8篇关于无人机遥感的计算机毕业论文

今天分享的是关于无人机遥感的8篇计算机毕业论文范文, 如果你的论文涉及到无人机遥感等主题,本文能够帮助到你 无人机遥感影像数据管理与可视化系统的设计与实现 这是一篇关于无人机遥感

今天分享的是关于无人机遥感的8篇计算机毕业论文范文, 如果你的论文涉及到无人机遥感等主题,本文能够帮助到你

无人机遥感影像数据管理与可视化系统的设计与实现

这是一篇关于无人机遥感,数据管理,元数据,数据集,系统集成的论文, 主要内容为近年来,随着无人机技术的快速发展以及各类传感器的相继问世,无人机遥感在农业、林草业、电力、测绘、灾害应急响应等多个领域得到广泛应用,高时空分辨率以及高光谱分辨率数据呈几何级数增长。如何高效、快捷、有效管理这些多源、多尺度、多时相的无人机遥感数据,对无人机遥感的应用研究具有重要现实意义。本文聚焦无人机多源遥感数据的组织、管理与共享,开展基于无人机可见光、多光谱以及高光谱数据的管理研究,以期实现无人机遥感数据的高效存储、快速查找、在线浏览与便捷共享。主要研究内容及结论如下:(1)无人机多源遥感数据的组织与管理。从影像数据的组织管理与元数据标准制定角度出发,针对影像数据的存储结构多元化以及数据存储命名不规范等问题,设计了一种面向无人机多源遥感数据管理的数据组织目录结构及相应的数据存储命名规范;结合相关行业标准,对元数据的详细内容进行设计,通过算法设计,借助Python地理位置信息库完成多源异构遥感数据的自动提取,将提取到的元数据信息批量插入到数据库中进行综合管理,实现了元数据的精确表达和元数据内容的快速检索。(2)公开数据集的制作与发布。结合新疆地区农作物实际种植情况,选择棉花为数据采集对象,通过大疆M600搭载Rikola高光谱传感器,分别获取棉花苗期、蕾期、花期、盛花期、铃期、盛铃期以及吐絮期共计7期高光谱数据,经数据预处理操作,得到7个生育期的棉花高光谱正射影像。利用地面ASD数据对机载棉花高光谱数据的光谱精度进行验证,结果表明:Rikola成像光谱仪和ASD地物光谱仪波长在503~850nm区间,反射率曲线趋势具有良好的一致性,“绿峰特征”,“红谷特征”,“红边特征”三种典型光谱特征表现基本吻合。该数据集不仅可以较好地反映棉花不同生长周期的光谱特征变化规律,还能够为棉花的低空遥感精细监测提供样本数据。(3)无人机多源遥感数据管理与可视化系统实现。针对无人机多源遥感数据组织管理困难,数据查找效率低,数据分散等问题,开发了一套基于无人机可见光、多光谱以及高光谱类型的数据管理与可视化系统。使用关系数据库My SQL以及文件管理系统对元数据和影像数据进行集中存储,采用B/S模式架构,依据原始数据中提取到的元数据信息,构建基于元数据内容的模糊检索以及空间索引。通过Web GIS技术实现影像服务的发布与调用,实现无人机遥感影像的在线浏览与显示。

