-
公开(公告)号：CN119323739A
公开(公告)日：2025-01-17
申请号：CN202411367941.9
申请日：2024-09-29
Applicant: 安徽大学
IPC: G06V20/17 , G06V10/82 , G06V10/774 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种基于改进U‑Net的无人机影像松材线虫病疫木识别方法，包括：通过无人机获取林区影像并进行预处理；对预处理后的影像数据和标注影像数据进行数据增强；对U‑Net网络模型进行改进，得到改进后的U‑Net网络模型；将训练集输入改进后的U‑Net网络模型中进行训练；将待识别的图像输入改进后的U‑Net网络模型，得到识别结果。本发明充分利用Swin Transformer编码器弥补U‑Net网络模型本身在捕获长距离依赖上的缺陷，提高松材线虫病感病疫木识别的精度；将U‑Net网络模型的瓶颈层替换成空洞空间金字塔池化模块，充分捕获了不同尺度的图像特征，增大感受野，充分利用上下文信息，减少特征信息损失，捕获更多有价值信息，提高松材线虫病感病疫木识别的精度。
-
公开(公告)号：CN117576467B
公开(公告)日：2024-04-26
申请号：CN202311560242.1
申请日：2023-11-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/20 , G06V10/82 , G06V10/44 , G06V10/56 , G06V10/77 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06V10/80 , G06N3/08 , G06N3/045
Abstract: 本发明涉及一种融合频率域和空间域信息的农作物病害图像识别方法，与现有技术相比解决了难以在复杂环境下实现农作物病害检测的缺陷。本发明包括以下步骤：农作物病害图像的获取及预处理；双分支病害图像识别模型的构建；双分支病害图像识别模型的训练；待识别农作物病害图像的获取；农作物病害图像识别结果的获得。本发明结合图像频率域信息与空间域信息提出了双分支的深度神经网络用于农作物病害识别，频率分支接受频域信息作为输入用于提取丰富的农作物病害频率分量特征，可变形注意力Transformer分支擅长于表征全局特征并且有选择的关注农作物病害局部区域特征，融合方法MSAF更好的融合农作物病害频率特征和空间特征。
-
公开(公告)号：CN117218429A
公开(公告)日：2023-12-12
申请号：CN202311178205.4
申请日：2023-09-13
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/77
Abstract: 本发明涉及一种基于双分支网络的光谱‑空间注意力机制的高光谱图像分类方法，包括：输入高光谱图像数据立方体；使用主成分分析将高光谱图像的光谱维数降维，对于要分类的像素，将其封装成相邻区域块作为光谱子网络的输入；在每个特定像素周围创建一个相邻区域来收集空间信息，并作为空间子网络的输入；得到一维光谱特征；得到一维空间特征；通过融合层对一维光谱特征和一维空间特征进行融合和平衡，使用softmax回归层来预测每一类地物的概率分布。本发明通过对高光谱图像作为研究对象，在有限样本的前提下提高高光谱图像的有效特征表示，既保证了分类精度，又减少了网络模型的参数个数和计算量；充分利用了光谱信息和空间信息，以取得更好的分类结果。
-
公开(公告)号：CN117173571A
公开(公告)日：2023-12-05
申请号：CN202311147718.9
申请日：2023-09-07
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/774 , G06V10/42 , G06V10/80
Abstract: 本发明涉及一种基于YOLOv8的大田麦穗检测方法，包括：获取麦穗数据集；对YOLOv8网络模型进行改进，得到改进后的YOLOv8网络模型；将训练集输入改进后的YOLOv8网络模型中进行训练，得到训练后的YOLOv8网络模型；对训练后的YOLOv8网络模型进行评价；将待检测的麦穗图片输入训练后的YOLOv8网络模型，训练后的YOLOv8网络模型输出最终检测结果。本发明通过在YOLOv8网络模型中引入AFPN，首先通过结合两个不同分辨率的低级特征来启动融合过程，然后将高级特征纳入融合过程，最终融合主干的顶级特征，可以避免非相邻层次之间存在较大的语义差距；引入深度可分离卷积模块，则可以降低模型参数量、模型大小，加快检测速度。
-
公开(公告)号：CN115984850A
公开(公告)日：2023-04-18
申请号：CN202310116702.5
申请日：2023-02-15
Applicant: 安徽大学
IPC: G06V20/70 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774
