公开(公告)号：CN116188859A

公开(公告)日：2023-05-30

申请号：CN202310159912.2

申请日：2023-02-24

Applicant: 安徽大学

Inventor： 胡根生 ,  叶若含 ,  万名烛 ,  张艳

IPC: G06V10/764 ,  G06V10/774 ,  G06T3/40 ,  G06T5/00 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种基于超分和检测网络的茶叶病害无人机遥感监测方法，包括如下步骤：数据获取：首先获取低空拍摄的茶叶图像，无人机飞行高度为2m至4m，作为网络的训练集；数据处理：利用LabelImg软件，对裁剪后的低空拍摄图像进行标注；再将低空拍摄的图像按8:2的比例划分为网络的训练集和验证集；网络训练：先训练超分网络模型，包括依次训练PSNR模型、训练GAN模型；再训练检测网络模型；超分与检测：无人机飞行高度为12m，获取高空拍摄的无人机茶叶图像送入训练好的超分网络中进行超分，恢复细节信息，然后将超分后的图像裁剪后再送入训练好的检测网络中进行茶叶病害检测。本发明能够节约无人机的飞行成本和时间，帮助茶农实时检测茶园中茶叶的病害。

公开(公告)号：CN115471478A

公开(公告)日：2022-12-13

申请号：CN202211134557.5

申请日：2022-09-19

Applicant: 安徽大学

Inventor： 胡根生 ,  夭盼 ,  万名烛 ,  张艳

IPC: G06T7/00 ,  G06T7/73 ,  G06V20/17 ,  G06N3/08

Abstract: 本发明涉及一种基于yolov5的松树林病害无人机遥感监测方法，包括：利用无人机搭载的光学相机获取病害松树林的原始无人机图像；将原始无人机图像划分为训练集图像和测试集图像，将训练集图像裁剪为规定大小的图像块；利用cut‑paster方法来增加训练集图像中的背景目标，增加样本多样性；基于yolov5建立松树林病害监测网络模型；利用训练集图像训练松树林病害监测网络模型；利用通过训练后的松树林病害监测网络模型预测测试集图像中不同严重程度的病害松树；输出每棵病害松树的地理位置信息。本发明实施例解决无人机遥感图像中病害松树形态多变、不同严重度病害松树颜色纹理特征相似等因素对监测结果的影响，实现对松树林病害的精确监测。