-
公开(公告)号：CN113159154A
公开(公告)日：2021-07-23
申请号：CN202110399004.1
申请日：2021-04-12
Applicant: 浙江工业大学
Abstract: 一种面向农作物分类的时间序列特征重建及动态识别方法，包括：步骤1：初始样本数据集构建；步骤2：缺失数据区域预测填充；步骤3：缺失数据区域取值范围取值填充；步骤4：回归器与分类器迭代；步骤5：动态分类；重复步骤2至步骤4，进行第r+1维特征回归器与分类器的构建，直到完成对所有R维特征的回归器与分类器的建立；实现数据缺失部分的重建和农作物分类，完成农作物的动态识别。本发明通过以LSTM网络模型作为框架，将用于缺失值填充的回归器和用于作物分类的分类器进行协同优化，实现对时序遥感数据缺失部分的填充，并根据动态增加的遥感数据对农作物进行分类，实现分类结果精度的逐步提高。
-
公开(公告)号：CN112084872A
公开(公告)日：2020-12-15
申请号：CN202010795787.0
申请日：2020-08-10
Applicant: 浙江工业大学
IPC: G06K9/00 , G06K9/34 , G06K9/62 , G06N3/04 , G06N3/08 , G06T5/00 , G06T5/20 , G06T5/30 , G06T5/50 , G06T7/11 , G06T7/13 , G06T7/187
Abstract: 一种融合语义分割与边缘的高分遥感目标精准检测方法，首先，依据目标地物轮廓绘制样本，制作边缘检测样本以及语义分割样本，分别送入边缘检测网络和语义分割网络进行训练至拟合状态，得到边缘检测模型和语义分割模型。将高分遥感影像输入训练完成的边缘检测模型以获取地物目标的边缘强度图，将高分遥感影像输入训练完成的语义分割模型以获取地物目标语义信息和位置信息。最后，融合获取的语义分割结果，即地物目标的准确语义类型和位置信息，对处理后的地物目标边缘强度图进行断线补充，对中断的边缘进行修补，最终获得准确的地物目标精确的边界，并按任务需求将目标边界矢量化为多边形要素。本发明实现高分遥感影像的地物目标的精准边缘提取。
-
公开(公告)号：CN112084871B
公开(公告)日：2024-02-13
申请号：CN202010795781.3
申请日：2020-08-10
Applicant: 浙江工业大学
IPC: G06V20/13 , G06V10/774 , G06N3/0895 , G06T7/11 , G06T7/13
Abstract: 一种基于弱监督学习的高分遥感目标边界提取方法，首先根据提取任务确定遥感地物目标并制作相应的少量精确样本标签和大量不确切样本标签。然后使用少量精确样本标签训练小样本集边缘模型。再使用小样本集边缘模型去预测大量不确切样本集，得到大量的地物目标边缘强度图，对这批质量参差不一的强度图使用骨架提取算法获得骨架图，再采用边界完整程度算法计算每个地物目标的边界完整情况，并按给定阈值挑选整体边界完整度较高的骨架图作为大量较准确样本集。接着使用大量较准确样本集训练大样本集边缘模型。最后用大样本集边缘模型预测待生产的高分遥感影像，并用骨架提取，获得最终的目标边界提取结果。本发明的模型精度超过少量样本的模型精度。
-
公开(公告)号：CN115601378A
公开(公告)日：2023-01-13
申请号：CN202210854432.3
申请日：2022-07-15
Applicant: 浙江工业大学(CN)
Abstract: 一种基于追踪的高分遥感影像边缘修补方法，首先根据遥感边缘检测任务设计深度卷积神经网络、制作样本并训练得到边缘检测模型和边缘追踪模型；将遥感影像输入到边缘检测模型中进行地物边缘提取，从而获取地物边缘强度图。将遥感影像和随机起点文件输入到边缘追踪模型中迭代生成边缘追踪图，针对不连续地物边缘，融合边缘检测结果和边缘追踪结果自动确定边缘宽度并补全边缘。本方法将边缘检测算法预测结果中不连续的边缘部分通过边缘追踪算法提供的拓扑信息完成断线修补工作，同时利用边缘二值图辅助连接破碎的边缘追踪图，或在本不存在的位置创建边缘补全边缘追踪图。可提升边缘提取准确度与效率，并提高对边缘追踪模型的准确度。
-
公开(公告)号：CN113052452A
公开(公告)日：2021-06-29
申请号：CN202110291249.2
申请日：2021-03-18
Applicant: 浙江工业大学
Abstract: 一种载重量受限的物流拼单组合方法，包括以下步骤：步骤1，获取当前送货仓库位置及所需要派送的所有订单的重量和送货地址，以及所能派车的规格及装载量和车辆数量；步骤2，根据仓库位置、订单总数量、每个订单的重量及送货位置以及送货货车的载重量信息，将送货区域划分为若干个区块；步骤3：每个区域中的订单列表总质量进行求和，若本区域(a，b)的订单总质量小于最小可派车辆的装载量，将本区域的订单与同心圆扇形领域的区域(a，[b+1]％8)合并，直至总质量大于最低装载率；步骤4：对于每个合并后的区块内的订单进行拼单；步骤5：直至所有区域的订单全部被拼单完成。本发明节省拼单的时间，提高拼单的效率，同时节省运输成本。
