基于图像处理的自动野外救援系统设计

针对野外救援的不及时性,结合人工智能等技术的应用,提出了一种新的自动野外救援系统.人类在野外和海上活动中受困后,除了依靠自身能力和装备进行求生之外,外部的有效及时救援是提高生存几率的关键.自动野外救援系统,由自动报警装置、手动报警装置实现报警,触发整个系统的运行.自动救援装置可以通过定位模块实现定位,通过执行器移动到随身装置附近实现救援,随身装置还可以发出信标导引信号;自动救援装置还可以通过传感器检测信标,通过相位检测技术等计算待救者的坐标并规划路径,实现更精准的定位与救援.     

基于机器学习的重庆长江航道雾图像特征识别研究

基于重庆市境内长江航道雷达站拍摄的雾天气过程影像资料,利用K最近邻、支持向量机、BP神经网络、随机森林等机器学习算法,对无雾和5类有雾天气个例进行图像识别训练,构建雾图像识别模型,并检验了识别准确率。结果表明：机器学习能够有效识别雾图像,随机森林算法的识别效果优于其余3种算法。对于能见度超过1500 m的无雾天气,模型的识别准确率为100%,对于能见度在1000—1500 m范围内的轻雾、能见度低于50 m的强浓雾,模型的识别准确率在90%以上,对于能见度在50—1000 m范围内的雾、大雾和浓雾,识别准确率超过70%。     

规则池塘群的复杂直线模式识别

针对现有面要素直线模式识别方法难以解决规则池塘中破碎区域的问题,提出了一种规则池塘群的复杂直线模式识别方法。首先,分析了规则池塘群的空间特征和认知特点,提出了“主次关系→并列关系→直线模式→复杂直线模式”的多层次认知顺序;其次,设计了主次关系池塘组、并列关系池塘组、直线模式池塘群的识别方法;最后,构建了复杂直线模式池塘群的识别模型。试验表明:本文方法能够消除破碎区域对规则池塘群直线模式提取的不利影响,有效提升复杂直线模式识别的质量。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

基于计算机视觉的头足类角质颚特征研究Ⅰ:轮廓与特征点提取

轮廓与特征点研究是头足类角质颚形态特征鉴别的基本方法,对于轮廓与特征点的提取最常用的方法是手动描绘与标定,利用计算机视觉进行轮廓与特征点的提取,不仅可以降低手动提取带来的误差、提高准确性,而且更加快速、便捷。文章将利用计算机视觉提取头足类角质颚的轮廓与特征点,首先将自制装置拍摄得到的角质颚三视图放入MTALAB软件中进行编程处理,然后利用Canny算法提取角质颚轮廓,最后根据地标点的定义标定特征点位置并建立空间坐标系得到角质颚的特征点坐标。研究结果显示,利用计算机视觉提取角质颚的轮廓图像以及特征点坐标是可行的,当标准差σ取值为0.1时角质颚轮廓图效果最佳,在得到的轮廓图上进行特征点的标定,通过迭代遍历轮廓图获得各个特征点的空间坐标。研究分析认为,将计算机视觉应用于头足类角质颚形态学的研究可以提高研究的便捷性,同时也为后续的研究提供了新的实验思路和方法。     

自组织竞争神经网络在江苏油田有杆抽油系统故障诊断中的应用

有杆抽油系统的故障诊断技术是国内外采油工程技术中的一个重要研究课题。通过示功图的不同形状特征可以反映抽油机的不同工作状态。将自组织竞争神经网络应用于示功图的识别与分类,建立了一个自组织竞争神经网络模型对示功图进行自动聚类,从而实现故障诊断的自动化。应用江苏油田的实测示功图数据进行实验,可以看出自组织竞争神经网络具有良好的分类能力和泛化性能,是实现油田抽油系统故障诊断的有效技术,具有很强的实用价值和广泛的应用前景。     

传统村落景观基因信息链与自动识别模型构建——以陕西省为例

传统村落作为活的文化遗产,承载了大量历史记忆,是地域文化景观基因识别与模型构建研究的重要切入点。以陕西省71个国家级传统村落为例,基于景观基因理论建立陕西省传统村落景观基因识别体系,识别出陕西省传统村落景观基因特征;运用类型学原理和N级编码理论对景观基因进行编码,构建陕西省传统村落景观基因信息链并生成基因谱系;借鉴生物学中“胞-链-形”DNA碱基序列模型,提取出环境基因、建筑基因、农耕文化基因和宗族文化基因四个公共基因作为景观基因元（胞）,以村内道路系统作为基因链,构建传统村落景观基因DNA模型与自动识别模型,以此对传统村落的区位、类型、特征和文化基因进行自动识别。为传统村落景观基因信息有效传承与存储,以及乡村建设动态发展提供理论借鉴。     

基于SSW点云数据的矢量地图平面精度自动校验方法

常规的矢量地图精度校验采用抽样与实地测量,外业工作量大,自动化程度低。针对这一问题,本文提出基于SSW激光点云数据的矢量地图平面精度自动校验方法。首先,使用车载激光扫描器获得道路两侧高精度点云数据,并对点云数据进行滤波、坐标转换和精度检验;其次,基于多特征识别算法,使用SWDY软件提取点云特征点线;最后,利用最近邻法搜索待检矢量图中的同类地物特征点线,并计算匹配点线对的中误差。以兴化城区为试验区,采用该方法检测该地区1：1000比例尺的矢量地图平面精度,试验结果显示,成功匹配了点云数据205个地物特征中的201个,矢量地图的总体中误差为0.26 m,且能够发现待检测矢量地图中的采集丢漏与明显错误。本文方法可以减少现有检测方法的野外实测工作量,增加检测样本数量,降低检测过程中的人为干扰因素,有效提升检测的可靠性与检测效率。     

Rural settlement spatial patterns and effects: Road traffic accessibility and geographic factors in Guangdong Province,China

Journal of Geographical Sciences - Based on land use classification data of remote sensing images, using kernel density, the minimal cumulative resistance model of road traffic accessibility, and a...     

A natural language processing and geospatial clustering framework for harvesting local place names from geotagged housing advertisements

Local place names are frequently used by residents living in a geographic region. Such place names may not be recorded in existing gazetteers, due to their vernacular nature, relative insignificance to a gazetteer covering a large area (e.g. the entire world), recent establishment (e.g. the name of a newly-opened shopping center) or other reasons. While not always recorded, local place names play important roles in many applications, from supporting public participation in urban planning to locating victims in disaster response. In this paper, we propose a computational framework for harvesting local place names from geotagged housing advertisements. We make use of those advertisements posted on local-oriented websites, such as Craigslist, where local place names are often mentioned. The proposed framework consists of two stages: natural language processing (NLP) and geospatial clustering. The NLP stage examines the textual content of housing advertisements and extracts place name candidates. The geospatial stage focuses on the coordinates associated with the extracted place name candidates and performs multiscale geospatial clustering to filter out the non-place names. We evaluate our framework by comparing its performance with those of six baselines. We also compare our result with four existing gazetteers to demonstrate the not-yet-recorded local place names discovered by our framework.