-
公开(公告)号：CN118691991B
公开(公告)日：2025-02-14
申请号：CN202410725672.2
申请日：2024-06-06
Applicant: 滁州学院
IPC: G06V20/17 , G06V10/764 , G06V10/762 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于无人机遥感影像的农业废弃地膜智能检测方法，涉及深度学习目标检测技术领域，包括四个关键步骤：首先，进行农业废弃地膜数据采集和预处理工作，以增强图像中地膜与背景的区分度；其次，构建改进的DINO‑HResNet模型，该模型通过引入特征金字塔网络和RetinaNet检测头，提高模型从高分辨率遥感影像中检测小目标物体的能力；接着，基于改进的模型进行训练，采用FocalLoss和CIoULoss作为损失函数，解决样本类别不平衡的问题；最后，实现模型的预测以及检测结果的可视化。本发明旨在提供一种从无人机高分辨率影像中对废弃地膜进行精准识别与检测的方法，为农业废弃物的及时检测和管理提供有效的技术支持。
-
公开(公告)号：CN118691991A
公开(公告)日：2024-09-24
申请号：CN202410725672.2
申请日：2024-06-06
Applicant: 滁州学院
IPC: G06V20/17 , G06V10/764 , G06V10/762 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于无人机遥感影像的农业废弃地膜智能检测方法，涉及深度学习目标检测技术领域，包括四个关键步骤：首先，进行农业废弃地膜数据采集和预处理工作，以增强图像中地膜与背景的区分度；其次，构建改进的DINO‑HResNet模型，该模型通过引入特征金字塔网络和RetinaNet检测头，提高模型从高分辨率遥感影像中检测小目标物体的能力；接着，基于改进的模型进行训练，采用FocalLoss和CIoULoss作为损失函数，解决样本类别不平衡的问题；最后，实现模型的预测以及检测结果的可视化。本发明旨在提供一种从无人机高分辨率影像中对废弃地膜进行精准识别与检测的方法，为农业废弃物的及时检测和管理提供有效的技术支持。
-
公开(公告)号：CN115063470B
公开(公告)日：2024-08-13
申请号：CN202210673544.9
申请日：2022-06-14
Applicant: 滁州学院
Abstract: 本发明公开了一种保持地形结构线不变的DEM地形简化方法，涉及数字高程模型构建领域，该方法包括如下步骤：S1，读入DEM数据，计算研究区地表复杂度指数；S2，根据地表复杂度指数确定复杂度分级方案，确定每一级对应的整型权重系数；S3，创建存储权重系数的栅格数据，并根据步骤S2确定的分级方案对每个栅格单元权重赋值；S4，对原始DEM数据进行基于窗口的平均值平滑处理，其中窗口的大小从步骤S3中得到权重栅格数据中获取，DEM所有栅格完成平滑处理后，DEM简化过程结束。本发明涵盖地表复杂度指数计算和尺寸可变的窗口平滑两个关键技术，能够在保持地形结构线不变的前提下实线对DEM的地形简化。
-
公开(公告)号：CN117333629A
公开(公告)日：2024-01-02
申请号：CN202311291916.2
申请日：2023-10-08
Applicant: 滁州学院
Abstract: 本发明公开了一种基于地表汇水线累积的沟谷网络自动提取方法，涉及基于数字高程模型的地形分析技术领域，包括如下步骤：输入DEM数据，判断数据中是否存在洼地，如果存在则将洼地填充为平地；在完成洼地填充后的DEM中寻找高程值最大、不属于平地、且没有计算汇水路径数量的栅格作为当前处理栅格；本发明以DEM数据为数据源，可直接计算得到分析区域的汇水线累计值，然后再设定合理阈值即可提取分析区域的沟谷网络，与传统方法相比自动化程度明显提升，且提取的沟谷网络在平地区域没有平行沟谷等不合理现象，结果与实际情况更符合，因此，在农业规划、水土保持规划等实践项目和地貌学相关科学研究领域具有重要的应用价值。
-
公开(公告)号：CN116204807A
公开(公告)日：2023-06-02
申请号：CN202211462622.7
申请日：2022-11-22
Applicant: 滁州学院
IPC: G06F18/24 , G06F18/23213 , G06F17/10
Abstract: 本发明公开了一种基于DEM数据的山顶点提取及分类方法，涉及基于数字高程模型的地形分析技术领域，解决了当前的研究对山顶点的定义比较粗略，侧重山顶点是局部海拔最高值这一特点，对山顶点所在区域周边的地表形态特征没有顾及到的问题，其技术方案要点是该方法包括如下步骤：S1，输入DEM数据，确定一个分析窗口尺寸，依据确定局部最大值的方式计算分析区域的初始山顶点；S2，依次以步骤S1生成的初始山顶点为圆心，以步骤S1确定的窗口尺寸为直径，确定一个分析圆，并确定分析圆的边界所经过的所有栅格单元；效果是本发明涵盖山顶点形态指数计算与顾及形态特征的山顶点分类两个关键技术，能够提高基于DEM数据提取山顶点的准确度。