Abstract: 本发明涉及一种基于改进Deeplabv3+的轻量级遥感影像语义分割方法，包括：通过遥感卫星获取不同情景下的图像，得到数据集；在数据集中选定分割对象，对分割对象进行语义标注和分割，进行图像增强，在图像增强后将整个数据集划分为训练集、测试集和验证集；构建改进的DeepLabv3+网络模型，采用训练集训练改进的DeepLabv3+网络模型；将测试集中的测试图像输入训练后的改进的DeepLabv3+网络模型，选定分割对象为田地、建筑群或水域，并保存语义分割的结果图像。本发明基于改进的DeepLabv3+网络模型，训练参数量较小、精度较高、边缘分割更细腻、有效改善孔洞问题；本发明系统针对田地、建筑群、水域多种分割对象，便于不同场景使用，智能便捷。
-
Patent Agency Ranking
公开(公告)号：CN115861836A
公开(公告)日：2023-03-28
申请号：CN202211480121.1
申请日：2022-11-24
Applicant: 安徽大学
IPC: G06V20/13 , G06V20/10 , G06V10/764 , G06V10/771 , G06V10/80 , G06V10/70
Abstract: 本发明涉及一种基于多时相Sentinel‑2数据的大豆种植区提取方法，包括：获取Sentinel‑2影像数据和辅助数据，进行预处理；将研究区的影像内的非农作物像元进行剔除，得到研究区的植被总体分布；生成所有特征的集合，并将数据融合在一起，进行掩膜；进行特征优选，筛选出各个分类器对应的最佳特征子集，选出最佳分类器；通过获取的最佳分类器和该分类器对应的最佳特征子集，组成大豆最佳提取模型，并对大豆最佳提取模型的大豆提取效果进行评估，并得到该研究区内的大豆最佳制图效果。本发明提高了精度，减少错分漏分的概率；丰富了光谱特征，还提取了部分地物是光谱难以区分的，以用作辅助数据；极大的减少了工作量，减少了特征冗余以及噪声，提高了工作效率。
-
公开(公告)号：CN115063610A
公开(公告)日：2022-09-16
申请号：CN202210596186.6
申请日：2022-05-30
Applicant: 安徽大学
IPC: G06V10/62 , G06T7/62 , G06V10/764 , G06V10/774 , G06T7/11 , G06K9/62 , G06N5/00 , G06N20/10 , G06N20/20
Abstract: 本发明涉及基于Sentinel‑1、2影像的大豆种植区识别方法及其面积测算方法，与现有技术相比解决了大豆与其他作物光谱相似度高导致其依靠高维特征难以实现种植区识别的缺陷。本发明包括以下步骤：Sentinel‑1、2影像的获取和预处理；时间序列特征提取；支持向量机模型的构建；优选特征子集确定；大豆种植区识别。本发明借助GEE云计算平台，利用线性谐波模型提取大豆生长季内Sentinel‑1、2影像的时间序列特征，然后构造支持向量机模型，同时结合随机森林分类模型及斯皮尔曼相关系数探究大豆识别优选特征子集，最终利用支持向量机模型提取大豆种植区并测算面积。
-
公开(公告)号：CN111881953B
公开(公告)日：2022-04-22
申请号：CN202010672339.1
申请日：2020-07-14
Applicant: 安徽大学
IPC: G06V10/58
Abstract: 本发明涉及基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，与现有技术相比解决了难以进行遥感高光谱图像分类的缺陷。本发明包括以下步骤：训练数据的获取；光谱特征向量的提取；空间特征向量的提取；颜色特征向量的提取；多特征向量的堆叠；KNN分类器的构建和训练；待分类遥感高光谱图像的获取；待分类遥感高光谱图像的预处理；遥感高光谱图像分类结果的获得。本发明通过光谱、空间、颜色特征相联合，增强了同类像元的相似性，同时增大了不同像元的相异性，与部分提出的分类方法相比，总体分类精度、平均分类精度、Kappa系数均有不同程度的提高。
-
公开(公告)号：CN113011499B
公开(公告)日：2022-02-01
申请号：CN202110301578.0
申请日：2021-03-22
Applicant: 安徽大学
Abstract: 本发明涉及一种基于双注意力机制的高光谱遥感图像分类方法，与现有技术相比解决了高光谱遥感影像训练样本有限及分类精度不理想的缺陷。本发明包括以下步骤：训练样本的获取；堆栈自编码器的构建和训练；构建混合密集网络；混合密集网络的训练；待分类样本的获取和降维处理；高光谱遥感图像分类结果的获得。本发明在训练样本量更少的情况下，也能得到较理想的高光谱遥感影像分类结果。
-
公开(公告)号：CN113340815A
公开(公告)日：2021-09-03
申请号：CN202110607814.1
申请日：2021-06-01
Applicant: 安徽大学
Abstract: 本发明涉及基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法，与现有技术相比解决了小麦发病程度判断不准确的缺陷。本发明包括以下步骤：光谱数据的获取和预处理；传统植被指数的选取以及二波段组合指数的构建；二波段组合指数的优选；单变量回归模型的构建；多元回归模型的构建。本发明利用小麦冠层关键生育期近地高光谱数据，通过构建最佳光谱指数实现了小麦病情指数的有效评估。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.032 seconds)
