• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于MobileNetV2輕量化網(wǎng)絡(luò)的尾礦庫修復(fù)植被分類研究

    2025-03-01 00:00:00胡小輝劉雅輝龔櫟澎遲曉杰孫冉冉王紫威
    關(guān)鍵詞:尾礦庫無人機(jī)

    摘 要:恢復(fù)植被的空間識(shí)別可以有效地監(jiān)測和評價(jià)尾礦庫生態(tài)修復(fù)效果,為礦區(qū)的可持續(xù)發(fā)展提供重要的科學(xué)依據(jù)。本研究利用無人機(jī)獲取的多光譜影像數(shù)據(jù),結(jié)合野外實(shí)地調(diào)查樣點(diǎn)構(gòu)建樣本分類標(biāo)簽,基于MobileNetV2輕量化網(wǎng)絡(luò)模型,對尾礦庫典型樣區(qū)的喬木、灌木與草本修復(fù)植被進(jìn)行分類,并以隨機(jī)森林分類方法作為對比。結(jié)果顯示,MobileNetV2模型總體分類F1分值為90.33%,相較于隨機(jī)森林分類提高了4.91%;對于喬木、灌木和草本植物的分類精度,F(xiàn)1分?jǐn)?shù)分別達(dá)到了87.98%、94.02%和81.30%,具有良好的分類效果。MobileNetV2輕量化模型降低了網(wǎng)絡(luò)復(fù)雜度和參數(shù)量,有效實(shí)現(xiàn)了尾礦庫復(fù)雜背景下的植被分類,為礦區(qū)環(huán)境的監(jiān)測與管理提供了技術(shù)支持。

    關(guān)鍵詞:尾礦庫;無人機(jī);多光譜影像;MobileNetV2;修復(fù)植被;植被分類

    中圖分類號(hào):TP79" 文獻(xiàn)標(biāo)識(shí)碼:A" 文章編號(hào):1673-260X(2025)01-0092-06

    隨著工業(yè)化進(jìn)程的不斷加快,采礦活動(dòng)對生態(tài)環(huán)境造成了顯著影響,尾礦庫作為礦業(yè)活動(dòng)的直接副產(chǎn)品,其生態(tài)修復(fù)狀況監(jiān)測工作十分重要[1]。植被是礦區(qū)生態(tài)環(huán)境的重要構(gòu)成,對修復(fù)植被進(jìn)行分類可以從空間尺度上揭示礦區(qū)生態(tài)修復(fù)現(xiàn)狀,是評價(jià)礦區(qū)生態(tài)修復(fù)質(zhì)量的重要指標(biāo)。遙感具有大面積動(dòng)態(tài)監(jiān)測等特點(diǎn),采用遙感手段對礦區(qū)修復(fù)植被進(jìn)行分類監(jiān)測,有助于制定更有針對性的生態(tài)修復(fù)計(jì)劃,為后續(xù)修復(fù)方案的調(diào)整和改進(jìn)提供依據(jù),更好地維持礦區(qū)生態(tài)系統(tǒng)的穩(wěn)定性和多樣性[2]。

    獲取遙感影像的傳統(tǒng)途徑依賴于衛(wèi)星遙感,這種方法雖然能夠覆蓋大范圍的區(qū)域,但難以完成復(fù)雜背景下的高精度分類工作。相比之下,無人機(jī)時(shí)效性強(qiáng)、機(jī)動(dòng)靈活,可以在較低的飛行高度上搭載高分辨率相機(jī),最大程度采集地物特征,從而獲取高分辨率影像,廣泛應(yīng)用于植被分類中[3]。Yan等采用高分辨率無人機(jī)影像,構(gòu)建多角度高光譜遙感系統(tǒng),實(shí)現(xiàn)了玉米、大豆和雜草植被的高精度分類[4];陳凱等結(jié)合光譜、紋理、點(diǎn)云等特征,利用無人機(jī)搭載RGB相機(jī)獲取影像,實(shí)現(xiàn)了礦區(qū)典型植物的分類[5]。

    傳統(tǒng)遙感植被分類大多采用機(jī)器學(xué)習(xí)方法,需要人為構(gòu)建和選擇合適的特征,如支持向量機(jī)、隨機(jī)森林、決策樹等[6]。Ishida等基于無人機(jī)高光譜影像,對菲律賓植被區(qū)域在單一背景中表現(xiàn)出的光譜和紋理特征差異進(jìn)行提取,實(shí)現(xiàn)了對芒果樹、干草等植被的準(zhǔn)確分類[7];帥爽等通過特征優(yōu)化技術(shù)結(jié)合隨機(jī)森林算法應(yīng)用于干旱區(qū)高光譜植被分類,有效提升了分類精度,然而,達(dá)到的最高整體分類精度尚未超越其他研究者應(yīng)用深度學(xué)習(xí)分類所取得的結(jié)果[8]。機(jī)器學(xué)習(xí)分類方法在植被識(shí)別與分類方面取得了良好成效,但在面對復(fù)雜背景條件時(shí),其分類效果略顯不足。

    相比之下,深度學(xué)習(xí)分類方法,依托于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)中的高級(jí)特征,提高分類精度,在植被識(shí)別分類方面顯示出顯著的優(yōu)勢和巨大的應(yīng)用前景[9]。石偉博等使用無人機(jī)獲取的高分辨率RGB影像,基于U-Net語義分割方法對川西亞高山針葉林的岷江冷杉、落葉喬木等植被進(jìn)行分類,得到93.21%的總體分類精度[10];王克奇等針對遙感影像中“同譜異物”和“同物異譜”現(xiàn)象導(dǎo)致的傳統(tǒng)機(jī)器學(xué)習(xí)方法難以準(zhǔn)確分類以及深度學(xué)習(xí)模型處理高維數(shù)據(jù)耗時(shí)較長等問題,通過優(yōu)化U-Net分類方法,高效且快速地區(qū)分了農(nóng)林植被[11]。深度學(xué)習(xí)在圖像分類精度上不斷提升,相應(yīng)地也增加了對計(jì)算能力的需求,這種高算力門檻阻礙了深度模型在多樣化場景的廣泛應(yīng)用[12]。

