公共文化服务平台

张国顺: 作品数：11 被引量：173H指数：7; 供职机构：石河子大学信息科学与技术学院更多>>; 发文基金：国家自然科学基金国际科技合作与交流专项项目兵团科技攻关计划项目更多>>; 相关领域：农业科学自动化与计算机技术天文地球更多>>

合作作者

基于多尺度与双注意力网络的城市边缘区不透水面变化检测: 2024年; 不透水面作为城市化的重要特征,可直观反映城市化范围,利用遥感影像与计算机视觉检测不同时序间城市边缘区不透水面的变化,是观测城市扩张的有效手段,对于城建规划和城市可持续发展具有重要意义。然而,城市边缘区作为城市和自然环境的过渡区域,地物类型复杂凌乱,具有高度异质性,为变化检测任务带来了巨大挑战。为解决这些问题,该方法采用SE(Squeeze and Excitation)压缩激励结构与多尺度融合模块(Multi-scale Fusion Module,MSFM)对Deeplabv3+网络进行改进优化,构建高精度不透水面变化提取网络MSDANet(Muti-scale Dual-attention Network,MSDANet),实现不透水面变化自动提取。同时,基于Google Earth卫星影像平台,获取2017年与2021年乌鲁木齐城市边缘区可见光影像,构建一个注释良好的高分辨率不透水面变化检测数据集HISCD,并将其开源。通过与7种主流变化检测网络进行对比,MSDANet取得了最好的结果,具有良好的变化提取能力,能够精准提取多种不透水面变化类型。在HISCD测试集中OA,Precision,Recall,F1与MIoU各指标分别达到了90.77%,80.51%,78.83%,79.63%与68.80%。该方法为城市扩张分析提供了一种新颖的方法,为城市空间规划提供了有效的技术支持。; 穆正阳戴建国张国顺张国顺陈沛沛曹宇娟许淼淼; 关键词：城市边缘区变化检测高分辨率

基于无人机可见光影像和卷积神经网络的棉花生长参数监测被引量：5: 2021年; 花蕾期是棉花生长管理的重要时期,在此期间对生长参数进行快速无损监测是实现棉田精细化管理的关键。本文结合无人机遥感平台和深度学习技术,使用卷积神经网络(convolutional neural net-works,CNN),通过无人机采集可见光影像并对影像进行裁剪切分,以切片后的RGB图像为输入,分别构建基于AlexNet、VGGNet、GoogleNet 3种网络框架的卷积神经网络模型,实现了棉花花蕾期各项生长参数监测。结果表明:AlexNet模型在株高和地上生物量方面表现最好,株高的R^(2)为0.85452,RMSE为3.1279 cm,MAPE为3.402%,地上生物量的R^(2)为0.95117,RMSE为38.90353 g/m^(2),MAPE为6.288%;GoogLeNet模型在叶面积指数监测方面性能最优,其R^(2)为0.97061,RMSE为0.08644,MAPE为4.391%。此外,从不同时期来看,3种生长参数在花期的监测性能均高于蕾期。本文研究结果表明使用无人机对大面积棉田在关键生育期进行生长参数监测是可行的,本文的研究结果能够为类似的研究提供借鉴和参考。; 蒋楠戴建国薛金利张国顺何相良; 关键词：无人机卷积神经网络棉花叶面积指数株高

基于低空无人机影像和YOLOv3实现棉田杂草检测被引量：9: 2019年; 目的变量作业是精细农业的核心目标,而杂草快速准确检测是精准除草的先决条件。基于此,本文提出了一种基于改进的YOLOv3模型的棉田杂草快速检测方法。方法首先,利用无人机平台获取0.10、0.29、0.52cm分辨率的棉花苗期影像,进行正射校正、拼接、裁剪、标注等前期处理,构建3个数据集;其次,通过目标维度聚类、改进模型结构等方法优化YOLOv3网络模型;最后通过对比分析测试结果得到最优模型和最佳分辨率。结果改进的YOLOv3模型应用于0.29cm分辨率的影像数据对棉田杂草检测效果最好。相较于原始模型,改进的YOLOv3模型杂草检测精度在3个数据集上分别提升了10.62%、12.89%、15.77%,尤其在0.29cm数据集上识别率和召回率分别达到了94.06%、90.26%,同时识别速度可达51帧/s。结论在检测精度和运行速率方面,本文提出的棉田杂草模型均可满足实际农业生产需要。研究成果为精准除草提供了理论基础,同时文中所用方法也可为其他类型的农田地物检测提供借鉴。; 薛金利戴建国赵庆展赵庆展崔美娜张国顺; 关键词：无人机遥感棉花杂草

