-
公开(公告)号：CN117218537A
公开(公告)日：2023-12-12
申请号：CN202311178242.5
申请日：2023-09-13
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于Transformer和非局部神经网络双分支架构的高光谱图像分类方法，包括：输入高光谱图像H；对输入的高光谱图像H进行双分支处理：将多个立方块Hsp作为空间子网络的输入，取H的光谱信息Hspe作为光谱子网络的输入；得到一维空间特征；得到一维光谱特征；构建多层感知器模块将提取的一维空间特征和一维光谱特征进行融合，得到分类结果。本发明通过对高光谱图像作为研究对象，用双分支策略以在充分保持计算效率的同时减少计算量和节约成本；本发明所提出的空间注意力机制探索中心像素和周围像素的相似性，提高了中心像素识别的准确性，增强了空间提取能力。
-
公开(公告)号：CN117171377A
公开(公告)日：2023-12-05
申请号：CN202310550380.5
申请日：2023-05-16
Applicant: 安徽大学
IPC: G06F16/53 , G06V10/80 , G06V10/52 , G06V10/82 , G06V10/30 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多特征扩张残差卷积网络的足迹光学图像检索方法，步骤如下：1、足迹图像的数据采集和数据预处理；2、建立基于注意力机制增强下的多特征扩张残差卷积网络的足迹光学图像检索模型，包括：初始特征提取模块、扩张残差卷积网络模块、多尺度特征融合模块、注意力增强模块；3、对足迹光学图像检索模型进行训练，得到训练后的足迹图像检索模型，用于待检索的足迹图像进行足迹检索和身份匹配。本发明能深度挖掘足迹图像的浅层和深层的各种隐含特征，从而能提升足迹图像的检索准确度和检索效率。
-
公开(公告)号：CN117152234A
公开(公告)日：2023-12-01
申请号：CN202311119430.0
申请日：2023-09-01
Applicant: 安徽大学
Abstract: 本发明涉及一种多生育期小麦倒伏面积提取方法，包括：进行数据采集；进行图像预处理；进行数据扩增；对数据扩增后的图像进行筛选，剔除不存在倒伏的图像，在剔除后以4：1的比例将图像随机划分为训练集和验证集；对Mask2Former网络模型进行改进，将训练集输入改进的Mask2Former网络模型进行训练，筛选得到最优分割模型；将待检测的小麦图像输入最优分割模型中，计算出小麦倒伏的实际面积。本发明收集不同生育阶段的小麦倒伏数据，应用数据增强来模拟田间复杂自然环境，以提高模型的鲁棒性与泛化性。引入层级交互特征金字塔网络HI‑FPN改进了Mask2Former网络模型，实现了多尺度特征的提取与融合，提高倒伏区域分割的准确性，对小麦倒伏面积进行精确计算。
-
公开(公告)号：CN116630223A
公开(公告)日：2023-08-22
申请号：CN202211095048.6
申请日：2023-04-25
Applicant: 安徽大学
Abstract: 本申请涉及农业图像处理的领域，并公开了一种基于深度卷积神经网络的水稻图像去雨方法，包括以下步骤：获取待去雨的水稻的有雨图像；将待去雨的水稻的有雨图像输入训练后的水稻图像去雨网络，并输出去雨后的水稻图像信息；将无雨的水稻图像信息进行远程传输后进行表型监测。本申请解决了现有技术中在农业水稻图像领域，雨痕易于重叠，水稻图像去雨痕较难的技术问题，实现了可以具有很好的去雨效果，并且可以使得图片雨线或者雨滴更容易去除。
-
公开(公告)号：CN111259925B
公开(公告)日：2023-05-02
申请号：CN202010016353.6
申请日：2020-01-08
Applicant: 安徽大学
IPC: G06V10/762 , G06V10/764 , G06V10/774 , G06T7/11 , G06T7/155 , G06T7/187
Abstract: 本发明特别涉及一种基于K均值聚类和宽度突变算法的田间麦穗计数方法，包括如下步骤：S1、采集麦穗原始图像并对原始图像进行预处理；S2、对预处理后的图像依次进行图像变换、K均值聚类、形态学处理后得到麦穗粗分割图；S3、选择随机森林分类器，用滑窗法对训练集图片滑窗取样，进一步对麦穗粗分割图进行细分割；S4、根据每个连通域中的麦穗区域宽度突变情况统计麦穗数量。通过预处理将原始图像转换成统一格式的图像以方便后续处理，通过K均值聚类可以将图像中连通域挑选出来，通过随机森林分类器，可以将其中的麦穗部分筛选出来，最后根据宽度突变情况来对麦穗进行计数，这样就能较为准确的计算出麦穗的数量，即使麦穗之间有遮挡，依然不会影响到麦穗的计数。
-
