-
Patent Agency Ranking
公开(公告)号：CN111461052A
公开(公告)日：2020-07-28
申请号：CN202010286392.8
申请日：2020-04-13
Applicant: 安徽大学
Abstract: 本发明涉及图像识别技术领域，特别涉及一种基于迁移学习的多个生育期小麦倒伏区域识别方法，包括以下步骤：A、拍摄待识别麦田的RGB图像和/或多光谱图像；B、对图像进行拼接和剪裁得到待识别麦田的完整图；C、将待识别麦田的完整图导入训练好的DeepLabv3+模型中进行倒伏区域的识别。这里基于DeepLabv3+网络模型，采用迁移学习的方式构建两种方法实现多生育期小麦倒伏区域提取，基于无人机影像和迁移学习方法可以有效获取多时期的倒伏小麦特征，实现高精度的小麦区域自动提取，使得精准检测小麦倒伏区域称为可能，为研究小麦倒伏影响因素提供有力的数据支持；该方法受环境影响小，且实现起来方便，在训练好DeepLabv3+模型以后，只需要拍摄待识别麦田的图像导入模型中即可自动识别倒伏区域。
-
公开(公告)号：CN111461052B
公开(公告)日：2023-05-23
申请号：CN202010286392.8
申请日：2020-04-13
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/764
Abstract: 本发明涉及图像识别技术领域，特别涉及一种基于迁移学习的多个生育期小麦倒伏区域识别方法，包括以下步骤：A、拍摄待识别麦田的RGB图像和/或多光谱图像；B、对图像进行拼接和剪裁得到待识别麦田的完整图；C、将待识别麦田的完整图导入训练好的DeepLabv3+模型中进行倒伏区域的识别。这里基于DeepLabv3+网络模型，采用迁移学习的方式构建两种方法实现多生育期小麦倒伏区域提取，基于无人机影像和迁移学习方法可以有效获取多时期的倒伏小麦特征，实现高精度的小麦区域自动提取，使得精准检测小麦倒伏区域称为可能，为研究小麦倒伏影响因素提供有力的数据支持；该方法受环境影响小，且实现起来方便，在训练好DeepLabv3+模型以后，只需要拍摄待识别麦田的图像导入模型中即可自动识别倒伏区域。
-
公开(公告)号：CN111461053B
公开(公告)日：2023-05-23
申请号：CN202010286460.0
申请日：2020-04-13
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/774
Abstract: 本发明特别涉及一种基于迁移学习的多个生育期小麦倒伏区域识别系统，包括图像采集模块、预处理模块以及识别模块；图像采集模块的无人机上搭载有相机用于拍摄待识别麦田图像并输出至预处理模块，预处理模块对图像进行拼接和剪裁并输出至识别模块，通过识别模块中存储的训练好的DeepLabv3+模型的识别得到标记后麦田图像。这里由无人机搭载相机拍摄图片，可以有效适合多种环境情况，并且非常便携，随拍随走；同时，通过预处理模块和识别模块，可以集中对拍摄到的图片进行处理和识别，自动标记待识别麦田的倒伏区域，由于识别模块中的模型是预先训练好的，这里直接将图片导入模型中进行识别即可，故处理速度快，降低识别模块的成本。
-
公开(公告)号：CN111461053A
公开(公告)日：2020-07-28
申请号：CN202010286460.0
申请日：2020-04-13
Applicant: 安徽大学
Abstract: 本发明特别涉及一种基于迁移学习的多个生育期小麦倒伏区域识别系统，包括图像采集模块、预处理模块以及识别模块；图像采集模块的无人机上搭载有相机用于拍摄待识别麦田图像并输出至预处理模块，预处理模块对图像进行拼接和剪裁并输出至识别模块，通过识别模块中存储的训练好的DeepLabv3+模型的识别得到标记后麦田图像。这里由无人机搭载相机拍摄图片，可以有效适合多种环境情况，并且非常便携，随拍随走；同时，通过预处理模块和识别模块，可以集中对拍摄到的图片进行处理和识别，自动标记待识别麦田的倒伏区域，由于识别模块中的模型是预先训练好的，这里直接将图片导入模型中进行识别即可，故处理速度快，降低识别模块的成本。
-
公开(公告)号：CN110889394A
公开(公告)日：2020-03-17
申请号：CN201911267940.6
申请日：2019-12-11
Applicant: 安徽大学
Abstract: 本发明特别涉及一种基于深度学习UNet网络的水稻倒伏识别方法，包括如下步骤：S1、拍摄待检测稻田图像并进行分块处理，分块处理后的图像宽度和高度为32的倍数；S2、提取分块后图像的像元值或计算植被指数输入到训练好的UNet网络模型中；S3、将UNet网络模型输出的图像依次进行二值化处理、滤波处理得到分割结果图；S4、计算分割结果图中倒伏区域占总区域的比值即可得到倒伏占比。这里通过对无人机进行拍摄得到的图像进行处理得到田块的倒伏占比，其机动性强，受云层和雾的影响小，图像的分辨率很高，识别起来也更加精准；同时，利用UNet深度学习框架，此模型可以自主地学习到数据中的各种浅层、深层特征，具有泛化性高的优点，非常容易扩展到其他特征的识别上。
-
-
-
-
Search Results
5
records
(took 0.021 seconds)