基于特征优选的北疆典型区域非农化遥感监测被引量：1: 2024年; 该研究旨在准确把握耕地“非农化”的时空格局,为制定合理的土地利用和耕地保护政策提供重要依据。随着特征提取技术和分类算法的进步,利用遥感影像进行大规模耕地动态监测变得更加准确和高效。该研究选用Sentinel-2卫星影像,探讨了不同算法和特征变量在耕地非农化监测中的优势。首先提取了4类特征共计31个指标,并通过主成分分析(principipal component analysis, PCA)和相关系数矩阵进行特征优选,获得了12个关键指标,并设计了5种特征组合方案。随后,采用7种基础算法执行影像分类,并通过“单阶段”和“二阶段”两种分类策略,提取耕地“非农化”信息。研究结果表明,有效选择多种特征变量和算法对于提高监测精度至关重要。在所有测试的模型中,采用Softmax构建的二阶段模型精度最高,最优特征组合为光谱特征+光谱指数特征+纹理特征,特征变量维度减少至12个。总体精度、平均用户精度、平均生产者精度和Kappa系数分别达到94.92%、95.16%、93.15%和0.88。对比2020年和2022年研究区数据发现,耕地转变为非农化用地的面积为146.153 km^(2),而非农化用地转变为耕地的面积为123.074 km^(2),导致耕地净减少23.079 km^(2)。综上所述,该研究提出的耕地“非农化”监测方法可以为相关的地物信息提取和耕地资源保护与可持续利用等研究提供技术支持和方法参考。; 曹宇娟戴建国张国顺张国顺赵庆展穆正阳赵庆展; 关键词：遥感非农化耕地

利用无人机可见光遥感影像提取棉花苗情信息被引量：39: 2020年; 为提高棉花苗情信息获取的时效性和精确性,该文提出了基于可见光遥感影像的棉花苗情提取方法。首先,利用自主搭建的低空无人机平台获取棉花3~4叶期高分辨率遥感影像,结合颜色特征分析和Otsu自适应阈值法实现棉花目标的识别和分割。同时,采用网格法去除杂草干扰后,提取棉花的形态特征构建基于SVM的棉株计数模型。最后,基于该模型提取棉花出苗率、冠层覆盖度及棉花长势均匀性信息,并绘制棉花出苗率、冠层覆盖度的空间分布图。结果显示,模型的测试准确率为97.17%。将模型应用于整幅影像,计算的棉花出苗率为64.89%,与真实值误差仅为0.89%。同时基于冠层覆盖度、变异系数分析了棉花长势均匀情况。该文提出的方法实现了大面积棉田苗情的快速监测,研究成果可为因苗管理的精细农业提供技术支持。; 戴建国薛金利赵庆展赵庆展陈兵王琼陈兵; 关键词：无人机遥感棉田覆盖度

基于模型剪枝的棉花氮素营养水平诊断被引量：1: 2024年; 确定棉花的氮素营养水平是实施精准施肥的先决条件和基础。近年来,深度学习逐渐应用于氮素营养水平诊断中,但该方法对高性能设备的依赖性较高,限制了其在资源受限边缘设备上的部署应用。针对这一问题,该研究提出一种基于树莓派4B的棉花氮素营养水平诊断方法。研究采用ResNet101网络构建诊断模型,并通过网络瘦身算法对模型进行剪枝优化,最终将剪枝比例为87%的模型部署在资源受限的树莓派4B上。试验结果表明:当剪枝比例达到87%时,模型精度损失2.55个百分点,同时剪枝后模型参数量、计算量和存储体积分别为4.37 M、1.05 G和16.65 MB,明显提高模型在计算能力有限设备上的推理速度,有助于快速、准确地评估田间棉花的氮素营养状况,从而实现对棉花的精准施肥,提高产量和质量。该研究不仅为实现棉花氮素营养水平的大面积快速诊断提供了技术参考,同时对于作物营养水平诊断的智能终端装备研发具有参考价值。; 陈沛沛戴建国张国顺张国顺穆正阳; 关键词：棉花氮氮素营养水平卷积神经网络

