-
公开(公告)号：CN115049945A
公开(公告)日：2022-09-13
申请号：CN202210658126.2
申请日：2022-06-10
Applicant: 安徽农业大学
IPC: G06V20/17 , G06V10/26 , G06V10/774 , G06V10/80 , G06T17/00
Abstract: 本发明公开了一种基于无人机图像的小麦倒伏面积提取方法和装置，该方法包括：1获取田间的小麦RGB图像数据，并进行拼接、裁剪和标注，得到研究区域图和标签数据；2利用小麦研究区域的RGB图像得到小麦数字表面模型图像，融合小麦RGB图像和数字表面模型图像，得到小麦RGB‑数字表面模型图像；3基于深度学习构建小麦倒伏分割模型，包括空间路径、上下文路径和特征融合模块，其中，上下文路径包括ResNet18网络和金字塔切分注意力；4通过小麦RGB‑数字表面模型图像数据训练小麦倒伏分割模型，并对小麦图像进行倒伏区域的分割，从而利用分割结果估算倒伏区域面积，解决现有小麦倒伏面积提取方法的误差和准确率较低的问题。
-
Patent Agency Ranking
公开(公告)号：CN112287886B
公开(公告)日：2023-09-22
申请号：CN202011308778.0
申请日：2020-11-19
Applicant: 安徽农业大学
Abstract: 本发明提出基于高光谱图像融合图谱特征的小麦植株氮含量估测方法。本发明的方法是采集小麦冠层高光谱图像和地面小麦植株氮含量；首先提取光谱反射率并计算植被指数、位置和形状特征；然后提取主成分高光谱图像并利用卷积神经网络提取深层特征；再次利用随机森林算法、相关系数分析法确定优选的特征，利用并行融合策略针对优选的特征构建新的融合图谱特征；最后建立基于融合图谱特征的支持向量回归模型预测小麦植株氮含量。本发明的方法估测精度高、模型的泛化力强，适用于小麦全生育期，同时也是目前第一次提出综合高光谱图像的植被指数、位置和形状特征、深层特征构建融合图谱特征估测小麦植株氮含量的方法。
-
公开(公告)号：CN115049926A
公开(公告)日：2022-09-13
申请号：CN202210657361.8
申请日：2022-06-10
Applicant: 安徽农业大学
IPC: G06V20/10 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08 , G06Q50/02
Abstract: 本发明公开了一种基于深度学习的小麦倒伏损失评估方法和装置，涉及图像处理的技术领域，并包括：1获取小麦地块的图像信息，并对图像信息进行预处理，得到研究区域图像和标签数据；2将小麦的研究区域图像与倒伏颜色指数图像和数字表面模型图像进行通道合成，得到小麦多通道融合图像；3构建深度学习小麦倒伏识别模型，包括编码器和解码器，其中编码器包括特征提取网络、卷积块注意力模块和卷积层；4将小麦倒伏图像数据输入小麦倒伏识别模型中，得到倒伏区域的预测结果并计算倒伏区域面积；5利用分类模型评估倒伏损失等级评估。本发明能够准确提取小麦倒伏区域，同时评估倒伏损失等级，解决了现有小麦倒伏损失评估方法准确率较低的问题。
-
公开(公告)号：CN115049945B
公开(公告)日：2023-10-20
申请号：CN202210658126.2
申请日：2022-06-10
Applicant: 安徽农业大学
IPC: G06V20/17 , G06V10/26 , G06V10/774 , G06V10/80 , G06T17/00
Abstract: 本发明公开了一种基于无人机图像的小麦倒伏面积提取方法和装置，该方法包括：1获取田间的小麦RGB图像数据，并进行拼接、裁剪和标注，得到研究区域图和标签数据；2利用小麦研究区域的RGB图像得到小麦数字表面模型图像，融合小麦RGB图像和数字表面模型图像，得到小麦RGB‑数字表面模型图像；3基于深度学习构建小麦倒伏分割模型，包括空间路径、上下文路径和特征融合模块，其中，上下文路径包括ResNet18网络和金字塔切分注意力；4通过小麦RGB‑数字表面模型图像数据训练小麦倒伏分割模型，并对小麦图像进行倒伏区域的分割，从而利用分割结果估算倒伏区域面积，解决现有小麦倒伏面积提取方法的误差和准确率较低的问题。
-
公开(公告)号：CN115049926B
公开(公告)日：2023-10-24
申请号：CN202210657361.8
申请日：2022-06-10
Applicant: 安徽农业大学
IPC: G06V20/10 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06Q50/02
Abstract: 本发明公开了一种基于深度学习的小麦倒伏损失评估方法和装置，涉及图像处理的技术领域，并包括：1获取小麦地块的图像信息，并对图像信息进行预处理，得到研究区域图像和标签数据；2将小麦的研究区域图像与倒伏颜色指数图像和数字表面模型图像进行通道合成，得到小麦多通道融合图像；3构建深度学习小麦倒伏识别模型，包括编码器和解码器，其中编码器包括特征提取网络、卷积块注意力模块和卷积层；4将小麦倒伏图像数据输入小麦倒伏识别模型中，得到倒伏区域的预测结果并计算倒伏区域面积；5利用分类模型评估倒伏损失等级评估。本发明能够准确提取小麦倒伏区域，同时评估倒伏损失等级，解决了现有小麦倒伏损失评估方法准确率较低的问题。
-
公开(公告)号：CN112287886A
公开(公告)日：2021-01-29
申请号：CN202011308778.0
申请日：2020-11-19
Applicant: 安徽农业大学
Abstract: 本发明提出基于高光谱图像融合图谱特征的小麦植株氮含量估测方法。本发明的方法是采集小麦冠层高光谱图像和地面小麦植株氮含量；首先提取光谱反射率并计算植被指数、位置和形状特征；然后提取主成分高光谱图像并利用卷积神经网络提取深层特征；再次利用随机森林算法、相关系数分析法确定优选的特征，利用并行融合策略针对优选的特征构建新的融合图谱特征；最后建立基于融合图谱特征的支持向量回归模型预测小麦植株氮含量。本发明的方法估测精度高、模型的泛化力强，适用于小麦全生育期，同时也是目前第一次提出综合高光谱图像的植被指数、位置和形状特征、深层特征构建融合图谱特征估测小麦植株氮含量的方法。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
