公开(公告)号：CN115908897B

公开(公告)日：2023-09-12

申请号：CN202211339322.X

申请日：2022-10-28

Applicant: 西南交通大学

Inventor： 张瑞 ,  刘安梦云 ,  包馨 ,  王婷 ,  刘国祥 ,  于来波 ,  吴仁哲 ,  吕继超 ,  杨云杰 ,  王天宇

IPC: G06V10/764 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/77 ,  G06V10/82 ,  G06V20/13

Abstract: 本发明涉及遥感影像图像处理技术领域，涉及一种基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其包括以下步骤：步骤S1：选取高分辨率遥感影像，在高速列车站周围区域判读勾绘样本；步骤S2：设置初始参数，利用带有供电网杆真实位置边界框的样本进行损失函数的计算以及参与反向传播过程中参数权重W以及偏移值b的迭代以及更新，从而完成对模型的训练；步骤S3：采用路网搜索的方式进行计算；步骤S4：随机选用一些车站影像放入训练好的模型中进行供电网杆的识别，并对识别结果进行检验。本发明能够实现对高速铁路供电设施的自动识别提取，大大提高识别效率的同时和保证了目标检测的稳定性。

公开(公告)号：CN115222629A

公开(公告)日：2022-10-21

申请号：CN202210942914.4

申请日：2022-08-08

Applicant: 西南交通大学 ,  成都市国土资源执法监察支队

Inventor： 张瑞 ,  吴仁哲 ,  韩艳 ,  展润青 ,  宋云帆 ,  刘慧 ,  吕继超 ,  包馨 ,  符茵 ,  刘安梦云 ,  王天宇 ,  杨云杰

IPC: G06T5/00 ,  G06T5/50 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于云厚度估计与深度学习的单幅遥感影像云去除方法，属于遥感影像图像处理技术领域。本发明包括：S1：选取多景覆盖海面的有云卫星遥感影像，建立色彩范围模型提取云图，并根据图像叠加公式生成模拟遥感影像云去除数据集；S2：构建显著性检测卷积神经网络模型,估计遥感图像云厚度、亮度信息，并获得去云遥感影像；S3：基于半监督学习，构建用于判断遥感图像中有云或无云状态的鉴别器模型，实现对遥感影像云去除结果的评估以及鉴别器模型无监督微调。本发明可以在厚云与薄云共存的情况下保持遥感影像去云结果的可靠性；无需额外的辅助数据，去云结果不会对无云区域影像造成干扰。

公开(公告)号：CN115908897A

公开(公告)日：2023-04-04

申请号：CN202211339322.X

申请日：2022-10-28

Applicant: 西南交通大学

Inventor： 张瑞 ,  刘安梦云 ,  包馨 ,  王婷 ,  刘国祥 ,  于来波 ,  吴仁哲 ,  吕继超 ,  杨云杰 ,  王天宇

IPC: G06V10/764 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/77 ,  G06V10/82 ,  G06V20/13

Abstract: 本发明涉及遥感影像图像处理技术领域，涉及一种基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其包括以下步骤：步骤S1：选取高分辨率遥感影像，在高速列车站周围区域判读勾绘样本；步骤S2：设置初始参数，利用带有供电网杆真实位置边界框的样本进行损失函数的计算以及参与反向传播过程中参数权重W以及偏移值b的迭代以及更新，从而完成对模型的训练；步骤S3：采用路网搜索的方式进行计算；步骤S4：随机选用一些车站影像放入训练好的模型中进行供电网杆的识别，并对识别结果进行检验。本发明能够实现对高速铁路供电设施的自动识别提取，大大提高识别效率的同时和保证了目标检测的稳定性。

公开(公告)号：CN115222629B

公开(公告)日：2023-05-05

申请号：CN202210942914.4

申请日：2022-08-08

Applicant: 西南交通大学 ,  成都市国土资源执法监察支队

Inventor： 张瑞 ,  吴仁哲 ,  韩艳 ,  展润青 ,  宋云帆 ,  刘慧 ,  吕继超 ,  包馨 ,  符茵 ,  刘安梦云 ,  王天宇 ,  杨云杰

IPC: G06T5/00 ,  G06T5/50 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于云厚度估计与深度学习的单幅遥感影像云去除方法，属于遥感影像图像处理技术领域。本发明包括：S1：选取多景覆盖海面的有云卫星遥感影像，建立色彩范围模型提取云图，并根据图像叠加公式生成模拟遥感影像云去除数据集；S2：构建显著性检测卷积神经网络模型,估计遥感图像云厚度、亮度信息，并获得去云遥感影像；S3：基于半监督学习，构建用于判断遥感图像中有云或无云状态的鉴别器模型，实现对遥感影像云去除结果的评估以及鉴别器模型无监督微调。本发明可以在厚云与薄云共存的情况下保持遥感影像去云结果的可靠性；无需额外的辅助数据，去云结果不会对无云区域影像造成干扰。

公开(公告)号：CN115761513A

公开(公告)日：2023-03-07

申请号：CN202211584428.6

申请日：2022-12-09

Applicant: 西南交通大学

Inventor： 张瑞 ,  杨云杰 ,  包馨 ,  沙马阿各 ,  刘国祥 ,  蔡嘉伦 ,  吴仁哲 ,  陈柏瑞 ,  王磊 ,  韩建

IPC: G06V20/10 ,  G06V10/774 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种半监督深度学习的山区大型滑坡智能遥感识别方法，属于测绘技术领域。本发明包括以下步骤：S1：选取含有滑坡的遥感影像与相应区域的数字高程数据进行数据合成，得到数据集，对数据进行标签标注得到样本集；S2：构建学生训练网络模型和老师训练网络模型，对样本集训练并判断，对样本集进行预测并得到预测结果，判断预测结果的滑坡特征类型并得到训练结果；S3：对S2中得到训练结果进行交叉熵损失值计算，计算出均方误差，得出指数移动平均线，根据指数移动平均线更新学生训练网络模型中的权重，连续预测进行加权平均来更新老师训练网络模型的权重。本发明在少量的样本以及有限的算力支持下，高效、精准地识别遥感影像中的滑坡。