-
公开(公告)号：CN116256771A
公开(公告)日：2023-06-13
申请号：CN202310144614.6
申请日：2023-02-21
Applicant: 三峡大学
IPC: G01S17/88 , G01S17/08 , G06F18/24 , G06F18/23213
Abstract: 一种基于无人机激光点云树障分析方法，它包括以下步骤：步骤1：通过无人机获取激光点云；步骤2：对获取的激光点云去除噪点，进而进行分类；步骤3：进行电力线的提取；步骤4：基于二分法的电力线拟合，将距离较近的电力线进行分割，判断单个点位置，分别获得单根电力线；步骤5：基于RANSAC模型的电力线重建，去除误分点云，获得准确电力线模型；步骤6：进行输电线工况的模拟：结合导线型号信息和气象条件，运用架空线力学理论进行输电线工况模拟，模拟不同状态，如高温、覆冰、大风舞动这些工况条件下的输电线形态；步骤7：使用分段截面距离来计算和分析输电线与其下方地物之间的距离，并自动将该距离与规定的安全距离进行比较，标记输电线与地物距离在标准安全距离以内的区域。
-
公开(公告)号：CN116166923A
公开(公告)日：2023-05-26
申请号：CN202211587357.5
申请日：2022-12-11
Applicant: 三峡大学
Abstract: 本发明涉及基于地统计分析与APLS‑MLR的土壤重金属来源解析方法，包括：对研究区域的土壤进行采样，测量土壤样本中重金属的含量，并进行预处理；利用克里金插值方法分析得到研究区域的土壤重金属空间含量分布特征图；对研究区域的重金属浓度数据采用偏最小二乘法进行分析；建立用于土壤重金属污染源解析的绝对偏最小二乘‑多元线性回归法受体模型；结合土壤重金属空间含量分布特征图和各污染源贡献率，推断确定具体的污染源。本发明方法不仅能计算确定污染源数量以及各个污染源的贡献率，还能准确确定具体的污染源；本发明提出的受体模型的APLS‑MLR方法，解决了APCS‑MLR方法中主成分分析时特征值的分解具有局限性的问题。
-
公开(公告)号：CN115909066A
公开(公告)日：2023-04-04
申请号：CN202211441081.X
申请日：2022-11-17
Applicant: 三峡大学
IPC: G06V20/10 , G06V20/17 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 基于小目标样本扩充和池化加权的松材线虫病树检测方法，具体包括以下步骤：步骤1：对不同光照、不同地势环境下的松林进行拍摄，获取原始图像；步骤2：将原始图像进行裁剪，标注裁剪之后的具有松材线虫病树的图片，制作松材线虫病树数据集；步骤3：使用固定缩放尺度和随机拼接的小目标样本扩充方法，增加图片中病树数量特别是小尺度病树目标数量；步骤4：构建基于池化加权注意力机制特征增强目标检测网络；步骤5：将松材线虫病树数据集输入到池化加权注意力机制特征增强目标检测模型中进行训练，得到病树识别模型；步骤6：将待识别松林图片输入到识别模型中识别，得到病树的矢量位置信息；步骤7：根据病树位置信息，清理病树。
-
公开(公告)号：CN115690489A
公开(公告)日：2023-02-03
申请号：CN202211268041.X
申请日：2022-10-17
Applicant: 三峡大学
IPC: G06V10/764 , G06V10/766 , G06V20/10 , G06V20/13 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/096
Abstract: 一种基于神经架构搜索的秋冬季松材线虫病树检测方法，包括步骤1：采集图像，对包含病树样本的春夏和秋冬季图片分别进行标记制作成数据集；步骤2：使用春夏数据集训练得到初始训练模型，将初始训练模型加载进神经架构搜索网络后使用秋冬数据集进行训练得到检测模型；步骤3：将测试图片集放入训练完成的神经架构搜索网络中进行检测，将识别错误的病树制作为负样本集，将负样本集与秋冬训练集混合后再次训练，得到检测模型；步骤4：将检测模型的识别结果输出为矢量，得到病树经纬度坐标。本发明的目的是为了能更好的提取松材线虫病树的特征进行检测，而提供了一种鲁棒的、基于无人机图像的对秋冬季松材线虫病树进行检测的方法。
-
公开(公告)号：CN115497008A
公开(公告)日：2022-12-20
申请号：CN202211181778.8
申请日：2022-09-27
Applicant: 三峡大学
Abstract: 一种利用遥感矢量对耕地区域进行识别的方法，它包括以下步骤：步骤1：获取遥感影像，并进行图像处理以获得遥感图像；步骤2：用制作好的数据集对特征提取网络和注意力解码模块进行训练，得到分割模型；步骤3：对分割模型进行训练，将待识别区域的遥感图像放入已训练好的分割模型中得到分割结果图像；步骤4：将分割结果图像进行拼接，计算耕地区域面积。本发明的目的是为了解决现有针对耕地面积测量的遥感影像处理方法，对耕地的边缘分割的提取效果及准确度不佳，容易在耕地的边缘出现不完整分割和多余的分割的技术问题，而提供的一种能实现对耕地区域更加精确的分割的利用遥感矢量对耕地区域进行识别的方法。