基于无人机遥感影像的地物分类研究

这是一篇关于无人机遥感,可见光影像,地物分类,分类方法,尺度效应的论文, 主要内容为随着无人机平台的出现及发展,高时空分辨率遥感影像的获取成为可能,而无人机遥感也为地物分类研究提供一种新的思路。准确地获取地物信息在国土利用调查与城乡规划制图以及土地政策制定等方面具有重要应用。目前存在的分类算法众多,如何选取合适的分类方法与空间分辨率进行地物分类成为遥感解译工作中一个亟待解决的科学问题。本研究以无人机遥感影像为数据来源,以ENVI、e Cognition Developer等专业遥感影像处理软件和Python为实验平台,选取福建省三明市宁化县城郊乡与翠江镇交界处为研究区,围绕“无人机遥感在地物分类的应用”展开研究,主要研究内容及成果如下:(1)利用四种基于像元的分类方法(MD、ML、SVM、RF)进行地物信息的分类提取,研究结果表明:RF法的分类效果和分类精度在4种分类方法中最优,并以不同程度地优于其他3种分类方法。(2)采用ESP2工具确定最优分割尺度、利用基于距离度量的特征选择方法进行特征优选、辅以设计的EGRBDI指数,分别基于面向对象的4种机器学习方法(KNN、CART、SVM、RF)进行基于面向对象的地物分类精度对比分析研究,研究结果表明:RF分类算法对应的分类效果和分类精度最优,总体精度均在89%以上;相比基于全部特征参与分类过程,经过特征优选后的不同地物分类精度有不同程度地提高;EGRBDI指数能有效地增强目视分类效果并提高地物分类精度。(3)基于Python脚本语言自制的深度学习的样本数据集,经过多次实验确定模型参数,并对U-Net和Seg Net模型进行网络训练,进而开展地物分类的精度对比分析研究,最后对比分析基于像元、基于面向对象和基于深度学习3种类型分类方法的分类精度,结果表明:U-Net模型获得的地物分类精度比Seg Net模型更高,收敛速度更快,在节省时间成本的同时还能获得更高的分类精度;U-Net模型对应的分类精度在3种类型分类方法中最佳。(4)采用定量评价的方式评估不同重采样方法对影像质量影响的大小以确定本研究的重采样方式,再基于面向对象的RF算法和基于深度学习的U-Net模型对不同分辨率的影像进行地物分类,初步探讨无人机影像地物分类的尺度效应,研究结果表明:随着空间分辨率的降低,地物分类的效果和分类精度存在不同程度地降低且具有一定波动性;分辨率的变化对U-Net模型的分类精度影响更大;分辨率的变化对纹理信息较为复杂的无人机影像的地物分类精度影响更大。

基于无人机热红外遥感的地面人员检测模型研究

这是一篇关于无人机遥感,热红外遥感,深度学习,目标检测的论文, 主要内容为热红外对光照变化不敏感,在弱光、无光等条件下可以有效成像。同时,可见光在雾霾天气中没有穿透力,但热红外在雨、雪、雾霾等天气条件下有一定的成像能力,利用热红外成像数据进行目标检测任务,可以弥补可见光数据的短板。因此,结合热红外成像技术的优势和无人机系统的灵活机动性构建针对地面人员的目标检测模型,可以让无人机遥感在夜晚、弱光、极端天气等条件下服务于搜救、追捕、安全防控等领域并发挥显著作用。然而,目前利用无人机热红外遥感数据进行地面人员检测存在诸多问题,如:(1)地面人员所占像元较少,导致通用目标检测模型无法准确的识别无人机视角下的小目标;(2)目标与背景温差较小时纹理差异不明显,导致目标逐渐与背景融为一体,检测器无法准确检测到目标;(3)无人机所携带的传感器在不同飞行姿态、不同摆扫模式下所获得的目标差异较大;(4)无针对上述问题公开的无人机热红外遥感数据集发布。针对上述问题,本文主要研究工作如下:(1)建立了一个新的无人机热红外遥感目标检测数据集——UAV-IRDet3500。采用大疆M600 Pro六旋翼无人机以及FLIR公司的Vue Pro R红外热像仪集成了一套可靠的无人机热红外遥感平台。利用该平台多次进行野外数据采集,共采集真实遥感数据(2270景)。同时,在校园内利用手持式热像仪获取模拟热红外遥感数据(1230景)。通过专业的目视解译完成UAV-IRDet3500数据集的制作。(2)构建了无人机热红外遥感目标检测模型——UAV-IRDetNet(UAV thermal Infrared remote sensing Detection Network)。UAV-IRDetNet是一个基于深度神经网络的一阶段目标检测模型,该模型在热红外小目标检测方面表现优异。在构建模型的模块化测试工作中,本文对比了常用的ResNet、特征通道赋权的SE-ResNet以及轻量级的ShuffleNet三种特征提取骨架网络,得出结论:特征通道赋权的SEResNet可以更好的服务后续特征金字塔网络的构建,ShuffleNet的平均精度均值(mean Average Precision,mAP)以及召回率(Recall)最低,但是更适合移动端的部署;组建了4种不同的特征金字塔,提出了适用于地面人员检测的特征金字塔构建方式,得出结论:预测更多的特征金字塔层数并未提升检测性能,对于无人机热红外人员检测任务,特征金字塔的构建应该更偏向底层;针对垂直向下拍摄时地面目标易与背景混淆以及不同观测姿态下目标类间方差大的问题,为模型构建难例挖掘手段,得出结论:难例挖掘手段显著提升了模型的召回率Recall和平均精度均值mAP。(3)开展了UAV-IRDetNet模型整体测试及对比分析。UAV-IRDetNet模型的平均精度均值mAP达到0.950,召回率Recall达到0.991;通过对比分析得出传统通用目标检测算法未能满足目标间类间方差小,目标与背景间类间方差大的假设,无法胜任无人机热红外目标检测任务;与基于深度学习的通用目标检测算法之间的横向比较表明,本文提出的UAV-IRDetNet较两阶段通用目标检测模型FasterRCNN和单阶段通用目标检测模型RetinaNet提升显著;相比两种专用红外遥感目标检测算法I-MRF和FKRW本文所提UAV-IRDetNet优势明显。本文提出了UAV-IRDet3500无人机热红外遥感目标检测数据集,并根据数据特点提出了UAV-IRDetNet无人机遥感目标检测模型。探讨了传统通用目标检测算法在无人机热红外遥感任务中的弊端。横向对比了基于深度学习的通用目标检测算法以及专用红外遥感目标检测算法。这进一步挖掘了无人机热红外遥感的应用潜力。

