-
公开(公告)号：CN115082808A
公开(公告)日：2022-09-20
申请号：CN202210683864.2
申请日：2022-06-17
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于高分一号数据与U‑Net模型的大豆种植区提取方法，包括：获取研究区的高分一号数据影像并进行预处理，得到数据集样本；对数据集样本进行数据处理，划分为训练集和测试集；构建U‑Net网络模型；将训练集输入U‑Net网络模型，分析对比基于U‑Net网络模型的损失函数和训练精度变换曲线，对比不同迭代周期训练结果对比图，选择U‑Net网络模型采用的训练周期；U‑Net分类结果与分析。本发明比Deeplabv3+平均交并比高出了8.89％，验证了U‑Net网络模型在大豆种植区提取方面的性能优于SegNet模型和Deeplabv3+模型；U‑Net网络模型作为语义分割网络的一种，在提取大豆种植区这种二分类问题中，展示了良好的效果，比其他模型在遥感提取中表现更为突出。
-
公开(公告)号：CN114973002A
公开(公告)日：2022-08-30
申请号：CN202210705045.3
申请日：2022-06-21
Applicant: 安徽大学
Abstract: 本发明涉及一种基于改进的YOLOv5的麦穗检测方法，其特征在于：包括：获取麦穗图像并对麦穗图像进行标注，获得麦穗图像数据集，将麦穗图像数据集划分为训练集和测试集；构建YOLOv5网络模型；对YOLOv5网络模型进行改进，得到改进的YOLOv5网络模型；将训练集输入改进的YOLOv5网络模型中，对改进的YOLOv5网络模型进行训练；对改进的YOLOv5网络模型进行评价和测试。本发明使用四尺度特征检测，增加浅层检测尺度，来提高小目标的识别精度；本发明引入CA注意力机制，提升算法的特征提取能力；本发明引入CIOU_Loss作为算法损失函数的Bounding Box Regression Loss，提升检验框检测的准确率。
-
公开(公告)号：CN114913382A
公开(公告)日：2022-08-16
申请号：CN202210684260.X
申请日：2022-06-16
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/17 , G06V10/82 , G06V10/774 , G06V10/20 , G06N3/08 , G06N3/04
Abstract: 本发明提供了一种基于CBAM‑AlexNet卷积神经网络的航拍场景分类方法。通过改进的深度卷积神经网络模型—CBAM‑AlexNet，用于场景分类任务。首先，在经典网络AlexNet的原模型上进行改进，将原模型中的局部响应归一化LRN(Local Response Normalization)层和ReLU激活函数使用批归一化BN(Batch Normalization)层和h‑Swish激活函数进行替换。然后在改变后的网络中加入卷积块注意力模块CBAM(Convolutional Block AttentionModule)，充分利用图像的空间信息与通道信息。经过一些预处理后的数据在新构建的模型上的表现与另外几种常用的经典网络的表现而言要更为优秀。
-
公开(公告)号：CN108830249B
公开(公告)日：2021-12-03
申请号：CN201810665243.5
申请日：2018-06-26
Applicant: 安徽大学
Abstract: 本发明涉及基于ASD高光谱数据的冬小麦白粉病遥感监测方法，包括以下步骤：采集冬小麦的冠层高光谱数据，计算病情指数DI；选取400～800nm波段范围内的冠层高光谱数据作为试验数据；分别计算各波段对于病情指数DI的权重值a和各波段之间的相关系数，求得将权重值和权重值a最大值所对应的波段与其它波段的相关系数归一化后二者间距d，取权重值a最大值所对应的波段和距离d中的最大正值所对应的波段作为最佳敏感波段组合；构造新植被指数NDVI1；选取10种与白粉病病情相关的植被指数与新植被指数NDVI1构建冬小麦白粉病监测模型。本发明通过对小麦高光谱数据中的原始波段信息进行分析、组合和加强，提取敏感波段和构建新的植被指数，并用于病虫害遥感监测。
-
公开(公告)号：CN110132860B
公开(公告)日：2021-09-14
申请号：CN201910454573.4
申请日：2019-05-29
Applicant: 安徽大学
IPC: G01N21/25
Abstract: 本发明涉及一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法，与现有技术相比解决了赤霉病的遥感监测未针对麦穗尺度分析的缺陷。本发明包括以下步骤：高光谱遥感数据的获取；数据预处理；构建小麦赤霉病指数；多元逐步回归模型的建立；遥感监测结果的获得。本发明利用敏感波段内一阶微分总和的归一化比值构建赤霉病指数后，建立其与病情严重度的一元线性回归和多元逐步回归模型，实现了小麦赤霉病的有效监测，为染病小麦赤霉病在冠层尺度以及田块尺度上的无损诊断提供思路和依据。
