷积神经网络的云杉图像分割算法

引用

农业机械学报 2018年第12期49卷 188-194,210页

作者：陈锋军王成翰顾梦梦赵燕东北京林业大学工学院北京100083 城乡生态环境北京实验室北京100083 德州农工大学园艺系大学城77843 林业装备与自动化国家林业局重点实验室北京100083

以云杉为研究对象提出了应用全卷积神经网络(Fully convolutional networks,FCN)分割图像的算法。利用无人机采集图像,标注470幅云杉图像,其中300幅组成训练集,170幅组成测试集,标注90幅樟子松图像作为附加测试集。以VGG16为基础建立云... 详细信息

以云杉为研究对象提出了应用全卷积神经网络(Fully convolutional networks,FCN)分割图像的算法。利用无人机采集图像,标注470幅云杉图像,其中300幅组成训练集,170幅组成测试集,标注90幅樟子松图像作为附加测试集。以VGG16为基础建立云杉分割FCN模型,利用Tensorflow框架实现和训练网络,通过共享权值和逐渐降低的学习速率,提高FCN模型的训练性能。选择像素精度(PA)、均像素精度(MPA)、均交并比(MIoU)和频权交并比(FWIo U) 4个语义分割评价指标评价测试结果。FCN模型分割云杉图像,PA和MPA达到0. 86,MIoU达到0. 75,FWIo U达到0. 76,处理速率达到0. 085 s/幅,有效地解决了光照变化、云杉个体差异、地面杂草干扰和植株之间粘连的影响。与HSV颜色空间阈值分割以及K均值聚类分割算法比较,FCN模型的MIoU分别提高0. 10和0. 38。

关键词：云杉图像分割无人机苗木库存统计全卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

竹叶片氮含量高光谱估测方法对比研究

引用

农业机械学报 2018年第S1期49卷 393-400页

作者：郑一力赵燕东董玮尘兴灿李逸新北京林业大学工学院北京100083 北京林业大学城乡生态环境北京实验室北京100083 林业装备与自动化国家林业局重点实验室北京100083

为实现快速无损检测竹叶片氮含量,采用波长范围为350~2 500 nm的地物光谱仪获取竹叶片光谱数据,以金镶玉竹叶片为样本,对其进行高光谱分析。将高光谱原始反射率及其一阶微分、对数一阶微分和二阶微分值,与化学法测量的竹叶片氮含量值进... 详细信息

为实现快速无损检测竹叶片氮含量,采用波长范围为350~2 500 nm的地物光谱仪获取竹叶片光谱数据,以金镶玉竹叶片为样本,对其进行高光谱分析。将高光谱原始反射率及其一阶微分、对数一阶微分和二阶微分值,与化学法测量的竹叶片氮含量值进行了相关性分析,分别获得了不同微分变化下的特征波段;基于微分变换后的高光谱反射率数据,分别采用二元线性回归、多元逐步回归、偏最小二乘回归和基于主成分分析的BP神经网络方法,建立了4种金镶玉竹叶片的氮含量高光谱估测模型。对比4种估测模型的校验结果表明,在光谱反射率的对数一阶微分变换下,采用拓扑结构为6-10-1的基于主成分分析的BP神经网络估测模型,校验环节决定系数为0. 838,均方根误差RMSE为0. 045 2,具备较好的竹叶片氮含量估测效果。

关键词：竹叶片氮含量高光谱二元线性回归多元逐步回归偏最小二乘回归

来源：评论

学校读者我要写书评

暂无评论

基于CT图像的土壤孔隙结构重构

引用

农业机械学报 2018年第S1期49卷 401-406页

作者：赵玥刘雷韩巧玲赵燕东北京林业大学工学院北京100083 城乡生态环境北京实验室北京100083 林业装备与自动化国家林业局重点实验室北京100083

土壤孔隙的几何结构和空间特征决定了土壤的透气性和保水性,对土壤功能多样性和生态修复具有重要影响,但现有对土壤孔隙的研究中,缺乏可直观性和定量性对孔隙特征进行描述的工具和方法。针对这一问题,本文采用基于面绘制的移动立方体法(... 详细信息

土壤孔隙的几何结构和空间特征决定了土壤的透气性和保水性,对土壤功能多样性和生态修复具有重要影响,但现有对土壤孔隙的研究中,缺乏可直观性和定量性对孔隙特征进行描述的工具和方法。针对这一问题,本文采用基于面绘制的移动立方体法(Marching cubes,MC)和基于体绘制的光线投射法(Ray casting,RC)还原土壤孔隙的几何形态和空间分布。以单个孔隙和不同孔隙密集程度的土壤孔隙CT图像为应用对象进行实验,结果表明,2种算法的重构效果均不受土壤样本孔隙密集程度的影响。其中,MC算法重构出的孔隙结构存在边界锯齿化和缺失的现象,且其孔隙体积也小于实际情况;而RC算法重构的孔隙轮廓清晰,结构真实,可完整地呈现出孔隙结构的细节信息。为进一步评价2种算法的重构性能,采用模型品质、绘制速度和内存消耗3个指标进行实验结果的比较分析。结果表明,MC算法存在二义性的不足,使得孔隙结构存在一定程度的失真,重构的孔隙模型质量一般,但由于其只针对表面体素进行重构,因而具有较快的绘制速度和较小的内存消耗;而RC算法采用为每个体素分配不透明度和光强的方法来合成模型,避免了MC算法的缺点,能够保持孔隙模型的细节信息,但由于其重构过程中所有体素点都参与运算,使得其绘制速度较慢,内存占用较大。通过对模型品质、绘制速度和内存消耗3个指标的综合分析,RC算法更加适用于土壤孔隙的三维重构,不仅为土壤孔隙的可视化分析提供了一种较为先进的方法,也为研究土壤水分和养分的运移以及空气的交换奠定了技术基础。