    近年來,深度學(xué)習(xí)領(lǐng)域正致力于神經(jīng)網(wǎng)絡(luò)的輕量化,使其在移動(dòng)設(shè)備和嵌入式系統(tǒng)中的部署變得可行[13]。MobileNet架構(gòu)通過引入深度可分離卷積,有效降低了模型的復(fù)雜度,同時(shí)保持了識(shí)別和分類的準(zhǔn)確性,并加快了處理速度[14]。2018年,Google團(tuán)隊(duì)推出了MobileNetV2網(wǎng)絡(luò),與傳統(tǒng)網(wǎng)絡(luò)相比,這一輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)在減少參數(shù)數(shù)量方面取得了顯著進(jìn)展,同時(shí)保持了較高的準(zhǔn)確率[15]。胡玉珠等采用改進(jìn)的MobileNetV2并結(jié)合遷移學(xué)習(xí)策略對4種常見水稻葉片病蟲害進(jìn)行識(shí)別,準(zhǔn)確提取了水稻葉片病蟲害特征,提高了識(shí)別效率和精度[16]。王中璞等針對棉花顏色級(jí)檢測人工效率低和儀器檢測不穩(wěn)定的問題,改進(jìn)MobileNetV2模型,實(shí)現(xiàn)了棉花顏色級(jí)的快速檢測。MobileNetV2模型具有計(jì)算量小、運(yùn)行速度快、準(zhǔn)確率高等優(yōu)點(diǎn),在多個(gè)領(lǐng)域都有應(yīng)用,然而,在植被識(shí)別分類方面的應(yīng)用相對較少[17]。

    尾礦庫修復(fù)植被空間分布格局復(fù)雜,給無人機(jī)多光譜植被分類帶來了挑戰(zhàn)。本研究基于MobileNetV2輕量級(jí)網(wǎng)絡(luò)模型,利用無人機(jī)多光譜影像,并結(jié)合現(xiàn)場調(diào)查數(shù)據(jù)來創(chuàng)建樣本分類標(biāo)簽,對鐵尾礦庫典型樣區(qū)的植被,包括喬木、灌木和草本進(jìn)行分類,并以隨機(jī)森林分類方法作對比,旨在探究MobileNetV2輕量化模型處理尾礦庫復(fù)雜環(huán)境植被分類任務(wù)的可行性,以期為未來類似復(fù)雜場景下的分類問題提供新的思路。

    1 研究區(qū)與數(shù)據(jù)

    研究區(qū)位于河北省唐山市的馬蘭莊尾礦庫坡面上,該尾礦庫于1997年開始復(fù)墾,現(xiàn)存的修復(fù)植被多以人工栽種為主,自復(fù)墾以來,陸續(xù)栽種的植被主要有火炬樹和刺槐等喬木,紫穗槐、沙棘和連翹等灌木,以及狗尾草、荊條等草本。隨著生態(tài)環(huán)境逐年變好,后又出現(xiàn)了榆樹、楊樹等自然恢復(fù)植被。本研究選取馬蘭莊尾礦庫坡面上的典型修復(fù)樣地,按照不同植被類型劃分分類體系,具體分為喬木、灌木、草本植被與裸土。

    本研究采用的多光譜影像由大疆精靈4多光譜版無人機(jī)于2022年10月拍攝,拍攝時(shí)天氣晴朗且風(fēng)速適宜,通過設(shè)定100米的飛行高度,以及80%的航向重疊率和70%的旁向重疊率,得到的影像具有5.4cm的分辨率。對獲取的影像進(jìn)行拼接、矯正等預(yù)處理后,得到包含紅、綠、藍(lán)、近紅外波段的研究區(qū)多光譜影像(圖1)。

    2 研究方法

    2.1 MobileNetV2模型

    MobileNetV2網(wǎng)絡(luò)由Google的研究人員于2018年提出,是一種高效的輕量級(jí)深度神經(jīng)網(wǎng)絡(luò),具有模型輕量、速度快、準(zhǔn)確性高等優(yōu)點(diǎn)。MobileNetV2通過將深度可分離卷積(Depthwise Separable Convolution)與反向線性殘差結(jié)構(gòu)(Inverted Residual Structure)引入到模型中,可有效降低模型計(jì)算負(fù)擔(dān),并保持模型分類準(zhǔn)確度。該模型能夠有效地提取和處理多光譜數(shù)據(jù)中的特征,提高分類精度[18]。

    2.1.1 深度可分離卷積

    在傳統(tǒng)的卷積網(wǎng)絡(luò)中,輸入的特征圖與多個(gè)卷積核進(jìn)行卷積,以產(chǎn)生輸出特征圖。而深度可分離卷積(圖2)則采取了不同的方法,它將這一過程分解成兩個(gè)階段[19]:首先是深度卷積(Depthwise Convolution)也稱DW卷積和逐元素卷積,對每個(gè)輸入通道獨(dú)立進(jìn)行卷積,不混合通道信息,從而大幅減少計(jì)算量;其次是逐點(diǎn)卷積(Pointwise Convolution),也稱PW卷積或逐通道卷積,該卷積使用1x1的點(diǎn)卷積對每個(gè)像素點(diǎn)進(jìn)行全通道的線性組合,生成新的特征表示,盡管涉及全通道計(jì)算,但因卷積核大小為1×1,計(jì)算量仍較低[20]。

    2.1.2 反向線性殘差結(jié)構(gòu)

    為優(yōu)化模型在有限計(jì)算資源下的性能,反向線性殘差結(jié)構(gòu)引入倒殘差塊(Inverted Residual Block)與線性瓶頸層(Linear Bottleneck),這樣既可提升效率又可保持較高的精度[21]。

    與傳統(tǒng)的殘差結(jié)構(gòu)相比,其特征處理流程有所不同:傳統(tǒng)結(jié)構(gòu)先進(jìn)行降維操作,之后進(jìn)行特征提取,最后進(jìn)行升維操作,呈兩頭大、中間小的沙漏型結(jié)構(gòu)。而倒殘差塊(圖3),首先通過1×1點(diǎn)卷積增加維度,再應(yīng)用3×3的深度卷積進(jìn)行特征提取,最終通過1×1的點(diǎn)卷積減少維度。這種結(jié)構(gòu)不僅調(diào)整了維度變換的順序,還應(yīng)用了效率更高的深度卷積,并通過殘差連接保留了原始特征,形成了中間寬兩端窄的梭型結(jié)構(gòu)。