Patent Agency Ranking
公开(公告)号：CN115773449A
公开(公告)日：2023-03-10
申请号：CN202211443970.X
申请日：2022-11-18
Applicant: 安徽大学
Abstract: 本发明公开了一种无人机用多角度采集装置，涉及无人机图像采集领域，本发明包括安装机构，包括安装板；采集机构，其设置于安装机构一侧，包括设于安装板一侧的调节组件以及设于调节组件一侧的采集组件，调节组件包括设于安装板一侧的两个限位板以及与限位板活动连接的丝杆；防护机构，其设置于是谁安装机构一侧，包括设于安装板上的防护板。本发明一种无人机用多角度采集装置，通过第一电机带动丝杆转动，使得移动板在水平方向上进行调节，再使用第二电机带动调节轴转动，使得摄像头在竖直方向上移动，从而完成摄像头多角度采集图像的目的，能够对作物的表型进行全面的收集，降低了无人机操控的难度，提高了采集效率。
-
公开(公告)号：CN115574825A
公开(公告)日：2023-01-06
申请号：CN202211299635.7
申请日：2022-10-24
Applicant: 安徽大学
Abstract: 本发明涉及一种基于强化学习策略迭代技术的城市路网路径规划方法，与现有技术相比解决了极端路网环境下难以保证路径规划方法稳定收敛的缺陷。本发明包括以下步骤：城市路网数据模型的构建；路网环境中强化学习模型要素的设计；正常状态下城市路网最优路径的生成；城市极端路网环境下最优路径的生成。本发明通过对极端路网环境下(通行压力为0)路径规划方法的收敛性问题进行改进与优化，探索了方法在上述环境下的收敛条件和关键超参数取值的相互关系，利用启发性知识减少了奖励函数要素取值设计的随机性，保证了在任何路网环境下都能够迅速地探索到最优路径。
-
公开(公告)号：CN115564996A
公开(公告)日：2023-01-03
申请号：CN202211197910.4
申请日：2022-09-29
Applicant: 安徽大学
Abstract: 本发明涉及一种基于注意力联合网络的高光谱遥感图像分类方法，与现有技术相比解决了训练样本有限的情况下导致分类性能不足的缺陷。本发明包括以下步骤：训练样本的获取和预处理；构建注意力联合网络；注意力联合网络的训练；分类样本的获取和预处理；高光谱遥感图像分类结果的获得。本发明从PCA降维后的高光谱图像中提取空间光谱特征和空间特征，引入了由通道注意和空间注意组成的注意力模块以细化特征，通过连接两个分支的输出，得到增强的空间光谱特征，最后利用Softmax分类器进行分类，在有限的训练样本情况下仍具有较好的分类性能。
-
公开(公告)号：CN115471740A
公开(公告)日：2022-12-13
申请号：CN202210956353.3
申请日：2022-08-10
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/40 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种弱对比场景下的矿石目标检测方法，其中包括：通过工业摄像头获取图像数据；去除图像数据中的异常数据后标注图像，接着对图像进行预处理数据增强；将标注的数据按8∶2的比例划分为训练集和验证集；将自适应激活函数应用到YOLOv5中提高弱对比场景下的特征提取能力，同时在残差模块中添加注意力融合机制提高网络的特征融合能力，得到改进的YOLOv5模型；该模型在弱对比场景下有更强的泛化能力，能检测出更多矿石目标。本发明还提供了一种网络泛化能力的对比方法，首先使用不同的网络进行训练得到网络模型；接着将泛化能力最强的网络的推理结果作为测试集，最后计算RAP，RAP的大小可以反映各网络泛化能力差异。
-
公开(公告)号：CN115358925A
公开(公告)日：2022-11-18
申请号：CN202210894642.5
申请日：2022-07-28
Applicant: 安徽大学
Abstract: 本发明特别涉及一种基于任务解耦的双分支超分辨率网络的图像超分辨率方法，包括如下步骤：获取LR‑HR图像对作为训练样本；搭建由结构提取分支和颜色提取分支构成的双分支超分辨率网络，利用训练样本对网络进行训练得到训练后的双分支超分辨率网络；将待处理图像作为LR图像导入到训练后的双分支超分辨率网络中，网络输出的结果即为HR图像。通过构建双分支超分辨率网络，其中的结构提取分支可以方便的提取图像的结构特征，颜色提取分支在不断提取更深层次特征的同时，不断的增强其中的颜色信息，最后混合这两种信息，得到更加优秀的超分辨率图像，通过对图像中的结构信息和颜色信息作有针对性的处理，实现了在多种超分辨率任务下的优异表现。
-
-
-
-
-
-
-
-
-
Search Results
296
records
(took 0.031 seconds)