-
Patent Agency Ranking
公开(公告)号：CN112084871A
公开(公告)日：2020-12-15
申请号：CN202010795781.3
申请日：2020-08-10
Applicant: 浙江工业大学
Abstract: 一种基于弱监督学习的高分遥感目标边界提取方法，首先根据提取任务确定遥感地物目标并制作相应的少量精确样本标签和大量不确切样本标签。然后使用少量精确样本标签训练小样本集边缘模型。再使用小样本集边缘模型去预测大量不确切样本集，得到大量的地物目标边缘强度图，对这批质量参差不一的强度图使用骨架提取算法获得骨架图，再采用边界完整程度算法计算每个地物目标的边界完整情况，并按给定阈值挑选整体边界完整度较高的骨架图作为大量较准确样本集。接着使用大量较准确样本集训练大样本集边缘模型。最后用大样本集边缘模型预测待生产的高分遥感影像，并用骨架提取，获得最终的目标边界提取结果。本发明的模型精度超过少量样本的模型精度。
-
公开(公告)号：CN110555857A
公开(公告)日：2019-12-10
申请号：CN201910764982.4
申请日：2019-08-19
Applicant: 浙江工业大学
IPC: G06T7/12
Abstract: 一种语义边缘主导的高分遥感影像分割方法，包括获取数据、设计网络、准备模型、生产边缘、形态学后处理、矢量化的步骤。本发明利用卷积神经网络的特征学习能力以及池化操作形成多尺度融合，从遥感影像中提取符合视觉特征的地物对象边缘；本发明可以采用预训练边缘模型或基于局部人工勾绘成果重新训练模型，分别对应分割任务中的非监督和监督方法；通过对边缘细化及延长连接形成相对精准及完整的地物边界，将边界矢量化形成分割所需地物多边形。由此方法生成的地物多边形能基本吻合地物在影像上的视觉边界，克服传统分割对象中大部分过分割与欠分割现象，为地物精细形态确定、类型识别、大规模信息提取提供有效支持。
-
公开(公告)号：CN110443822A
公开(公告)日：2019-11-12
申请号：CN201910638370.0
申请日：2019-07-16
Applicant: 浙江工业大学
Abstract: 一种基于边缘辅助的高分遥感目标精细提取方法，首先根据遥感目标提取任务设计深度卷积神经网络、制作样本并训练得到目标检测模型和边缘检测模型。然后将遥感影像输入到目标检测模型中进行地物外包框提取，从而确定地物目标类型及所在位置范围；将遥感影像输入到边缘检测模型中进行地物边缘提取，从而获取地物目标边缘强度图。最后针对每个外包框中的目标，以相应位置的边缘强度图为指示进行目标边界提取操作，对强度较高的明显边缘直接进行细化作为边界，对模糊特别是中断边缘以边界完整为目标进行修补，最终确定目标精细边界，按任务需求可将目标边界矢量化为多边形要素。本发明可实现高分遥感目标的精细提取。
-
公开(公告)号：CN106599796B
公开(公告)日：2019-06-14
申请号：CN201611042169.9
申请日：2016-11-21
Applicant: 浙江工业大学
Abstract: 面向遥感影像云影检测的云及云阴影距离估计方法，包括：逐列提取影像灰度值；逐行计算累积灰度值，并除以像素数目，得到灰度值累积率；提取曲线上各段的斜率；将连续出现的低速累积与快速累积作为一个云阴影和云的区域，并将低速累积起始点和快速累积起始点之间的距离作为云和云阴影的纵向距离；逐行对相距Δr的两行ri和ri+Δr，计算灰度累积率，并识别其中的快速累积与低速累积区域；将标记为云和云阴影的像素进行种子生长，并根据连通区域进行云和云阴影标记，得到云和云阴影对象；在获得纵向距离Δr和横向Δc的基础上，设定阈值模板阈值r'和c'，在Δr±r'和Δc±c'范围移动云阴影模板，将云和云阴影相关系数达到最小时的距离作为该云和云阴影之间的最佳的距离估计
-
公开(公告)号：CN106599796A
公开(公告)日：2017-04-26
申请号：CN201611042169.9
申请日：2016-11-21
Applicant: 浙江工业大学
CPC classification number: G06K9/0063 , G06K9/342
Abstract: 面向遥感影像云影检测的云及云阴影距离估计方法，包括：逐列提取影像灰度值；逐行计算累积灰度值，并除以像素数目，得到灰度值累积率；提取曲线上各段的斜率；将连续出现的低速累积与快速累积作为一个云阴影和云的区域，并将低速累积起始点和快速累积起始点之间的距离作为云和云阴影的纵向距离；逐行对相距Δr的两行ri和ri+Δr，计算灰度累积率，并识别其中的快速累积与低速累积区域；将标记为云和云阴影的像素进行种子生长，并根据连通区域进行云和云阴影标记，得到云和云阴影对象；在获得纵向距离Δr和横向Δc的基础上，设定阈值模板阈值r'和c'，在Δr±r'和Δc±c'范围移动云阴影模板，将云和云阴影相关系数达到最小时的距离作为该云和云阴影之间的最佳的距离估计
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.062 seconds)