    將線性瓶頸層引入到MobileNetV2模型中,在倒殘差結(jié)構(gòu)的最后一層降維操作后,將非線性激活函數(shù)(如ReLU)改為線性激活函數(shù),通過在不同維度的特征空間之間進(jìn)行轉(zhuǎn)換,可有效減少參數(shù)數(shù)量以及計(jì)算量,同時(shí)保持模型的表達(dá)能力和分類性能。

    2.1.3 MobileNetV2網(wǎng)絡(luò)模型構(gòu)建

    MobileNetV2的殘差塊(圖4)采用深度可分離卷積,遵循先擴(kuò)展后縮減的維度變換策略,不僅可避免信息的丟失,還可顯著提升模型對復(fù)雜特征的捕捉能力[22]。MobileNetV2的反向殘差結(jié)構(gòu)分為兩種形態(tài),依據(jù)步長差異而定:步長設(shè)為1時(shí),殘差塊保持輸入和輸出的維度一致性,并通過殘差連接將逐點(diǎn)卷積的輸出與原始輸入相加,有助于減輕深層網(wǎng)絡(luò)訓(xùn)練中的梯度消失;步長設(shè)為2時(shí),反向殘差結(jié)構(gòu)去除了殘差連接[23]。

    MobileNetV2架構(gòu)由一系列倒置殘差模塊構(gòu)成,這些模塊通過層次化參數(shù)配置,優(yōu)化了網(wǎng)絡(luò)的結(jié)構(gòu)(表1)。網(wǎng)絡(luò)的首層采用32個(gè)卷積核,搭配ReLU6激活函數(shù),增強(qiáng)了模型在低精度計(jì)算中的穩(wěn)定性。倒置殘差模塊通過先擴(kuò)展后縮減的策略,提升了卷積操作的效率,同時(shí)減少了計(jì)算和參數(shù)需求。這種設(shè)計(jì)不僅提高了性能,還保持了模型的輕量化[24]。

    2.2 隨機(jī)森林分類

    隨機(jī)森林通過融合眾多決策樹來提升分類的準(zhǔn)確性,本研究設(shè)置的決策樹棵數(shù)為300。為增加模型的多樣性,有效防止過擬合,每棵樹獨(dú)立地從自助采樣得到的隨機(jī)子集中學(xué)習(xí)。在預(yù)測階段,模型通過多數(shù)投票法來決定每個(gè)樣本的最終分類。隨機(jī)森林在處理高維數(shù)據(jù)時(shí)表現(xiàn)出色,且參數(shù)調(diào)整簡便,能實(shí)現(xiàn)高效的分類性能。

    2.3 精度評價(jià)

    精確率(Precision)表示在所有被判定為正例的樣本中,真正屬于正例的比例;召回率(Recall)表示在所有實(shí)際為正例的樣本中,被正確識(shí)別的比例;F1分?jǐn)?shù)(F1score)是精確率與召回率的調(diào)和平均值,分值越高模型效果越好[25]。三個(gè)指標(biāo)的計(jì)算公式如下:

    Recall=" (1)

    Precision=" (2)

    Flscore=" (3)

    式中:TP為模型正確預(yù)測為正類的樣本數(shù)量;TN為模型正確預(yù)測為負(fù)類的樣本數(shù)量;FP為模型錯(cuò)誤預(yù)測為正類的樣本數(shù)量;FN為模型錯(cuò)誤預(yù)測為負(fù)類的樣本數(shù)量。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 環(huán)境及配置

    在研究區(qū)典型樣地中,共標(biāo)注了喬木、灌木、草本與裸土4個(gè)類別作為分類標(biāo)簽,數(shù)字代碼分別為1、2、3、4,未分類地物被賦值為0。繼而對原始影像以及分類標(biāo)簽進(jìn)行切片處理,切片大小為256×256像素,步幅為128,并通過旋轉(zhuǎn)擴(kuò)大樣本標(biāo)簽圖數(shù)據(jù),共獲得包含2 673張分類切片的樣本集。使用隨機(jī)分層抽樣將樣本集分為兩部分:其中80%的數(shù)據(jù)被分配到訓(xùn)練集中,用于模型的學(xué)習(xí)和訓(xùn)練;剩余的20%作為驗(yàn)證集,以評定模型效能和精確度。

    為避免模型發(fā)生過擬合現(xiàn)象,同時(shí)保證足夠的訓(xùn)練周期來深入學(xué)習(xí)數(shù)據(jù)特征,將模型的最大訓(xùn)練周期設(shè)置為20,并設(shè)置模型在驗(yàn)證集表現(xiàn)穩(wěn)定時(shí)自動(dòng)結(jié)束訓(xùn)練。學(xué)習(xí)率決定了模型優(yōu)化時(shí)步長的幅度,過高可能會(huì)使訓(xùn)練不穩(wěn)定,過低則會(huì)減慢訓(xùn)練速度,經(jīng)調(diào)試,學(xué)習(xí)率為0.1和0.01均發(fā)生梯度爆炸,而設(shè)為0.001時(shí)效果較佳,故本研究設(shè)置的學(xué)習(xí)率為0.001。

    模型損失函數(shù)隨著迭代次數(shù)的增加而逐漸降低,訓(xùn)練和驗(yàn)證損失的顯著下降反映模型參數(shù)在學(xué)習(xí)過程中的持續(xù)優(yōu)化(圖5)。迭代16次后,損失值達(dá)到穩(wěn)定狀態(tài),表明模型已達(dá)到良好的收斂狀態(tài),這種穩(wěn)定趨勢表明模型已有效學(xué)習(xí)了從輸入數(shù)據(jù)中提取特征并具有準(zhǔn)確預(yù)測的能力,額外的迭代可能不會(huì)再顯著提升性能。

