Чтобы подготовить программное обеспечение, скачайте и установите Anaconda с официального сайта. Запустите программу PyCharm IDE. Затем откройте командную строку командной строки Anaconda и введите conda create n pytorch python=3.8, чтобы создать новую среду Conda.
После создания среды введите envs conda info, чтобы подтвердить, что среда PyTorch существует. Откройте командную строку Anaconda и активируйте среду PyTorch, введя conda activate pytorch. введите nvidia-smi, чтобы проверить текущую версию архитектуры вычислительного унифицированного устройства, или CUDA, затем установите PyTorch версии 1.8.1, выполнив команду conda install pytorch=1.8.1 torchvision=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 c pytorch.
Чтобы запустить распознавание модели, выполните предварительную обработку изображений и подготовьте их к вводу в модель. Используя отображаемый код, измените размер изображений с 280 на 280 пикселей до 224 на 224 пикселей и нормализуйте их, чтобы они соответствовали требованиям к размеру модели. Обучите многоклассовую модель распознавания с помощью уже созданного набора данных, установив количество итераций равным 200 и начальный коэффициент обучения 0,0001.
Сокращайте скорость обучения на треть каждые 10 итераций с размером пакета 64. Сохраняйте оптимальные параметры модели автоматически после каждой итерации. Щелкните правой кнопкой мыши и нажмите «Запустить скрипт».
Затем используйте тщательно обученную модель распознавания и систематически проходите по исходному изображению в целях идентификации. Настройте горизонтальные и вертикальные шаги с точностью до 280 пикселей, чтобы создать комплексную карту распределения, подчеркивающую присутствие инвазивной флоры в границах исследуемой территории. Представьте выбранные результаты в наглядном виде.
Выполняйте простое дополнение данных с помощью функции случайного изменения размера кадрирования и случайного горизонтального отражения. Чтобы расширить набор изображений, выделите шесть вегетационных индексов. Чтобы обеспечить точную оценку биомассы инвазивных растений, создайте регрессионную модель K-ближайшего соседа, используя выходные данные и извлеченные вегетационные индексы в качестве входных данных Можно было наблюдать, как Mikania micrantha взбирается на вершину растения, украшенного белыми цветами, другие растения, а также дорога и сопутствующие элементы были равномерно изображены на заднем плане.
Модель распознала красную часть как Mikania micrantha, продемонстрировав надежное обнаружение на сложных фонах. Регрессионный анализ продемонстрировал высокую прогностическую эффективность со значением R в квадрате 0,62 и среднеквадратичным значением 10,56 грамма на квадратный метр. Модель повысила точность оценки биомассы ромашки, а карта пространственного распределения эффективно зафиксировала распределение биомассы ромашки.