-
Patent Agency Ranking
公开(公告)号：CN115456274A
公开(公告)日：2022-12-09
申请号：CN202211109756.0
申请日：2022-09-13
Applicant: 三峡大学
Abstract: 一种农产品重金属超标概率预测的方法，包括以下步骤：步骤1：采集土壤、农产品及采集点位所处环境的样本，检测样本重金属含量和ph值，构成候选指标数据集，并进行预处理。步骤2：对指标集进行指标筛选，筛选出与要预测农产品重金属相关性较大的指标构成新的指标集。步骤3：按照国家标准将数据分为超标与不超标两种，按照比例分为训练数据和测试数据。步骤4：建立支持向量机，将训练数据作为支持向量机的输入，训练数据中重金属是否超标为支持向量机的输出。步骤5：使用优化后的核函数参数g和惩罚参数c训练支持向量机，得到农产品重金属超标概率预测模型，将测试数据输入农产品重金属超标概率预测模型，得到重金属超标概率预测的结果。
-
公开(公告)号：CN115329272A
公开(公告)日：2022-11-11
申请号：CN202210906863.X
申请日：2022-07-29
Applicant: 三峡大学
Abstract: 一种基于线性判别分析的土壤重金属来源解析方法，包括以下步骤：步骤1：对研究区进行监测布点，土壤样本采集以及土壤样品处理，测量土壤样本中重金属的含量；步骤2：进行描述性统计分析；步骤3：利用地统计学方法分析研究区域土壤重金属空间分布特征，识别污染源；步骤4：采用ALDS‑MLR受体模型解析土壤重金属污染源及其贡献率；步骤5：根据地统计分析的重金属空间分布特征识别的污染源及ALDS‑MLR受体模型解析的污染源及其贡献率，得到明确的污染源及贡献率；最终实现对研究区的土壤重金属来源解析。该方法结合地统计学方法探析了土壤中重金属的来源及其贡献率，以期为当地土壤重金属污染科学防控和修复治理提供理论依据。
-
公开(公告)号：CN115170822A
公开(公告)日：2022-10-11
申请号：CN202210699037.2
申请日：2022-06-20
Applicant: 三峡大学
Abstract: 本发明公开了一种农田土壤重金属定性源解析的联用方法，该方法通过对研究区域内的土壤重金属浓度数据进行采集和处理，并分别从点位超标率计算、元素同源相关性分析、主污染源因子定性以及空间分布多个方向联合进行研究，从而可以准确实现土壤重金属在空间尺度上的定性源解析，便于为定性污染源以及后续防治提供数据参考。
-
公开(公告)号：CN114359509A
公开(公告)日：2022-04-15
申请号：CN202111470312.5
申请日：2021-12-03
Applicant: 三峡大学
IPC: G06T17/20 , G06T7/55 , G06T5/50 , G06V10/74 , G06V10/44 , G06V10/56 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于深度学习的多视图自然场景重建方法，包括以下步骤：根据相机在不同角度拍摄的场景图片序列，首先对所有场景图像进行预处理，计算每幅图像的相机参数；根据提出的基于光度一致性度量图像相似度方法和视图选择算法，将其分为参考图像与源图像并在视图间进行支持域特征匹配。在卷积网络提取特征时根据匹配视图结果，构建图像特征金字塔；将所有原始图像以及参数文件经过改进的多视图立体重建神经网络,得到参考图像深度图，并在此深度图的基础之上融合成三维点云；运用表面重建算法生成场景网格模型，完成三维场景的重建工作。提高了基于图像的三维场景重建效率，实现特征图像块在跨视图中映射，使得提取的特征更加完善。
-
公开(公告)号：CN114354666A
公开(公告)日：2022-04-15
申请号：CN202111677903.X
申请日：2021-12-31
Applicant: 三峡大学
IPC: G01N23/223 , G06F30/20 , G06F17/18 , G06F111/06 , G06F111/08
Abstract: 本发明涉及基于波长频次选择的土壤重金属光谱特征提取、优化方法，包括：采集土壤样品，配置样本，获取样本的光谱，形成样本数据集；多次运行BOSS算法，计算各变量被选中的概率，挑选出概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，确定波长变量的最优数量N；重复运行串联的ICO‑BOSS算法进行波长变量选择，计算各变量被选中的概率，从中选出N个概率大的波长变量，计算预测模型的RMSECV平均值，调整波长变量的数量使RMSECV平均值最小，得到最优波长变量集；利用得到的波长变量集预测重金属含量。本发明采用串联的ICO‑BOSS算法，并采用波长频次选择策略，选出最优波长变量集，用于重金属含量的预测，提高了预测模型的稳定性和精度。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.032 seconds)