    3.2 分類結(jié)果及分析

    對分類結(jié)果進(jìn)行精度評價(jià),得到MobileNetV2與隨機(jī)森林分類的精確率、召回率為以及F1分值(表2),MobileNetV2相較于隨機(jī)森林各植被分類精度均有所提高,且總體分類F1分值提高了4.91%。這表明在尾礦庫等復(fù)雜背景條件下進(jìn)行植被分類時(shí),MobileNetV2模型比隨機(jī)森林模型更為適用。

    采用MobileNetV2以及隨機(jī)森林兩種分類方法對尾礦庫典型樣區(qū)的修復(fù)植被進(jìn)行分類,得到分類結(jié)果圖像(圖6),兩種分類方法都對研究區(qū)的喬、灌、草植被進(jìn)行了有效分類,且分類結(jié)果大體上呈現(xiàn)出一致性。隨機(jī)森林在植被分類任務(wù)中,其邊緣檢測效果并不理想,出現(xiàn)了“椒鹽噪聲”問題,導(dǎo)致分類精度受限。相比之下,MobileNetV2分類模型有效地抑制了“椒鹽噪聲”,對植被的邊緣實(shí)現(xiàn)了更加精準(zhǔn)的分類。

    由分類結(jié)果圖可知,尾礦庫典型樣區(qū)內(nèi)的恢復(fù)植被主要以喬木灌木居多,不同植被種類分布面積按照從大到小排序?yàn)椋汗嗄緂t;喬木gt;草本。其中灌木類植被在尾礦庫典型樣區(qū)呈大面積分布;喬木類植被因主要以自然修復(fù)為主,散亂分布在灌木林中,且主要分布在樣區(qū)南部;草本植物大多分布在樣區(qū)西北側(cè)及東南側(cè)的灌木周圍。不同植被分類的F1分值大小降序排列為:灌木gt;喬木gt;草本,由于沙棘、連翹等灌木在影像中分布面積最大,且光譜特征與其他地物對比差異明顯,因此灌木類植被分類取得了最好的結(jié)果;其次是喬木類,喬木的單木冠層紋理特征明顯使其分類也取得了較好的效果;由于草本植物相對其他地物樣本較少,且易受周圍喬灌木等的遮擋和陰影影響使其光譜特征有所變化,故其為修復(fù)植被中分類精度相對最低的。

    4 結(jié)論

    通過區(qū)分喬木、灌木和草本等植被類型,可以判斷生態(tài)系統(tǒng)的復(fù)雜性和穩(wěn)定性,評估礦區(qū)的生態(tài)恢復(fù)進(jìn)程是否符合預(yù)期目標(biāo)。本研究采用MobileNetV2輕量化網(wǎng)絡(luò)模型對馬蘭莊尾礦庫典型樣地的多光譜影像進(jìn)行植被分類,共分為喬木、灌木、草本以及裸土四類??傮w分類F1分值達(dá)到了90.33%,相較于隨機(jī)森林分類提高了4.91%。不同植被分類的F1分值降序排列為:灌木gt;喬木gt;草本。研究結(jié)果顯示輕量化MobileNetV2模型在處理尾礦庫復(fù)雜背景分類任務(wù)時(shí),取得了良好的分類精度。本研究提高了尾礦庫復(fù)雜背景下植被分類的自動(dòng)化水平,對于礦區(qū)環(huán)境治理、監(jiān)測與管理具有重要的實(shí)際應(yīng)用價(jià)值。

    ——————————

    參考文獻(xiàn):

    〔1〕趙菁菁,魯明星,谷海紅,等.基于植被覆蓋度變化的礦區(qū)生態(tài)修復(fù)效果研究[J].礦業(yè)研究與開發(fā),2018,38(10):115-118.

    〔2〕張成業(yè),李軍,雷少剛,等.礦區(qū)生態(tài)環(huán)境定量遙感監(jiān)測研究進(jìn)展與展望[J].金屬礦山,2022,26(03):1-27.

    〔3〕胡宜娜,安如,艾澤天,等.基于無人機(jī)高光譜影像的三江源草種精細(xì)識(shí)別研究[J].遙感技術(shù)與應(yīng)用,2021,36(04):926-935.

    〔4〕Yan Y, Deng L, Liu X, et al. Application of UAV-Based Multi-angle Hyperspectral Remote Sensing in Fine Vegetation Classification[J/OL]. Remote Sensing, 2019, 11(23): 2753.

    〔5〕陳凱,雷少剛,楊星晨,等.基于UAV-RGB的礦區(qū)植物分類及其葉綠素含量時(shí)空變化分析[J].金屬礦山,2023,(12):227-233.

    〔6〕劉雅輝,張永彬,宋唐雷,等.基于卷積神經(jīng)網(wǎng)絡(luò)高光譜影像土地利用分類方法研究[J].赤峰學(xué)院學(xué)報(bào)(自然科學(xué)版),2022,38(10):15-19.

    〔7〕Ishida T, Kurihara J, Viray F A, et al. A novel approach for vegetation classification using UAV-based hyperspectral imaging[J/OL]. Computers and Electronics in Agriculture, 2018, 144: 80-85.

    〔8〕帥爽,張志,張?zhí)?,?特征優(yōu)化結(jié)合隨機(jī)森林算法的干旱區(qū)植被高光譜遙感分類方法[J].農(nóng)業(yè)工程學(xué)報(bào),2023,39(09):287-293.

    〔9〕Kumar D. Hyperspectral Image Classification Using Deep Learning Models: A Review[J/OL]. Journal of Physics: Conference Series, 2021, 1950(01): 012087.

    〔10〕石偉博,廖小罕,王紹強(qiáng),等.CNN影像輸入尺寸和分辨率對川西針葉林植被分類精度的影響[J].遙感學(xué)報(bào),2023,27(11):2640-2652.

    〔11〕王克奇,彭熙雯,張怡卓,等.基于改進(jìn)U-Net的高光譜農(nóng)林植被分類方法[J].森林工程,2022,38(01):58-66.

    〔12〕Archana R, Jeevaraj P S E. Deep learning models for digital image processing: a review[J/OL]. Artificial Intelligence Review, 2024, 57(01): 11.

    〔13〕郎磊,夏應(yīng)清.緊湊的神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)研究綜述[J].計(jì)算機(jī)科學(xué)與探索,2020,14(09):1456-1470.

