-
公开(公告)号：CN119418212A
公开(公告)日：2025-02-11
申请号：CN202510013147.2
申请日：2025-01-06
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/17 , G06V10/44 , G06V10/52 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0495 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及农业无人机遥感影像处理技术，与现有技术相比，采用轻量化网络架构，便于部署在无人机硬件设备上实现实时检测，同时通过引入小尺度检测头和多头注意力机制，显著提升对无人机拍摄小目标麦穗的检测精度。本发明包括以下步骤：轻量级Yolov10的无人机遥感麦穗实时检测数据集处理；构建轻量级Yolov10的无人机遥感麦穗实时检测模型；轻量级Yolov10的无人机遥感麦穗实时检测模型的训练；轻量级Yolov10的无人机遥感麦穗实时检测模型的验证。本发明为利用无人机进行麦穗检测和小麦产量估计提供了一种可靠的技术框架。
-
公开(公告)号：CN117934346B
公开(公告)日：2024-06-07
申请号：CN202410324885.4
申请日：2024-03-21
Applicant: 安徽大学
Abstract: 本发明涉及一种无稳定平台的机载线阵高光谱遥感影像几何处理方法，与现有技术相比实现了低精度硬件平台下的机载线阵高光谱影像的校正，且无需利用地面测量控制点的情况下有效提升校正定位精度。本发明包括以下步骤：构建定位模型并根据特定姿态拍摄实现标定；逐像素几何正算处理并利用三角网构建索引；利用三角网索引进行规则化格网影像输出粗校正影像；基于平滑先验进行逐行POS数据修正；利用修正POS数据进行几何分辨率保持的几何精校正。本发明实现无需现场额外测量控制点情况下标定高光谱相机的安装误差，利用平滑先验有效修正POS数据，得到几何分辨率有效保持的高光谱校正影像，为生态环境、农业等行业提供高质量高光谱数据。
-
公开(公告)号：CN117934346A
公开(公告)日：2024-04-26
申请号：CN202410324885.4
申请日：2024-03-21
Applicant: 安徽大学
Abstract: 本发明涉及一种无稳定平台的机载线阵高光谱遥感影像几何处理方法，与现有技术相比实现了低精度硬件平台下的机载线阵高光谱影像的校正，且无需利用地面测量控制点的情况下有效提升校正定位精度。本发明包括以下步骤：构建定位模型并根据特定姿态拍摄实现标定；逐像素几何正算处理并利用三角网构建索引；利用三角网索引进行规则化格网影像输出粗校正影像；基于平滑先验进行逐行POS数据修正；利用修正POS数据进行几何分辨率保持的几何精校正。本发明实现无需现场额外测量控制点情况下标定高光谱相机的安装误差，利用平滑先验有效修正POS数据，得到几何分辨率有效保持的高光谱校正影像，为生态环境、农业等行业提供高质量高光谱数据。
-
公开(公告)号：CN114972078A
公开(公告)日：2022-08-30
申请号：CN202210503510.5
申请日：2022-05-09
Applicant: 安徽大学
Abstract: 本发明涉及应用SAR影像提升国产光学卫星影像无控几何质量方法及系统，与现有技术相比解决了稳健提升国产光学卫星无控几何定位精度。本发明包括以下步骤：构建附加太阳高度角变量的无控几何定位误差补偿模型；应用SAR影像提升国产光学卫星影像无控几何质量准备工作；应用从SAR影像中提取的参考数据对无控几何定位误差补偿模型系数进行求解。本发明提出一种对影响国产光学卫星无控几何质量的热稳定性误差进行补偿方法及系统，对影响无控几何定位误差根本原因进行建模，形成可操作性的无控几何质量提升途径，进而有效提升国产光学卫星影像的无控几何质量。
-
公开(公告)号：CN117689579B
公开(公告)日：2024-05-03
申请号：CN202311704091.2
申请日：2023-12-12
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/50 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种渐进式双解耦的SAR辅助遥感影像厚云去除方法，所述方法包括以下步骤：获取厚云遮挡光学遥感影像、无云参考影像和SAR影像三元数据集；构建渐进式双解耦的SAR辅助遥感影像厚云去除模型；训练渐进式双解耦的SAR辅助遥感影像厚云去除模型；待厚云去除的厚云遮挡光学遥感影像及对应SAR影像数据的获得及预处理；光学遥感影像厚云去除结果的获得。与现有技术相比，通过构建SAR和光学影像渐进式融合模块，充分利用两种模态间的互补信息，加强对光学影像缺失信息的补充和对SAR影像中噪声、形变的抑制。同时本发明设计的频域和空域双解耦特征处理架构，使得去云影像在光谱信息和结构信息的保持上均表现优异。
-
Patent Agency Ranking
公开(公告)号：CN117456253A
公开(公告)日：2024-01-26
申请号：CN202311437742.6
申请日：2023-11-01