-
Patent Agency Ranking
公开(公告)号：CN114580564A
公开(公告)日：2022-06-03
申请号：CN202210279191.4
申请日：2022-03-21
Applicant: 滁州学院
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V20/17 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供了一种基于无人机影像的优势树种遥感分类方法及分类系统，包括如下步骤：基于无人机遥感图像，获取数据集；构建DenseNet_BL模型；基于所述数据集对所述DenseNet_BL模型进行监督训练；基于训练后的所述DenseNet_BL模型，完成优势树种遥感分类。本发明基于普通的DenseNet模型，进行改进，在每个残差块之间插入小型卷积核作为瓶颈层，在提高网络模型的计算效率，减少网络计算量和参数量的同时，达到理想的树种分类效果。
-
公开(公告)号：CN111858810B
公开(公告)日：2022-05-06
申请号：CN202010697637.6
申请日：2020-07-20
Applicant: 滁州学院
Abstract: 本发明公开了一种面向道路DEM构建的高程点筛选方法。该方法包括如下步骤：S1，高程点映射到道路边线形成初期道路三维线；S2，对每一条道路边线，根据其存储节点顺序确定路头和路尾，并根据边线与其他道路边线相交情况区分丁字路口和十字路口；S3，根据距离最短原则，确定路头、路尾以及相交路口的高程信息；S4，根据步骤S3中确定的路头、路尾以及相交路口高程信息，确定道路内部需要保留的高程点；S5，对内部高程点插值形成指定步长的高程点；S6，获取完整道路边线上的高程点，生成三维道路边线。本发明方法包含道路段划分及端点高程确定，道路内部高程点筛选两个关键技术环节，能够有效保证后续道路DEM建模的形态精度。
-
公开(公告)号：CN111062958A
公开(公告)日：2020-04-24
申请号：CN201911145655.7
申请日：2019-11-21
Applicant: 滁州学院
Abstract: 本发明提供了一种城市道路要素提取方法。该方法包括以下步骤：步骤1：利用开源路网数据获取城市道路中心线；步骤2：获取道路分段等距采样点及采样点位置的街景图像；步骤3：基于获取的街景图像利用射影几何原理完成城市道路要素几何信息的量测；步骤4：对城市道路边界线和城市道路面进行拟合和表达；步骤5：结合城市道路面及遥感影像获取隔离带及交叉口采样点；步骤6：再次执行几何量测，对道路要素分类拟合，最终获取城市道路要素。本发明依据“先整体后局部”、“先点再线后面”的原则，通过栅格化中心线提取、分段信息采样、几何宽度量测及要素拟合等过程，构建了一种新型的基于开源地图的城市道路要素提取法。
-
公开(公告)号：CN106504326A
公开(公告)日：2017-03-15
申请号：CN201610954256.5
申请日：2016-10-27
Applicant: 滁州学院
Abstract: 本发明公开了一种顾及形态精度的地形高程采样点加密方法，其步骤如下：第一步，加密应用信息初始化，若判定为线状要素高程采样点，则执行第二步，若判定为区域高程采样点，则执行第三步；第二步，执行线状要素高程采样点加密模块，依据加密步距，对线状要素高程采样点进行加密处理；第三步，执行区域高程采样点加密模块，依据加密迭代次数，对区域高程采样点进行加密处理；第四步，生成高程采样点加密结果文件：回收加密过程中申请的内存，清空临时的外存数据；更新日志文件，统计并记录加密元数据信息。本发明的方法能够有效解决高精度地形建模中高程采样点不足而导致地形表达失真的问题。
-
公开(公告)号：CN118334488B
公开(公告)日：2024-11-01
申请号：CN202410558337.8
申请日：2024-05-08
Applicant: 滁州学院
IPC: G06V10/82 , G06V10/774 , G06N3/0464 , G06V10/80 , G06T3/4007
Abstract: 本发明公开了一种基于多尺度特征挖掘与反思机制的遥感变化检测方法，属于遥感图像处理技术领域，适用于土地调查、城市建筑物监测和生态监测等领域。实现步骤是：1、多尺度特征挖掘模块(MSFE)构建；2、嵌入多尺度特征挖掘模块的遥感变化检测神经网络构建；3、反思神经网络模块构建；4、模型训练与结果输出。本发明与现有遥感变化检测方法相比，所述多尺度特征挖掘模块能够高效挖掘多尺度特征信息。另外，所述反思神经网络模块是一种适用于遥感变化检测任务中难样本挖掘技术，能够改善遥感变化检测神经网络的检测结果精度。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.023 seconds)