    〔14〕Howard A G, Zhu M, Chen B, et al. MobileNets: Ef?覦cient Convolutional Neural Networks for Mobile Vision Applications[J].

    〔15〕Sandler M, Howard A, Zhu M, et al. MobileNetV2: Inverted Residuals and Linear Bottlenecks[C/OL]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT: IEEE, 2018: 4510-4520[2024-08-08].

    〔16〕胡玉珠,劉昌華,李盼.利用改進(jìn)MobileNet V2網(wǎng)絡(luò)識(shí)別水稻葉片病蟲害的方法[J].武漢輕工大學(xué)學(xué)報(bào),2024,43(03):76-81.

    〔17〕王中璞,吳正香,尤美路,等.基于改進(jìn)MobileNetV2的棉花顏色分級(jí)檢測[J].棉紡織技術(shù),2024,52(06):15-21.

    〔18〕Gulzar Y. Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique[J/OL]. Sustainability, 2023, 15(03): 1906.

    〔19〕范立軍.基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNetV2的混凝土結(jié)構(gòu)裂縫識(shí)別[J].工業(yè)建筑,2023,53(07):231-236.

    〔20〕卓繼寬,馮櫻,張偉.基于MobileNetV2的汽車零件圖像識(shí)別系統(tǒng)設(shè)計(jì)[J].湖北文理學(xué)院學(xué)報(bào),2024,45(05):13-19.

    〔21〕楊莉,張帥,鹿卓慧.基于卷積神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷研究[J].吉林大學(xué)學(xué)報(bào)(信息科學(xué)版),2023,41(04):646-652.

    〔22〕李景昂,馬晨旭,韓永華,等.基于改進(jìn)的DeeplabV3+模型的車道線檢測方法[J].軟件,2022,43(12):76-84.

    〔23〕葉名煬,張杰強(qiáng).基于輕量化網(wǎng)絡(luò)MobileNetV2的玉米病害識(shí)別研究[J].現(xiàn)代計(jì)算機(jī),2022,28(11):46-50.

    〔24〕劉合兵,魯?shù)?,席?基于MobileNetV2和遷移學(xué)習(xí)的玉米病害識(shí)別研究[J].河南農(nóng)業(yè)大學(xué)學(xué)報(bào),2022,56(06):1041-1051.

    〔25〕劉晨晨,葛小三,武永斌,等.基于混合注意力機(jī)制和Deeplabv3+的遙感影像建筑物提取方法[J/OL].自然資源遙感,1-7[2024-08-08].