基于无人机遥感与作物模型同化的水稻追肥决策方法研究

这是一篇关于水稻施肥,无人机遥感,叶面积指数,数据同化,作物生长模型的论文, 主要内容为水稻施肥是影响水稻最终产量至关重要的因素之一。近年来,随着化肥价格上涨以及化肥过量施用导致的环境污染愈演愈烈,如何提高化肥使用率、减少化肥投入保证水稻稳产是目前水稻规模化生产过程中亟待解决的关键问题。本研究以东北地区水稻追肥决策为研究对象,通过设计不同的氮肥梯度试验,利用数据同化方法耦合无人机遥感数据和水稻生长模型,将遥感信息引入水稻生长模型,能够改善空间尺度水稻生长过程模拟能力,是提升水稻追肥量预测向机理化和精确化方向发展的有效技术途径。本研究的开展为水稻追肥研究提供了一种全新的思路以及施肥决策,解决了传统施肥决策以数据驱动指导施肥,缺少水稻种植农学机理研究的问题。研究主要成果如下:(1)基于RUN-ELM方法以及无人机可见光影像构建水稻冠层叶面积指数反演模型,模型训练集R2为0.822,RMSE为0.647,验证集R2为0.791,RMSE为0.592。基于卡尔曼滤波方法、集合卡尔曼滤波方法、粒子滤波方法对采集的叶面积指数LAI以及无人机可见光遥感影像反演叶面积指数LAI进行数据同化,依据破坏性采样法采集的水稻样品,测量得到的叶面积指数构建目标函数。根据目标函数结果可知,三种方法数据同化结果误差均值分别为0.654、0.649、0.609,采用粒子滤波算法进行LAI数据同化效果最佳,减小了实验设备采集产生的误差以及反演精度不足导致的误差。(2)基于无人机遥感技术以及作物生长模型,提供一种追肥决策模型的构建思路。基于叶面积指数数据同化结果,与Rice Grow生长模型耦合,优化无法直接获取的品种参数。将优化后的品种参数以及施肥参数输入Rice Grow模型中,将品种标准产量作为模型预测输出产量,不断迭代调整施肥量,使试验田产量达到一致,并根据施肥量制作植保无人机作业处方图用于变量施肥。以水稻实际产量为追肥决策评价指标参考数据,从结果来看,6号试验田至8号试验田产量基本一致,产量均在4900 kg/ha左右,追肥效果较好,并优于仅依靠数据驱动反演水稻氮素含量的追肥决策模型。(3)构建“空-地”协同驱动的水稻追肥决策可视化系统,根据物联网传感器收集的生境数据、“空-地”协同驱动的水稻追肥决策模型的追肥决策结果以及植保无人机作业处方图,分析平台功能需求,运用My SQL数据库技术构建平台数据库,设计并实现平台功能及架构。系统的实现有助于农田管理人员实时了解田间情况并对其进行管理,有效提高水稻施肥及管理效率。本文利用无人机冠层遥感数据,结合地面物联网气象数据,采用数据驱动反演方法以及LAI-2200C植物冠层分析仪分别获取田块尺度水稻叶面积指数,通过数据同化方法优化叶面积指数数据,减小误差后,与水稻生长模型相耦合,生成追肥决策,制作植保无人机作业处方图,开展水稻精准施肥。实现了在时间尺度、空间尺度上优势互补,对水稻规模化生产、氮肥施用“减量增效”等方面具有重要的理论价值和实际意义。