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/68 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/096 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种茶叶病害小样本分类方法，包括数据预处理，将采集到的茶叶病害图像裁剪成只包含单一病害的图像，并使用剪裁、旋转、亮度变换和高斯模糊数据增强方法，生成新的样本，改进ConvNeXt网络模型，将SimAM网络融入ConvNeXt网络，接着将训练过程中的损失函数改为FocalLoss函数，将改进后的模型命名为SimAM‑ConvNeXt‑FL模型。本发明通过采用对茶叶病害图像进行数据增强扩展，其次将SimAM网络融入ConvNeXt网络，SimAM注意力机制提高网络模型的特征辨别能力，接着将训练过程中的损失函数改为FocalLoss函数，基于迁移学习框架，使用SimAM‑ConvNeXt‑FL模型在PlantVillage公开数据集上进行训练，在样本较小及分布不均场景下有较好的效果，进而有利于对茶叶病害进行检测，且有利于减少类别不平衡的影响。
-
公开(公告)号：CN118247681B
公开(公告)日：2024-08-09
申请号：CN202410651396.X
申请日：2024-05-24
Applicant: 安徽大学
IPC: G06V20/13 , G06V20/70 , G06V10/26 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于场景级语义引导及块级边界解混的云检测方法，所述方法包括以下步骤：基于场景级语义引导及块级边界解混的云检测准备工作、构建条带卷积模块、构建与训练基于场景级语义引导及块级边界解混的云检测模型、对基于场景级语义引导及块级边界解混的云检测模型测试和求解。与现有技术相比，通过场景级语义引导模块不仅提供了长程上下文信息，还能捕捉局部细节，从而更好地理解图像中的场景信息，而块级边界解混模块专注于提取细节特征以识别边界信息。本发明的云检测方法相比传统方法能够更准确地区分云和云阴影区域，避免误检和漏检的问题，并且能够实现对边界更精细的分割，为云检测任务带来了重大的性能提升。
-
公开(公告)号：CN118247668B
公开(公告)日：2024-07-30
申请号：CN202410657058.7
申请日：2024-05-24
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0455 , G06N3/096
Abstract: 本发明涉及一种基于扩散模型的高光谱图像多源域域自适应分类方法。本发明包括以下步骤：基于批归一化层统计迁移的源域模型初始化；构建基于扩散模型的模型生成算法；训练基于扩散模型的多源域域自适应模型；基于信息熵最小化和对比学习算法的目标域模型微调。与现有技术相比，本发明通过基于扩散模型的多源域域自适应模型，解决了现有高光谱分类任务中由于目标域标签数据缺乏以及多源域之间、源域目标域之间存在域差异而导致的难以将多源域训练模型迁移至目标域数据集的问题,并且目标域模型生成过程中不访问源域数据只访问源域训练模型从而减少了数据传输、数据存储的负担，实现快速将地多种卫星数据上训练的模型迁移到目标卫星数据的方法。
-
公开(公告)号：CN118247681A
公开(公告)日：2024-06-25
申请号：CN202410651396.X
申请日：2024-05-24
Applicant: 安徽大学
IPC: G06V20/13 , G06V20/70 , G06V10/26 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于场景级语义引导及块级边界解混的云检测方法，所述方法包括以下步骤：基于场景级语义引导及块级边界解混的云检测准备工作、构建条带卷积模块、构建与训练基于场景级语义引导及块级边界解混的云检测模型、对基于场景级语义引导及块级边界解混的云检测模型测试和求解。与现有技术相比，通过场景级语义引导模块不仅提供了长程上下文信息，还能捕捉局部细节，从而更好地理解图像中的场景信息，而块级边界解混模块专注于提取细节特征以识别边界信息。本发明的云检测方法相比传统方法能够更准确地区分云和云阴影区域，避免误检和漏检的问题，并且能够实现对边界更精细的分割，为云检测任务带来了重大的性能提升。
-
公开(公告)号：CN117689579A
公开(公告)日：2024-03-12
申请号：CN202311704091.2
申请日：2023-12-12
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/50 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种渐进式双解耦的SAR辅助遥感影像厚云去除方法，所述方法包括以下步骤：获取厚云遮挡光学遥感影像、无云参考影像和SAR影像三元数据集；构建渐进式双解耦的SAR辅助遥感影像厚云去除模型；训练渐进式双解耦的SAR辅助遥感影像厚云去除模型；待厚云去除的厚云遮挡光学遥感影像及对应SAR影像数据的获得及预处理；光学遥感影像厚云去除结果的获得。与现有技术相比，通过构建SAR和光学影像渐进式融合模块，充分利用两种模态间的互补信息，加强对光学影像缺失信息的补充和对SAR影像中噪声、形变的抑制。同时本发明设计的频域和空域双解耦特征处理架构，使得去云影像在光谱信息和结构信息的保持上均表现优异。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