    猜你喜歡
    尾礦庫無人機(jī)
    尾礦庫空間信息提取與形變監(jiān)測應(yīng)用
    尾礦庫的環(huán)保防滲設(shè)計(jì)分析
    云南化工(2021年5期)2021-12-21 07:41:42
    筑牢尾礦庫安全防線
    高職院校新開設(shè)無人機(jī)專業(yè)的探討
    人間(2016年26期)2016-11-03 17:52:40
    利用無人機(jī)進(jìn)行航測工作的方式方法
    一種適用于輸電線路跨線牽引無人機(jī)的飛行方案設(shè)計(jì)
    科技視界(2016年22期)2016-10-18 14:30:27
    徐家河尾礦庫潰壩分析
    淺析無人機(jī)技術(shù)在我國的發(fā)展前景
    尾礦庫在線監(jiān)測系統(tǒng)防雷設(shè)計(jì)
    金屬礦山(2013年11期)2013-03-11 16:55:12
    某尾礦庫三維滲流分析
    金屬礦山(2013年4期)2013-03-11 16:53:27
    非洲黑人性xxxx精品又粗又长| 最近中文字幕高清免费大全6| 六月丁香七月| 欧美日韩亚洲高清精品| 黄色一级大片看看| av播播在线观看一区| 精华霜和精华液先用哪个| 人体艺术视频欧美日本| 国产成人福利小说| 26uuu在线亚洲综合色| 3wmmmm亚洲av在线观看| 国产精品综合久久久久久久免费| 精品熟女少妇av免费看| 亚洲欧美成人精品一区二区| 亚洲人成网站在线观看播放| 一级爰片在线观看| 在线播放无遮挡| 亚洲精品aⅴ在线观看| 男人舔女人下体高潮全视频| 97超视频在线观看视频| 男女边摸边吃奶| 婷婷色av中文字幕| 久久精品国产亚洲网站| 亚洲精品国产av成人精品| 亚洲av电影在线观看一区二区三区 | 亚洲精品乱码久久久v下载方式| 亚洲精品一二三| 亚洲精品aⅴ在线观看| 亚州av有码| 亚洲va在线va天堂va国产| 蜜桃久久精品国产亚洲av| 免费看不卡的av| 国产高潮美女av| 亚洲一级一片aⅴ在线观看| 美女内射精品一级片tv| 成人亚洲精品av一区二区| 人妻一区二区av| 午夜福利在线在线| 超碰av人人做人人爽久久| 久久人人爽人人片av| 成年女人在线观看亚洲视频 | 国产精品国产三级国产av玫瑰| 毛片一级片免费看久久久久| 高清毛片免费看| 日韩,欧美,国产一区二区三区| 免费高清在线观看视频在线观看| av在线天堂中文字幕| 麻豆乱淫一区二区| 日韩成人伦理影院| 亚洲成人精品中文字幕电影| 久久久久国产网址| 亚洲欧美日韩东京热| 人人妻人人澡欧美一区二区| 欧美一区二区亚洲| 亚洲精品日本国产第一区| 欧美极品一区二区三区四区| 久久久久久九九精品二区国产| 久久久亚洲精品成人影院| 欧美日韩在线观看h| 免费电影在线观看免费观看| 日本猛色少妇xxxxx猛交久久| 深爱激情五月婷婷| 能在线免费看毛片的网站| 韩国av在线不卡| 亚洲精品456在线播放app| 亚洲精品456在线播放app| 成人二区视频| 人妻系列 视频| 五月天丁香电影| av黄色大香蕉| 1000部很黄的大片| 男女边吃奶边做爰视频| 人妻系列 视频| 97超碰精品成人国产| 国产亚洲5aaaaa淫片| 少妇裸体淫交视频免费看高清| 国产乱来视频区| 亚洲国产日韩欧美精品在线观看| 国产精品国产三级专区第一集| 综合色av麻豆| 男人狂女人下面高潮的视频| 国产精品1区2区在线观看.| 男女下面进入的视频免费午夜| 久久97久久精品| 免费黄网站久久成人精品| 看免费成人av毛片| 久久精品夜夜夜夜夜久久蜜豆| 午夜亚洲福利在线播放| 女人被狂操c到高潮| 国产成人一区二区在线| 日本色播在线视频| av卡一久久| 国产久久久一区二区三区| 国产白丝娇喘喷水9色精品| 日韩伦理黄色片| 亚洲欧美日韩卡通动漫| 日日啪夜夜爽| 大话2 男鬼变身卡| 欧美精品国产亚洲| 国产美女午夜福利| 尾随美女入室| 搡女人真爽免费视频火全软件| 日日摸夜夜添夜夜爱| 久久久久久久大尺度免费视频| 国内精品一区二区在线观看| 亚洲一级一片aⅴ在线观看| 国产在视频线精品| 日韩一区二区视频免费看| 成人毛片a级毛片在线播放| 街头女战士在线观看网站| 国产精品一区二区三区四区久久| 亚洲精品成人av观看孕妇| 麻豆成人av视频| 精品久久久久久久久亚洲| 日本av手机在线免费观看| 久久久久久久大尺度免费视频| 色综合色国产| 五月玫瑰六月丁香| 青春草国产在线视频| 日韩,欧美,国产一区二区三区| 又大又黄又爽视频免费| 男人和女人高潮做爰伦理| 久久精品熟女亚洲av麻豆精品 | 精品久久久久久久久av| 干丝袜人妻中文字幕| 日本熟妇午夜| 男女下面进入的视频免费午夜| 亚洲国产欧美人成| 欧美激情久久久久久爽电影| 黄色欧美视频在线观看| 欧美激情久久久久久爽电影| av在线蜜桃| 精品午夜福利在线看| 高清欧美精品videossex| 啦啦啦啦在线视频资源| 久久久a久久爽久久v久久| 波多野结衣巨乳人妻| 国产精品人妻久久久久久| 看十八女毛片水多多多| 日日啪夜夜撸| 男女视频在线观看网站免费| 男女那种视频在线观看| 国产午夜精品久久久久久一区二区三区| 欧美日韩视频高清一区二区三区二| 精品99又大又爽又粗少妇毛片| 成年版毛片免费区| 又粗又硬又长又爽又黄的视频| 亚洲欧美一区二区三区国产| 亚洲成色77777| 久久人人爽人人爽人人片va| 久久久久性生活片| 久久久久国产网址| 午夜激情久久久久久久| 又爽又黄无遮挡网站| 波野结衣二区三区在线| 国产成人福利小说| 国产精品一二三区在线看| 高清视频免费观看一区二区 | 免费看av在线观看网站| 国产熟女欧美一区二区| 亚洲最大成人av| 女的被弄到高潮叫床怎么办| 美女脱内裤让男人舔精品视频| 2018国产大陆天天弄谢| 天堂俺去俺来也www色官网 | 成人午夜高清在线视频| 成人美女网站在线观看视频| 国产午夜精品久久久久久一区二区三区| 少妇猛男粗大的猛烈进出视频 | 一区二区三区高清视频在线| 国产av国产精品国产| 老女人水多毛片| 亚洲精品亚洲一区二区| 午夜福利在线观看吧| 日韩电影二区| 日韩精品有码人妻一区| 简卡轻食公司| 亚洲欧美日韩东京热| 丰满人妻一区二区三区视频av| 午夜爱爱视频在线播放| 国产白丝娇喘喷水9色精品| 亚洲精品乱久久久久久| 久久久久性生活片| 国产有黄有色有爽视频| 免费观看性生交大片5| 日本一本二区三区精品| eeuss影院久久| 午夜福利视频1000在线观看| 国产成人一区二区在线| 2018国产大陆天天弄谢| 亚洲不卡免费看| 午夜福利网站1000一区二区三区| 久久97久久精品| 成人综合一区亚洲| 国产一区二区三区av在线| 一区二区三区免费毛片| 中文资源天堂在线| 又粗又硬又长又爽又黄的视频| 美女高潮的动态| 国产精品1区2区在线观看.