基于无人机遥感影像的地物分类研究

这是一篇关于无人机遥感,可见光影像,地物分类,分类方法,尺度效应的论文, 主要内容为随着无人机平台的出现及发展,高时空分辨率遥感影像的获取成为可能,而无人机遥感也为地物分类研究提供一种新的思路。准确地获取地物信息在国土利用调查与城乡规划制图以及土地政策制定等方面具有重要应用。目前存在的分类算法众多,如何选取合适的分类方法与空间分辨率进行地物分类成为遥感解译工作中一个亟待解决的科学问题。本研究以无人机遥感影像为数据来源,以ENVI、e Cognition Developer等专业遥感影像处理软件和Python为实验平台,选取福建省三明市宁化县城郊乡与翠江镇交界处为研究区,围绕“无人机遥感在地物分类的应用”展开研究,主要研究内容及成果如下:(1)利用四种基于像元的分类方法(MD、ML、SVM、RF)进行地物信息的分类提取,研究结果表明:RF法的分类效果和分类精度在4种分类方法中最优,并以不同程度地优于其他3种分类方法。(2)采用ESP2工具确定最优分割尺度、利用基于距离度量的特征选择方法进行特征优选、辅以设计的EGRBDI指数,分别基于面向对象的4种机器学习方法(KNN、CART、SVM、RF)进行基于面向对象的地物分类精度对比分析研究,研究结果表明:RF分类算法对应的分类效果和分类精度最优,总体精度均在89%以上;相比基于全部特征参与分类过程,经过特征优选后的不同地物分类精度有不同程度地提高;EGRBDI指数能有效地增强目视分类效果并提高地物分类精度。(3)基于Python脚本语言自制的深度学习的样本数据集,经过多次实验确定模型参数,并对U-Net和Seg Net模型进行网络训练,进而开展地物分类的精度对比分析研究,最后对比分析基于像元、基于面向对象和基于深度学习3种类型分类方法的分类精度,结果表明:U-Net模型获得的地物分类精度比Seg Net模型更高,收敛速度更快,在节省时间成本的同时还能获得更高的分类精度;U-Net模型对应的分类精度在3种类型分类方法中最佳。(4)采用定量评价的方式评估不同重采样方法对影像质量影响的大小以确定本研究的重采样方式,再基于面向对象的RF算法和基于深度学习的U-Net模型对不同分辨率的影像进行地物分类,初步探讨无人机影像地物分类的尺度效应,研究结果表明:随着空间分辨率的降低,地物分类的效果和分类精度存在不同程度地降低且具有一定波动性;分辨率的变化对U-Net模型的分类精度影响更大;分辨率的变化对纹理信息较为复杂的无人机影像的地物分类精度影响更大。