关键词：土壤孔隙结构三维重构 CT图像移动立方体法光线投射法

来源：评论

学校读者我要写书评

暂无评论

基于K-SVD基的林区监测站数据采集方法研究

引用

农业机械学报 2018年第S1期49卷 365-371页

作者：赵玥谢辉平高超赵燕东北京林业大学工学院北京100083 林业装备与自动化国家林业局重点实验室北京100083 城乡生态环境北京实验室北京100083

基于K-SVD字典学习算法(K-singular value decomposition,K-SVD)的压缩感知技术应用在林区微环境监测站中,可极大地减少数据传输数量,从而降低监测站的使用能耗,延长监测站的使用寿命。本文选用空气温度作为实验对象,验证算法的可行性,... 详细信息

基于K-SVD字典学习算法(K-singular value decomposition,K-SVD)的压缩感知技术应用在林区微环境监测站中,可极大地减少数据传输数量,从而降低监测站的使用能耗,延长监测站的使用寿命。本文选用空气温度作为实验对象,验证算法的可行性,并与前人提出的基于离散傅里叶变换基(Discrete fourier transform,DFT)的压缩感知方法进行对比实验。实验结果表明,当稀疏度k相同时,K-SVD算法的平均稀疏化误差始终小于DFT算法,且误差分布范围更加集中;当稀疏度和压缩率均相同时,K-SVD算法的平均重构误差也始终小于DFT算法,且误差分布范围更加集中。在林区微环境监测站中,K-SVD算法具有更好的稀疏表示性能以及重构性能,在降低相同系统能耗的同时,也降低了数据传输的误差。

关键词：微环境监测站压缩感知 K-SVD 字典学习稀疏表示

来源：评论

学校读者我要写书评

暂无评论

基于Gabor原子的活立木茎体水分信号MP分解与重构

引用

电子测量技术 2019年第5期42卷 65-70页

作者：谢辉平张鑫于福满赵燕东北京林业大学工学院北京100083 天津创世生态景观建设股份有限公司天津300110 林业装备与自动化国家林业局重点实验室北京100083

针对活立木茎体水分时域信号呈现的非平稳、信息冗余特性,提出了一种基于Gabor原子的活立木茎体水分信号MP分解与重构方法。试验结果表明活立木茎体水分信号可以用Gabor原子库稀疏表示,靠前的原子反映信号的主要特征,靠后的原子反映信... 详细信息

针对活立木茎体水分时域信号呈现的非平稳、信息冗余特性,提出了一种基于Gabor原子的活立木茎体水分信号MP分解与重构方法。试验结果表明活立木茎体水分信号可以用Gabor原子库稀疏表示,靠前的原子反映信号的主要特征,靠后的原子反映信号的细微特征,原子数越多,稀疏信号越能更好地描述原始时域信号的特征。稀疏信号对比于原始时域信号,数据量明显减少,避免了信息冗余,达到了数据压缩的目的,为大量数据的存储节省了物理空间。在Gabor原子库过冗余的情况下,稀疏信号可以高质量的重构出原始时域信号,在主要特征数据点处重构误差较小,在细微特征数据点处重构误差较大。

关键词：茎体水分 Gabor原子匹配追踪稀疏信号

来源：评论

学校读者我要写书评

暂无评论

应用全卷积神经网络的云杉图像分割算法研究

应用全卷积神经网络的云杉图像分割算法研究

引用

2018中国农业机械学会学术年会

作者：陈锋军王成翰顾梦梦赵燕东北京林业大学工学院北京 100083 城乡生态环境北京实验室北京 100083 美国德州农工大学园艺系大学城 77843 北京林业大学工学院北京 100083 林业装备与自动化国家林业局重点实验室北京 100083

目前，苗木库存统计均由人工手动完成，存在劳动效率低，成本高，统计准确率低等问题，利用无人机自动统计苗木数量是替代人工统计的理想方法。首要任务是对无人机航拍苗木图像进行分割，去掉背景干扰。但自然条件下光照变化、苗木个体... 详细信息

目前，苗木库存统计均由人工手动完成，存在劳动效率低，成本高，统计准确率低等问题，利用无人机自动统计苗木数量是替代人工统计的理想方法。首要任务是对无人机航拍苗木图像进行分割，去掉背景干扰。但自然条件下光照变化、苗木个体差别、地面杂草背景复杂以及苗木之间的粘连等问题，导致苗木图像分割非常困难。

关键词：苗木库存统计云杉计数无人机图像分割全卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：