在樹木的生長發(fā)育過程中,根系起著至關重要的作用。而地下根系錯綜復雜,盤根交錯,因此對樹木根系的識別定位是目前亟待解決的問題。傳統(tǒng)的根系掃描圖像定位識別方法多是基于數(shù)字圖像分析的方法,存在各種問題,限制其廣泛應用。Faster Region CNN(Faster-rCNN)作為深度學習中的目標識別模型,不僅可以實現(xiàn)分類的效果,還可以通過Region Proposal Network(RPN)實現(xiàn)感興趣區(qū)域的快速定位,使根系掃描圖像識別定位實現(xiàn)自動化。本文致力于研究基于Faster-rCNN的根系掃描圖像定位識別方法,主要工作包括以下方面:1.構(gòu)造根系識別數(shù)據(jù)集。數(shù)據(jù)集由兩部分組成,分別為利用GPRMAX V2.0正演的模擬圖像以及通過埋根法采集的實地圖像。2.設計Faster-rCNN網(wǎng)絡結(jié)構(gòu)。本文使用模擬圖像數(shù)據(jù)集訓練網(wǎng)絡,結(jié)果顯示分類準確率達到86%。表明該模型對雙曲線的識別定位具有應用價值。再使用實地圖像數(shù)據(jù)集訓練網(wǎng)絡,模型準確率為72%,進一步說明模型對雙曲線識別定位的可行性。3.探究主成分分析(PCA)在根系識別中的應用。首先將PCA應用于手勢識別領域中探究PCA的最佳數(shù)據(jù)維度...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)根系識別方法
        1.2.2 基于機器學習的根系識別算法
    1.3 本文的主要內(nèi)容和研究路線
    1.4 論文結(jié)構(gòu)安排
2 數(shù)據(jù)獲取試驗方法
    2.1 根系雷達波圖像正演模擬
    2.2 埋根法獲取實地圖像
        2.2.1 根系掃描圖像的獲取
        2.2.2 根系掃描圖像的預處理
    2.3 本章小節(jié)
3 基于Faster-rCNN的根系識別方法研究
    3.1 Faster-rCNN網(wǎng)絡設計與訓練
        3.1.1 整體結(jié)構(gòu)
        3.1.2 網(wǎng)絡結(jié)構(gòu)詳解
        3.1.3 網(wǎng)絡訓練
    3.2 算法的測試與應用
    3.3 本章小結(jié)
4 主成分分析在根系識別應用中的探究
    4.1 主成分分析方法原理和應用研究
        4.1.1 主成分分析方法原理
        4.1.2 主成分分析算法可行性驗證
    4.2 主成分分析在根系定位識別中的應用
    4.3 本章小結(jié)
5 基于Faster-rCNN的雷達波根系識別應用
    5.1 正演圖像的識別應用
    5.2 預埋實驗圖像的識別應用
    5.3 頤和園野外圖像的識別應用
        5.3.1 現(xiàn)場實驗場景
        5.3.2 根系識別算法測試效果
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
個人簡介
導師簡介
獲得成果目錄
致謝



本文編號：3838019