基于无人机可见光影像的农田作物分类方法比较被引量：35: 2017年; 大面积农田种植信息的准确获取是精准农业的基础。色彩空间转换、纹理分析和颜色指数等方法能够有效的增强和挖掘影像潜在的信息,对影像分类很有帮助,该文利用2016年9月获取的无人机影像对新疆兵团第八师149团的部分农田进行了作物类型的提取研究。首先对影像进行了色彩空间转换和灰度共生矩阵纹理滤波,得到了27项色彩与纹理特征,通过比较变异系数和差异系数认为亮度、饱和度和红色二阶矩可以作为最优分类特征。其次计算影像的过绿指数(excess green index,EXG)和可见光波段差异植被指数(visible-band difference vegetation index,VDVI),通过阈值对比确定了EXG指数可以有效的区分不同作物类型。最后对比以上2种方法计算得到的分类结果,表明基于色彩与纹理特征提取的作物类型的精度较高,将该方法应用于棉花、玉米和葡萄的分类,误差值分别为7.2%、4.75%和2.37%,明显高于基于颜色指数的提取方法,是一种行之有效的无人机数据作物分类方法。该研究虽未对更大区域做进一步探讨,但可为无人机应用于农田作物分类提供参考。; 郭鹏武法东戴建国王海江徐丽萍张国顺; 关键词：无人机遥感农作物农田

基于无人机可见光遥感的棉花面积信息提取被引量：7: 2018年; 【目的】针对传统大区域棉花种植信息提取方法相对落后的问题,运用面向对象的影像分析方法,对无人机遥感试验获取的可见光影像进行棉花种植信息的提取。【方法】选用双子星My Fly Dream MTD固定翼无人机搭载佳能EF-M 18-55相机,获取新疆建设兵团第八师135团的可见光影像,借助e Cognition软件平台,运用面向对象的方法对研究区内棉花种植信息进行提取试验。【结果】目视解译提取的棉花种植面积为0.35 km2,面向对象提取的棉花种植面积为0.33 km2,分类结果精度为94.29%,误差系数为5.71%,可以有效地提取研究区域棉花种植信息。【结论】面向对象的分类方法相比于传统的基于像素的分类方法提取精度更高,更加接近于目视解译的提取结果。; 李路曼郭鹏张国顺周倩吴锁智; 关键词：ECOGNITION 面向对象棉花

基于无人机遥感多光谱影像的棉花倒伏信息提取被引量：26: 2019年; 为在棉花发生倒伏灾害后快速获取田块尺度下的受灾信息,该文以2017年8月21日强风暴雨导致大面积棉花倒伏的新疆生产建设兵团第八师135团的部分田块作为研究区,由无人机遥感试验获取倒伏后的多光谱影像,通过分析倒伏和正常棉花的光谱反射率差异提取了多种植被指数和主成分纹理特征,结合地面调查样本建立了3种花铃期倒伏棉花的Logistic二分类模型并进行了精度评价和验证。结果表明:棉花倒伏前后在可见光波段的反射率差异微小,而在红边和近红外波段的反射率明显降低0.12～0.20;以第一主成分均值(PCA1_mean)建立的Logistic二分类纹理模型效果最优,在测试集上分类结果的准确率为91.30%,ROC(receiver operating characteristic)曲线距左上角点最近,AUC(area under the roc curve)值为0.80。通过将该模型应用于试验区影像,分类制图效果良好且符合棉田倒伏症状特点。该研究可为无人机多光谱遥感棉花灾损评估提供参考。; 戴建国张国顺张国顺曾窕俊崔美娜曾窕俊; 关键词：遥感多光谱 LOGISTIC模型

基于CNN-BiLSTM的棉花产量预测方法被引量：9: 2021年; 针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产。以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)的混合模型(CNN-BiLSTM)进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证CNN和BiLSTM的性能以及不同网络深度对估产的影响。研究结果表明,CNN和BiLSTM深度分别为14和1的CNN14-BiLSTM模型准确率最高,对比单一结构的BiLSTM该模型决定系数从0.851提升至0.885,其均方根误差和平均绝对百分比误差也均明显下降,在2.3 m×2.3 m的样方内,结果分别为147.167 g和6.711%。该研究实现了基于时间序列的棉花产量估算,可为类似的作物产量估算提供参考。; 戴建国蒋楠薛金利张国顺张国顺; 关键词：棉花可见光卷积神经网络

张国顺

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

张国顺

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