基于遥感影像的土地利用信息提取研究——以东平县为例

自南水北调工程通水以来,东平县土地利用发生了较大变化.本文利用2000年、2009年和2014年的Landsat遥感影像,针对研究区不同地物光谱特征,使用谱间关系、植被指数、短波红外阈值、决策树分类等多种信息提取方法,对研究区土地利用进行了分类.结果表明:三期遥感影像分类总体精度达80%以上,基于决策树的土地利用分类方法效果最好;从2000年到2014年间,东平县水体、湿地和林地面积不断增加,耕地、建设用地及裸地有所减少,研究区生态环境正逐步改善.     

基于深度学习的多车道交通流量统计方法

基于目标跟踪的视频道路交通流量采集普遍存在不同程度的漏检、错检和多检等问题,为此,提出了一种综合车辆位置信息与外观信息及环境空间信息的道路交通流量采集方法。首先,识别视频帧中的车辆信息(包括车辆车型数据与位置数据等);然后,综合考虑车辆信息和环境空间信息进行车辆跟踪;最后,对跟踪结果进行统计,从而得到道路交通流量。采用多段交通视频作为测试数据,分别测试了本文算法和SORT算法。测试结果表明,本文算法检测的道路交通量平均误差较SORT算法降低了约4%。提出的基于视频交通流量检测方法具有更好的检测效果。     

基于AHP方法的开发区土地集约利用评价研究

开发区土地集约利用评价工作已经在全国启动,论文以江苏省某省级开发区——S县经济开发区为例,构建了包含4大层次14个具体指标的土地集约利用评价指标体系,运用AHP方法分别确定各层次指标的权重,据此测算出该开发区的土地集约利用水平。论文最后对评价结果进行了分析,并探讨了开发区土地集约利用过程中亟待解决的主要问题。     

湖北省土地生产要素深度开发与利用问题研究

土地资源是重要的农业生产要素之一。通过分析湖北省土地资源现状,特别是耕地资源开发利用状况,发现湖北省人均耕地资源均低于全国平均水平,且具有较高的复种指数和生产率,这一方面反映出湖北省耕地资源利用效率较高,另一方面也表明湖北省现有耕地生产潜力不大,增产空间有限,因此,如何培肥地力值得重视。     

基于深度学习的车牌智能识别方法

针对传统的车牌识别算法对于复杂环境车牌定位效果不理想、车牌识别准确率低、实时性差等问题,提出了一种基于深度学习的车牌智能识别方法。首先使用Yolov3网络对图片中的车牌进行定位,然后采用空间变换网络对倾斜的车牌进行校正,并将校正后的车牌送入设计的改进卷积神经网络中提取车牌序列特征,最后通过双向递归神经网络和时序分类网络识别出车牌字符。与传统车牌识别方法相比,提出的方法能够有效克服天气等不良状况的影响,从Yolov3定位到识别完成的平均时间可以缩短至33 ms左右,平均识别准确率能够达到96.1%。     

基于YOLOv5深度学习模型的动态靶标识别跟踪方法

针对火炮身管动态靶标识别跟踪精度和实时性不高的问题,提出了一种基于YOLOv5深度学习模型的靶标识别跟踪方法。分析了靶标识别跟踪过程和基本思想,通过网格化模型对靶标样本图像进行多尺度处理,并利用金字塔模型进行融合预测;搭建了YOLOv5网络模型,对组件设置优化;对比了损失函数对锚框识别效果的影响,并选取优化后的CIOU作为模型损失函数;最后对模型进行训练,并利用训练好的模型对动态靶标进行识别跟踪。实验结果可视化分析显示,靶标动态识别跟踪率可达到99.3%,动态实时跟踪效果较好。     

基于土地生态敏感性评价的丰都县土地可持续利用研究

开展土地生态敏感性评价,有利于了解区域土地生态系统的平衡状态,为土地资源的可持续利用和社会、经济可持续发展提供依据。以地处三峡库区的重庆市丰都县为例,遵循代表性、完整性、可计量性等原则,根据区域生态环境特点及主要的生态环境问题,选取坡度、高程、土地利用类型、土壤、自然损毁情况作为土地生态敏感性评价因素,构建评价指标体系,并采用层次分析法确定各指标权重,运用GIS进行单因素的土地生态敏感性评价,再利用空间叠加分析功能和重分类工具进行土地生态敏感性综合评价,将丰都县划分为极度敏感区、高度敏感区、中度敏感区、低度敏感区和不敏感区5个类型区。针对丰都县土地生态敏感性分区特点,建议通过土地利用结构和利用方向调整,减少极度敏感区和高度敏感区的分布面积,有效防控中度敏感区向高度敏感区的转变,实现土地资源的可持续利用。     

基于深度学习的行人检测技术研究进展

行人检测旨在从给定的场景中精确定位出每一个属于检测范围的人,在过去几十年中取得了重大的进展。它与行人重识别和行人跟踪技术相结合,在自动驾驶、人机交互、智能视频监控和人物对象行为分析等领域有着重要应用。研究了深度学习技术在行人检测领域的研究进展,就行人检测目前面临的主要问题和挑战进行了分析;调查总结了行人检测的数据集和评价标准,归纳分析了影响行人检测的关键子问题,例如网络架构、损失函数、特征表达、上下文信息和训练策略等。为该领域前沿综合研究提供参考和依据。     

AutoCAD中信息提取方法探讨

本文主要讨论从AutoCAD文件中提取信息的方法。AutoCAD中的信息可以直接从DFX格式中提取,也可以采用ARX程序直接从AutoCAD中提取,得到的信息可用于对CAD进行二次开发,也可直接被其它软件所采用,如著名的三堆设计软件3ds Max等。虽然目前已经有许多关于提取AutoCAD中信息的讨论,但是大部分给出的都是具体的程序,没有给出具体的方法。本文分析了提取AutoCAD中信息具体的方法,并给出相应的程序段,方便读者自行通过编程环境编写程序来提取信息。     

基于SPSS的重庆市土地利用经济效益分析

运用经济学理论、SPSS实用统计分析中的因子分析方法,分别对重庆市3个经济区中的6个区县土地利用经济效益状况进行了分析,可知土地利用经济效益水平存在着明显的地区性差异.同时,研究了上述3个经济区的特点及提高土地利用经济效益的对策,在此基础上总结了重庆市提高农地、农村、城市土地利用经济效益的措施以及未来的城市发展方向.     