面向通信塔倒塌的风险区语义分割与危害等级评估研究

这是一篇关于通信塔倒塌,无人机遥感,语义分割,模糊综合评价法,危害评估的论文, 主要内容为无人机航拍已经成为通信塔巡检主要方式,通过分析通信塔巡检时拍摄的高空间分辨率影像,能及时获取通信塔倒塌风险区(以通信塔位置为中心,塔高为半径的范围)内最新的地物种类、地物覆盖面积等地理环境信息,基于此类信息,可以进行假定通信塔倒塌后的危害等级评估,评估结果可以作为相关部门安全决策的参考。为此,本文设计了一种改进的Deeplabv3+模型,提高风险区影像地物分割能力,采用模糊综合评价方法评估通信塔倒塌危害等级,提高通信塔倒塌危害等级评估的科学性。本文从以下方面进行相关研究:(1)地物分割数据集的制作和地物分割基线模型的选取。首先通过遥感影像目视解译和现场调研,选定通信塔倒塌风险区内出现频率较高的道路、房屋、工厂、大棚、耕地五种重要地物作为研究类别,然后借助Labelme工具手工标注从大量的无人机遥感影像中筛选出的部分影像,并以一定的重叠度对大尺寸影像进行切分,最终所得的数据集包含1427张影像。使用DFANet、Bi Se Net V2和Deeplabv3+三种主流语义分割模型在地物分割数据集上进行实验,结果表明Deeplabv3+模型要优于其他两个模型,因此选择Deeplabv3+作为地物分割的基线模型。(2)Deeplabv3+模型的改进。针对Deeplabv3+模型在地物分割任务中分割边界不够清晰、模型参数量过大的问题,对其进行改进,提出了基于Deeplabv3+的融合边缘特征和多级上采样的语义分割模型(Fusion of Edge Feature and Multi-level Upsampling in Deeplabv3+,EMNet)。EMNet以轻量级的Mobile Net V2为主干网络,在编码器中增加了一个边缘检测分支,利用边缘特征提高语义分割的准确性。在解码器中,设计了一种多级上采样方法,增强编码器与解码器之间连接的紧密性,以保留高层次的语义信息(目标的位置和边界信息)。实验结果表明,EMNet的m Io U和m PA指标在自制数据集上比Deeplabv3+分别提高了1.01%和0.62%,在数据集UAVid上分别提高了7.11%和6.93%,同时在模型参数量上比Deeplabv3+减少49M,证实了EMNet在地物分割任务中同时保持模型轻量化和高分割精度。因此选择EMNet作为通信塔倒塌风险区影像地物分割模型,将基于该模型的分割结果推算风险区内出现的重要地物的实地面积。(3)基于模糊综合评价法构建通信塔倒塌危害等级评估模型。结合本文的应用特性,从模糊综合评价法角度出发,讨论以道路、房屋、工厂、大棚、耕地五类地物面积作为因素集的合理性,通过专家问卷调查法确定以上五类地物面积的分级标准。根据地物类别的权重,建立模糊推理规则,基于风险区范围内的地物面积推导通信塔倒塌的危害等级,从而减少通信塔倒塌危害等级评估时的人工成本以及主观臆断对评估结果的影响。本文的研究为探索性研究,以南昌市的通信塔影像为例,评估通信塔倒塌的危害等级,得到了较为合理的评估结果,证明了本文所使用方法的有效性,能够为通信安全管理部门和政府的相关决策提供参考和方法。

面向通信塔倒塌的风险区语义分割与危害等级评估研究

这是一篇关于通信塔倒塌,无人机遥感,语义分割,模糊综合评价法,危害评估的论文, 主要内容为无人机航拍已经成为通信塔巡检主要方式,通过分析通信塔巡检时拍摄的高空间分辨率影像,能及时获取通信塔倒塌风险区(以通信塔位置为中心,塔高为半径的范围)内最新的地物种类、地物覆盖面积等地理环境信息,基于此类信息,可以进行假定通信塔倒塌后的危害等级评估,评估结果可以作为相关部门安全决策的参考。为此,本文设计了一种改进的Deeplabv3+模型,提高风险区影像地物分割能力,采用模糊综合评价方法评估通信塔倒塌危害等级,提高通信塔倒塌危害等级评估的科学性。本文从以下方面进行相关研究:(1)地物分割数据集的制作和地物分割基线模型的选取。首先通过遥感影像目视解译和现场调研,选定通信塔倒塌风险区内出现频率较高的道路、房屋、工厂、大棚、耕地五种重要地物作为研究类别,然后借助Labelme工具手工标注从大量的无人机遥感影像中筛选出的部分影像,并以一定的重叠度对大尺寸影像进行切分,最终所得的数据集包含1427张影像。使用DFANet、Bi Se Net V2和Deeplabv3+三种主流语义分割模型在地物分割数据集上进行实验,结果表明Deeplabv3+模型要优于其他两个模型,因此选择Deeplabv3+作为地物分割的基线模型。(2)Deeplabv3+模型的改进。针对Deeplabv3+模型在地物分割任务中分割边界不够清晰、模型参数量过大的问题,对其进行改进,提出了基于Deeplabv3+的融合边缘特征和多级上采样的语义分割模型(Fusion of Edge Feature and Multi-level Upsampling in Deeplabv3+,EMNet)。EMNet以轻量级的Mobile Net V2为主干网络,在编码器中增加了一个边缘检测分支,利用边缘特征提高语义分割的准确性。在解码器中,设计了一种多级上采样方法,增强编码器与解码器之间连接的紧密性,以保留高层次的语义信息(目标的位置和边界信息)。实验结果表明,EMNet的m Io U和m PA指标在自制数据集上比Deeplabv3+分别提高了1.01%和0.62%,在数据集UAVid上分别提高了7.11%和6.93%,同时在模型参数量上比Deeplabv3+减少49M,证实了EMNet在地物分割任务中同时保持模型轻量化和高分割精度。因此选择EMNet作为通信塔倒塌风险区影像地物分割模型,将基于该模型的分割结果推算风险区内出现的重要地物的实地面积。(3)基于模糊综合评价法构建通信塔倒塌危害等级评估模型。结合本文的应用特性,从模糊综合评价法角度出发,讨论以道路、房屋、工厂、大棚、耕地五类地物面积作为因素集的合理性,通过专家问卷调查法确定以上五类地物面积的分级标准。根据地物类别的权重,建立模糊推理规则,基于风险区范围内的地物面积推导通信塔倒塌的危害等级,从而减少通信塔倒塌危害等级评估时的人工成本以及主观臆断对评估结果的影响。本文的研究为探索性研究,以南昌市的通信塔影像为例,评估通信塔倒塌的危害等级,得到了较为合理的评估结果,证明了本文所使用方法的有效性,能够为通信安全管理部门和政府的相关决策提供参考和方法。