-
Patent Agency Ranking
公开(公告)号：CN111751295A
公开(公告)日：2020-10-09
申请号：CN202010633251.9
申请日：2020-07-02
Applicant: 安徽大学
Abstract: 本发明提供了一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用。通过高光谱成像仪扫描获取侵染白粉病小麦叶片382.9～1059.1nm波长范围内1024个波段的高光谱影像；计算小麦叶片白粉病病情指数，依据病情指数对小麦侵染程度进行分级，获取小麦叶片的等级标签；以高光谱影像的光谱数据作为原始波段，利用主成分分析算法、随机森林和连续投影算法分别从1024个波段中挑选出对白粉病敏感的特征波段的光谱信息，用支持向量机、随机森林、概率神经网络三种建模方法将等级标签和每个样本特征波长光谱信息一一对应，训练对应关系，得到预估模型。本发明的预估模型精度达到93.33％。
-
公开(公告)号：CN111738138A
公开(公告)日：2020-10-02
申请号：CN202010564475.9
申请日：2020-06-19
Applicant: 安徽大学
Abstract: 本发明涉及一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法，与现有技术相比解决了小麦条锈病遥感监测精度差的缺陷。本发明包括以下步骤：遥感训练数据的获取；遥感训练数据的特征筛选；气象数据的特征筛选；小麦条绣病遥感监测模型的构建；小麦条绣病遥感监测模型的训练；待分析遥感数据的获取和特征提取；小麦条绣病严重度遥感监测结果的获得。本发明实现了区域尺度上小麦条锈病严重度的精确监测。
-
公开(公告)号：CN110929944A
公开(公告)日：2020-03-27
申请号：CN201911188021.X
申请日：2019-11-28
Applicant: 安徽大学
Abstract: 本发明涉及基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，与现有技术相比解决了高光谱图像特征难以与光谱特征有效结合实现赤霉病分析的缺陷。本发明包括以下步骤：高光谱图像数据的获取和预处理；光谱特征的提取；高光谱图像颜色特征的提取；对颜色特征做相关性分析；构建并训练预测分析模型；待预测高光谱图像数据的输入；小麦赤霉病病情严重度的预测。本发明提取了光谱特征和高光谱图像的颜色特征，结合PSO-SVM算法建立基于光谱和颜色特征的小麦赤霉病病情严重度诊断模型，实现了有效对小麦赤霉病病情严重度的诊断。
-
公开(公告)号：CN106737698B
公开(公告)日：2019-03-05
申请号：CN201710181558.8
申请日：2017-03-24
Applicant: 安徽大学
Abstract: 本发明涉及一种搬运机器人的智能控制方法，与现有技术相比解决了尚无双控制芯片协同控制方法的缺陷。本发明包括以下步骤：系统预处理，开启搬运机器人电源，搬运机器人处于上电状态，初始化各模块及相应参数；搬运机器人的控制启动，手机APP通过蓝牙模块连接搬运机器人并启动搬运机器人；搬运机器人的移动；搬运机器人进行抓取作业；搬运机器人的返回移动；搬运机器人进行放置作业。本发明针对两个控制芯片进行协同控制，将搬运机器人的移动、抓举控制方法分离开，并配以相应的PWM波电机控制方法和舵机脉宽调整，实现搬运机器人沿着预定路线自动运行，夹持并搬运指定物品。
-
公开(公告)号：CN108898569A
公开(公告)日：2018-11-27
申请号：CN201810548576.X
申请日：2018-05-31
Applicant: 安徽大学
Abstract: 本发明涉及一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法，与现有技术相比解决了融合图像质量低的缺陷。本发明包括以下步骤：源遥感影像的获取与匹配；对两种源遥感影像进行彩色空间转换；针对I分量的小波分解；确定融合影像亮度分量的低频子带融合规则；计算区域方差匹配度，确定融合影像亮度分量的高频子带融合规则；计算融合影像的亮度分量；融合影像的获得。本发明有效克服了基于单个像素的融合规则所带来的不合理性和片面性，更好地体现了遥感图像的整体特征，提升了可见光和红外遥感影像融合的效果和精确度。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.033 seconds)