基于信息熵的宁夏土地利用结构研究

应用Shannon的信息熵理论,分析2002~2008年宁夏土地利用结构信息熵,结果表明:在时间上,由于西部大开发战略的实施和国家生态退耕政策的落实,土地利用信息熵呈单调递增趋势,并呈先快后稳的发展态势;在空间上,由于各县市的地理位置、资源环境条件、地形地貌状况、经济发展水平和土地利用政策的差异较大,土地利用信息熵呈现明显的地域差异.     

基于深度学习的罐式炼炉送料口视觉检测与跟踪方法

通过计算机视觉技术实现送料口的准确检测及跟踪成为罐式炼炉自动控制的关键。但传统视觉检测和跟踪算法受炼炉高温产生烟雾的影响,易导致送料口检测和跟踪失效,为了更好地检测与跟踪视频流中送料口,提出了一种基于Yolo v3深度学习的检测及跟踪方法。基于自建的大量有烟雾干扰的图片样本,通过使用K-means聚类方法对数据集进行聚类分析,对送料口的检测与跟踪展开研究。实验结果表明:改进后的Yolo v3算法对实验目标准确率达到97.20%,检测速率达到了30帧/s,能实时检测和跟踪实际情况下送料口的位置信息,且具有较高的准确性和鲁棒性。其检测准确率和检测速率相比传统目标检测方法有所提高,准确性和实时性均满足自动控制生产要求,说明将深度学习技术应用到工业生产有着巨大的应用前景。     

基于深度学习的DPF故障诊断及应用

针对传统柴油颗粒过滤器(diesel particulate filters, DPF)故障诊断中人工提取特征过程繁杂且特征参数难以表征DPF故障状态的问题,提出基于深度学习的DPF故障诊断方法。通过车载传感器采集发动机转速、DPF压差等5种信号数据,经数据融合后建立压差类、温差类和压差+温差类三类样本数据;利用深度学习特征自提取的优势,提取车辆在不同行驶工况下样本数据中压差或温差表征的DPF故障特征;结合深度学习网络中Softmax多分类器实现端到端的DPF故障诊断。利用GT-Power仿真数据,验证了所提方法的可行性,开发了相应的应用软件。     

基于深度学习的复杂背景下目标检测

针对某些静态图像背景复杂,受环境因素(光照、遮挡、掩盖等)影响较大的问题,提出一种基于深度学习算法的卷积神经网络(convolutional neural networks,CNN)结构对目标进行检测。利用CNN网络可自主提取图像特征并进行学习的优点,避免了复杂的人工特征选择和提取过程。通过一种区域合并的方法进行端到端的交替训练,在复杂背景图像的处理中体现出较优的性能。CNN的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度、减少训练参数的数目、提高检测效率。试验验证结果表明:此方法在互联网图像数据库检测方面达到了较高的精度。采用坦克模型图像对复杂背景下的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,得出该方法具有一定的鲁棒性。     

基于深度学习的不规则特征识别检测技术

〖HK44〗〖HT5”H〗摘要：〖HT5”K〗针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精 度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理 方法,提升采集的缺陷图像的质量;对传统深度学习Faster R CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测 性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

基于深度学习的液位仪表读数识别方法研究

变电站对高铁安全运行至关重要,为准确获取高铁变电站液位仪表的准确读数,基于YOLOX-S提出KN-YOLOX-S深度学习网络模型。在骨干网络中,引入Ghost卷积代替传统卷积层,降低网络的参数量和计算量,实现模型的轻量化;在SPPBotteneck模块中增加KNSE注意力模块,提高网络对空间信息的敏感度,增强有效特征信息的提取能力。实验表明,KN-YOLOX-S比YOLOX-S模型在mAP@0.50上提高0.4%,mAP@0.5:0.95提高0.54%,同时推理速度提高近2倍,满足高铁变电站液位表实时检测要求。     

基于人工神经网络的长株潭城市土地集约利用评价

以长株潭作为研究对象，通过人工神经网络技术，从时间和空间的视角对城市土地集约利用进行评价研究，得到了长株潭城市土地集约利用的级别，对比相应的研究成果，证明其评价结果的客观、合理与科学性，进而又对长株潭城市城市土地集约利用评价结果进行了分析，提出了今后长株潭城市土地利用的方向。     

土地利用规划中耕地需求量预测方法探讨

根据土地利用规划中土地需求量预测的理论基础和原则,研究了基于粮食安全策略的耕地需求量预测方法,即回归分析法和灰色模型法,并用其对规划年的耕地面积作出了预测。预测的结果不仅保证了耕地总量的动态平衡,同时保证了重点建设项目用地的需要,可为土地利用总体规划的编制工作提供一定的依据。     

对深度学习的认识

从2005教育技术新定义出发分析深度学习的特征以及实施等.