| 欧美另类一区| 极品少妇高潮喷水抽搐| 天天躁夜夜躁狠狠久久av| 两个人视频免费观看高清| 黄色欧美视频在线观看| 日韩精品有码人妻一区| 在线免费观看不下载黄p国产| 少妇熟女aⅴ在线视频| 爱豆传媒免费全集在线观看| 男人狂女人下面高潮的视频| av.在线天堂| 听说在线观看完整版免费高清| 老师上课跳d突然被开到最大视频| 天天躁夜夜躁狠狠久久av| 女人十人毛片免费观看3o分钟| 美女高潮的动态| 国产激情偷乱视频一区二区| 亚洲精品一二三| 纵有疾风起免费观看全集完整版 | 久久久精品94久久精品| 国产在视频线精品| av线在线观看网站| 熟妇人妻久久中文字幕3abv| 免费高清在线观看视频在线观看| 有码 亚洲区| 最近2019中文字幕mv第一页| 成人亚洲欧美一区二区av| 男女国产视频网站| 久久久久久久久久久丰满| 久久久亚洲精品成人影院| 91精品伊人久久大香线蕉| 秋霞伦理黄片| 日日撸夜夜添| 成人亚洲精品av一区二区| 纵有疾风起免费观看全集完整版 | 国产午夜精品一二区理论片| 日韩三级伦理在线观看| 精品99又大又爽又粗少妇毛片| 国产乱人视频| 高清欧美精品videossex| 国产伦一二天堂av在线观看| 2018国产大陆天天弄谢| 内地一区二区视频在线| 日本与韩国留学比较| 最后的刺客免费高清国语| 91精品一卡2卡3卡4卡| 美女黄网站色视频| 亚洲人成网站在线播| 日韩欧美 国产精品| 两个人视频免费观看高清| 精品人妻一区二区三区麻豆| 天天躁夜夜躁狠狠久久av| 亚洲精品影视一区二区三区av| 免费av观看视频| 亚洲av.av天堂| 亚洲精品第二区| av天堂中文字幕网| 国产亚洲最大av| 久久久久久久久久久丰满| 免费高清在线观看视频在线观看| 久久久久网色| 人体艺术视频欧美日本| 18禁在线无遮挡免费观看视频| 亚洲人成网站在线观看播放| 又粗又硬又长又爽又黄的视频| 欧美成人午夜免费资源| 国产黄色免费在线视频| 久久久久精品性色| 天堂中文最新版在线下载 | 久久久久九九精品影院| 亚洲性久久影院| 亚洲18禁久久av| 国产精品久久久久久久久免| 神马国产精品三级电影在线观看| 日本欧美国产在线视频| 九草在线视频观看| 日本免费a在线| 国产伦精品一区二区三区四那| 久久精品夜夜夜夜夜久久蜜豆| 少妇熟女欧美另类| 边亲边吃奶的免费视频| 久久国内精品自在自线图片| 国产精品1区2区在线观看.| 偷拍熟女少妇极品色| 一级爰片在线观看| 久久久久久久久大av| 成人二区视频| 2021天堂中文幕一二区在线观| 五月天丁香电影| 黄色日韩在线| 在线观看免费高清a一片| 成人午夜精彩视频在线观看| 色哟哟·www| 国产在视频线在精品| 亚洲成人精品中文字幕电影| 人妻系列 视频| 国产精品综合久久久久久久免费| 亚洲av免费高清在线观看| 久久久久久久久久久免费av| 最近中文字幕高清免费大全6| 国产精品人妻久久久久久| 精品午夜福利在线看| 九九爱精品视频在线观看| 国产一区二区三区av在线| 水蜜桃什么品种好| 欧美精品一区二区大全| 日韩亚洲欧美综合| 最近中文字幕2019免费版| 搡老妇女老女人老熟妇| 麻豆成人av视频| 午夜激情久久久久久久| 久久精品夜色国产| 精品国内亚洲2022精品成人| 韩国av在线不卡| 日韩一区二区视频免费看| 亚洲精品乱码久久久久久按摩| 国产黄频视频在线观看| 超碰av人人做人人爽久久| 日日撸夜夜添| 天美传媒精品一区二区| 国产91av在线免费观看| 人妻制服诱惑在线中文字幕| 在线观看一区二区三区| 最近2019中文字幕mv第一页| 日本黄大片高清| 一区二区三区免费毛片| 老司机影院毛片| 一个人观看的视频www高清免费观看| 国产成人一区二区在线| 免费看美女性在线毛片视频| 国产伦在线观看视频一区| 成人特级av手机在线观看| 天堂网av新在线| 99热网站在线观看| 观看免费一级毛片| 国产精品一及| 直男gayav资源| 国产一区二区在线观看日韩| 中文字幕免费在线视频6| 国产一区二区三区av在线| 久久人人爽人人片av| 男女边摸边吃奶| 精品一区二区三区视频在线| 边亲边吃奶的免费视频| 亚洲人与动物交配视频| av福利片在线观看| 最近视频中文字幕2019在线8| 亚洲人成网站在线播| ponron亚洲| 美女内射精品一级片tv| 国产淫语在线视频| 热99在线观看视频| 中文字幕制服av| 中文欧美无线码| 国产乱来视频区| 国产黄色免费在线视频| 国产69精品久久久久777片| 亚洲精品亚洲一区二区| 免费在线观看成人毛片| 国产精品福利在线免费观看| 欧美xxxx性猛交bbbb| av在线蜜桃| 大香蕉97超碰在线| 麻豆久久精品国产亚洲av| 性色avwww在线观看| 99久久九九国产精品国产免费| av在线播放精品| 欧美激情国产日韩精品一区| 日本爱情动作片www.