基于无人机遥感的松材线虫病树检测分级方法研究

这是一篇关于松材线虫病,无人机遥感,深度学习,YOLO的论文, 主要内容为由松材线虫引起的松材线虫病在全球内发展迅速,造成松树大量死亡。中国是受松材线虫病影响最严重的国家,自1982年首次发现至今,已造成严重的经济损失。及时有效的发现松材线虫病树并对其染病程度进行分级工作是控制疫情传播的重要手段,是中国松材线虫病防控工作的核心之一。然而,基于无人机遥感的松材线虫病树识别与分级工作存在识别精度低、识别速度慢、分级精度低等问题。为解决上述问题,本文以松材线虫病树的识别分级为目标,构建基于深度学习的松材线虫病树识别模型和松材线虫病树分级模型,实现对基于无人机遥感的松材线虫病树监测。具体研究内容如下:(1)基于无人机遥感与深度学习的松材线虫病树识别方法针对在复杂地形地物环境下,传统基础模型因遮挡、背景等原因对病树特征提取能力弱,检测精度偏低,易出现误检漏检的问题;且考虑到覆盖广域林区产生海量数据,检测模型速度偏慢导致检测过程漫长。同时单一可见光图像识别方式存在精度较低的问题,单一多光谱识别方式会受到“同物异谱”和“异物同谱”现象的影响,从而出现各种误检、漏检状况,影响变色木的识别精度。为此,提出一种基于改进YOLOv5l的松材线虫病树识别方法。通过改变主干网络、使用注意力机制等提升模型对多光谱图像与可见光图像多尺度、多种类特征的有效提取与融合能力,降低模型复杂度,包括使用两种注意力机制CBAM和CA结合、使用Bi FPN结构、使用Ghost Net以及Transformer结构改进模型,提升模型的精准度,减少参数量,提升检测速度。实验结果表明,改进后的融合多光谱图像与可见光图像的检测模型参数量为46.69MB,平均检测时间为0.064s/张,m AP@0.5达到0.987,可以快速精确的对无人机遥感图像的松材线虫病树进行检测。(2)基于无人机遥感与深度迁移学习的松材线虫病树分级方法现有工作大多针对松材线虫病树识别问题,缺少对病树的快速分级,对病树进行不同感染程度划分可以针对性的使用不同的防治手段,有效控制疫情传播。因此提出一种基于无人机遥感和深度迁移学习的松材线虫病树分级方法。该方法以多光谱可见光图像融合的迁移学习为基础,利用改进后的YOLOv7x模型对树进行识别和分级工作。通过提出一种大感受野与分支注意力机制的基础特征提取单元,结合平衡特征提取与特征融合的ELAN,然后通过训练策略优化,解决不同时期病树界限模糊对于分级工作带来的难题。实验结果表明,改进后的YOLOv7x模型,对早期病树的检测精度达到0.937,对中期病树的检测精度达到0.951,对晚期病树的检测精度达到0.942,对枯死木的检测精度达到0.926,平均精度均值m AP@0.5为0.939,可以精确的对无人机遥感图像的松材线虫病树进行分级工作。

本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:毕业设计工坊 ,原文地址:https://m.bishedaima.com/lunwen/48066.html

相关推荐

发表回复

登录后才能评论