在线观看| 国产伦理片在线播放av一区| 又粗又硬又长又爽又黄的视频| 欧美3d第一页| 我的老师免费观看完整版| 精品久久久精品久久久| 你懂的网址亚洲精品在线观看| videossex国产| av天堂中文字幕网| 亚洲精品国产av成人精品| 最近中文字幕2019免费版| 亚洲va在线va天堂va国产| 大陆偷拍与自拍| 国产精品久久久久久av不卡| 国产老妇女一区| 18禁裸乳无遮挡免费网站照片| 欧美最新免费一区二区三区| 国产免费视频播放在线视频 | 国产一区二区亚洲精品在线观看| 80岁老熟妇乱子伦牲交| 丰满乱子伦码专区| av在线亚洲专区| 日本av手机在线免费观看| 久久精品国产亚洲av涩爱| 久久综合国产亚洲精品| 久久鲁丝午夜福利片| 日韩av在线大香蕉| 久久久久久久久久人人人人人人| 丰满少妇做爰视频| 两个人的视频大全免费| 亚洲精品久久午夜乱码| 国产在视频线在精品| 久久久久久久大尺度免费视频| 亚洲第一区二区三区不卡| 青青草视频在线视频观看| 亚洲av不卡在线观看| 精品国产露脸久久av麻豆 | 国产亚洲av嫩草精品影院| 久久久久久久亚洲中文字幕| 91aial.com中文字幕在线观看| 在线 av 中文字幕| 美女脱内裤让男人舔精品视频| 久久99热这里只频精品6学生| 成人综合一区亚洲| 99热网站在线观看| 99热全是精品| 人人妻人人澡人人爽人人夜夜 | 天堂俺去俺来也www色官网 | 夫妻午夜视频| 美女脱内裤让男人舔精品视频| 一二三四中文在线观看免费高清| 国产黄片美女视频| 禁无遮挡网站| 国内少妇人妻偷人精品xxx网站| 亚洲国产精品成人久久小说| 2022亚洲国产成人精品| 午夜精品国产一区二区电影 | 久久精品综合一区二区三区| 中文资源天堂在线| 综合色丁香网| 白带黄色成豆腐渣| 婷婷色综合www| 身体一侧抽搐| 国产人妻一区二区三区在| 中文字幕av成人在线电影| 国产精品国产三级国产专区5o| 黄片无遮挡物在线观看| 久久久久久久国产电影| 日韩大片免费观看网站| 国产激情偷乱视频一区二区| 一级二级三级毛片免费看| 特级一级黄色大片| 亚洲婷婷狠狠爱综合网| 肉色欧美久久久久久久蜜桃 | 午夜免费观看性视频| 国产视频首页在线观看| 国产精品一区二区三区四区免费观看| 国产精品久久久久久久久免| 久久久久精品久久久久真实原创| 久久久久性生活片| 日韩中字成人| 国产亚洲av片在线观看秒播厂 | 观看免费一级毛片| 精品一区在线观看国产| 免费大片黄手机在线观看| 六月丁香七月| 午夜福利在线观看免费完整高清在| 国产麻豆成人av免费视频| freevideosex欧美| 极品教师在线视频| 国产精品一及| 久久久欧美国产精品| 青青草视频在线视频观看| 欧美不卡视频在线免费观看| 亚洲av免费高清在线观看| 中文字幕av成人在线电影| 国产69精品久久久久777片| 国产不卡一卡二| 久久久a久久爽久久v久久| 国产黄a三级三级三级人| 国产亚洲精品av在线| 国产免费视频播放在线视频 | 韩国av在线不卡| 日本色播在线视频| 日本一本二区三区精品| 国产亚洲最大av| 国产成人freesex在线| 国语对白做爰xxxⅹ性视频网站| 精品一区二区三区人妻视频| 日韩一区二区三区影片| 久久精品国产自在天天线| 丝袜喷水一区| 噜噜噜噜噜久久久久久91| 亚洲在久久综合| 一区二区三区乱码不卡18| 边亲边吃奶的免费视频| 超碰97精品在线观看| 久久99热这里只有精品18| 国产免费又黄又爽又色| 一级二级三级毛片免费看| 亚洲色图av天堂| 好男人在线观看高清免费视频| 日日啪夜夜撸| 国产久久久一区二区三区| 一边亲一边摸免费视频| 日韩成人伦理影院| 精品久久久久久久末码| 日韩一本色道免费dvd| 国产v大片淫在线免费观看| 七月丁香在线播放| 看黄色毛片网站| av在线播放精品| 永久网站在线| 亚洲精品中文字幕在线视频 | 色播亚洲综合网| 国产熟女欧美一区二区| 一级毛片我不卡| 精品不卡国产一区二区三区| 亚洲精品日本国产第一区| 亚洲欧美日韩无卡精品| 日本三级黄在线观看| 亚洲内射少妇av| 亚洲欧美日韩东京热| 亚洲四区av| 91aial.com中文字幕在线观看| 精品亚洲乱码少妇综合久久| 夫妻午夜视频| 亚洲国产日韩欧美精品在线观看| 中国国产av一级| 国产伦一二天堂av在线观看| 美女脱内裤让男人舔精品视频| 淫秽高清视频在线观看| 久久久久久久久中文| 亚洲欧洲日产国产| 午夜视频国产福利| 日韩强制内射视频| 日韩在线高清观看一区二区三区| 99九九线精品视频在线观看视频| 免费av不卡在线播放| 乱系列少妇在线播放| 精华霜和精华液先用哪个| 久久久久久久亚洲中文字幕| 天美传媒精品一区二区| 天堂中文最新版在线下载 | 狂野欧美白嫩少妇大欣赏| 26uuu在线亚洲综合色| 欧美潮喷喷水| 亚洲aⅴ乱码一区二区在线播放| 国产精品一区二区性色av| 超碰97精品在线观看| 日韩欧美三级三区| 熟妇人妻久久中文字幕3abv| 午夜福利视频1000在线观看| 少妇人妻一区二区三区视频| 大又大粗又爽又黄少妇毛片口| 成人午夜高清在线视频| 久久热精品热| 中文字幕免费在线视频6| 久久久国产一区二区| 九草在线视频观看| 国产人妻一区二区三区在| 26uuu在线亚洲综合色| 国产淫语在线视频| 毛片一级片免费看久久久久| 成人毛片a级毛片在线播放| 中文字幕制服av| 少妇的逼好多水| 精品酒店卫生间| 三级毛片av免费| 精品久久久久久电影网| 国产又色又爽无遮挡免| 大片免费播放器 马上看| 2022亚洲国产成人精品| 日韩欧美国产在线观看| 激情 狠狠 欧美| 99视频精品全部免费 在线| 国产视频内射| 亚州av有码| 国产探花极品一区二区| 亚洲最大成人手机在线| 街头女战士在线观看网站| 精品久久久噜噜| 69人妻影院| 纵有疾风起免费观看全集完整版 | 街头女战士在线观看网站| 国产 一区 欧美 日韩| 少妇裸体淫交视频免费看高清| 亚洲电影在线观看av| 亚洲一区高清亚洲精品| 97超视频在线观看视频| 亚洲最大成人中文| 国产精品嫩草影院av在线观看| 国产 一区精品| 精品一区二区三卡| 在线观看免费高清a一片| 国内少妇人妻偷人精品xxx网站| 精品99又大又爽又粗少妇毛片| 成人特级av手机在线观看| 老司机影院毛片| 日本黄色片子视频| 午夜激情久久久久久久| .国产精品久久| 超碰97精品在线观看| 有码 亚洲区| 欧美日韩综合久久久久久| 麻豆av噜噜一区二区三区| 97超视频在线观看视频| 色综合色国产| 亚洲精品成人av观看孕妇| av免费在线看不卡| 国内精品一区二区在线观看| 国产美女午夜福利| 久久久久久伊人网av| 日韩,欧美,国产一区二区三区| 能在线免费观看的黄片| 亚洲av中文av极速乱| 国产一级毛片在线| kizo精华| 丰满乱子伦码专区| av在线亚洲专区| 国产视频首页在线观看| 亚洲精品一二三| 亚洲国产欧美人成| 80岁老熟妇乱子伦牲交| 美女xxoo啪啪120秒动态图| 亚洲最大成人中文| 亚洲四区av|