-
公开(公告)号：CN117132527A
公开(公告)日：2023-11-28
申请号：CN202310256236.0
申请日：2023-03-16
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06T7/12 , G06T7/13 , G06T7/194 , G06F3/04845
Abstract: 本发明公开了基于机器视觉的水体分割与水位线提取系统及方法，包括，S1：采集并上传选定区域流域河流的监测视频图像；S2：使用画刷大致勾画图像前景背景；S3：精确分割水体与无关背景区域，提取水体部分；S4：框选绘制水位线区域并在区域内绘制水位线。本发明采用水文闸站的摄像装置采集特定水域的监控视频，通过改进后的图像分割算法和直线检测算法分割水体，进而实时获取水位线。能够实现对水库环境的实时动态监测。改进后的图像分割算法和直线检测算法交互性强，计算量小，无需大量存储空间。
-
公开(公告)号：CN112668711B
公开(公告)日：2023-04-18
申请号：CN202011379603.9
申请日：2020-11-30
Applicant: 西安电子科技大学
IPC: G06Q10/04 , G06F18/214 , G06F18/241 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的洪水流量预测方法、装置和电子设备，方法包括：获取原始降雨数据、原始流量数据以及水文站点的原始位置信息；将原始降雨数据、先验降雨数据、原始流量数据以及原始位置信息进行预处理，得到处理后降雨数据、处理后流量数据以及处理后位置信息；基于处理后降雨数据、处理后先验降雨数据以及处理后位置信息，形成网格化降雨数据；对网格化降雨数据提取空间分布特征，并提取历史T小时和未来P小时的降雨数据的时序特征，得到第一输出特征；对处理后流量数据，提取历史T小时的流量数据的时序特征，得到第二输出特征；对第一输出特征以及第二输出特征进行合并分类预测，得到目标水文站点未来P小时的流量预测值。
-
公开(公告)号：CN111832810A
公开(公告)日：2020-10-27
申请号：CN202010581924.0
申请日：2020-06-23
Applicant: 西安电子科技大学
Abstract: 本发明属于洪水预测技术领域，公开了一种洪水预报模型、信息处理方法、存储介质、计算机设备，时空特征抽象层，用于从地形-降雨量时空特征中提取特征；特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；预测输出层，用于预测未来T个小时的流量变化情况。本发明为了解决传统模型需要大量的参数率定和数据驱动模型无法对洪水过程进行准确预测的问题，将基于二维卷积的卷积神经网络CNN引入到洪水预报领域，利用CNN的特征抽象能力，融合降雨量时空分布特征、地形地貌特征和流量变化趋势特征，构建了预见期为24个小时和36个小时的洪水预报模型。经检验，模型符合洪水预报的要求。
-
公开(公告)号：CN112949624A
公开(公告)日：2021-06-11
申请号：CN202110099933.0
申请日：2021-01-25
Applicant: 西安电子科技大学 , 北京金水信息技术发展有限公司
Abstract: 本发明公开了一种基于水尺的水位检测方法、装置、电子设备及存储介质，包括：获取含有水尺的待检测水域图像；输入预先训练的第一水尺检测模型，得到待检测水域图像中水尺的位置信息；利用位置信息从待检测水域图像中得到水尺图像；输入预先训练的第二水尺检测模型，得到水尺图像中各字符对应的坐标信息；利用各字符对应的坐标信息得到水位值；其中，字符包括数字；本发明用于训练第一水尺检测模型的样本水域图像是通过预先获取各种场景的水域水面和水尺模板图像进行图像融合得到的。本发明扩大了样本数据的场景，可以针对各种复杂场景的图像实现良好的目标检测效果，因此可以实现针对不同的复杂水文环境得到准确率高的水位检测结果的目的。
-
公开(公告)号：CN111310968A
公开(公告)日：2020-06-19
申请号：CN201911329550.7
申请日：2019-12-20
Applicant: 西安电子科技大学
Abstract: 本发明属于数据处理技术领域，公开了一种基于互信息的LSTM神经网络循环水文预报方法，通过互信息分析对原始数据进行筛选和分类，将降雨、水库水位、流量水文特征作为长短期记忆循环预测模型的输入特征；通过模拟降雨过程训练和确定LSTMC模型的结构，反映洪水的长期变化；利用实际洪水资料对模型的输出进行验证。本发明采用基于互信息的方法分析数据集，充分的捕获当前时刻流量与之前较长时间段的各个水文特征，动态的选取模型的输入特征。本发明利用深度学习算法，采用基于LSTM神经网络的循环预测模型，在用于洪水流量时间序列预测时，克服了水文变化过程受前期各方面因素影响较大的问题，能够较好的自动捕获有效特征。
-
Patent Agency Ranking
公开(公告)号：CN108054495A
公开(公告)日：2018-05-18
申请号：CN201711224103.6
申请日：2017-11-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种耐高温微带天线，其包括：贴片、介质基板、接地板和同轴连接器，贴片、接地板和同轴连接器均采用耐高温金属材料制成，介质基板采用耐高温非金属材料制成，其中，介质基板与接地板通过同轴连接器连接，并且介质基板与接地板之间留有空气层，贴片呈“E”字形，中间对称开出两个等腰梯形槽，贴片设置在介质基板的外表面上，信号通过同轴连接器的馈电端口馈入高频电流，该高频电流通过同轴连接器到达贴片，贴片将高频电流转化为电磁波向空间辐射出去。本发明的有益之处在于：在400℃以上甚至1500℃的高温环境下仍然能够稳定可靠的工作，满足电性能指标要求。
-
公开(公告)号：CN111767517B
公开(公告)日：2024-05-03
申请号：CN202010421199.0
申请日：2020-05-18
Applicant: 西安电子科技大学
Abstract: 本发明属于信息处理技术领域，公开了一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质，在Attention机制层，将隐藏层状态序列向量输入到可学习函数产生概率向量；后续隐藏层中间向量由向量加权平均产生，Attention通过循环计算每个时间步隐藏层状态序列的自适应加权平均产生中间向量，把每个时间步重要的信息按一定权重向后输出，随着时间推移整合信息的能力。本发明可以随着时间的推移将信息保存在内存中，在处理时间序列问题中，具有很大的优势；结合Attention机制，试验结果表明基于Attention机制的BiGRU多步洪水预报模型能更好地预测洪峰到达时间和洪峰峰值。
-
公开(公告)号：CN112949624B
公开(公告)日：2024-02-13
申请号：CN202110099933.0
申请日：2021-01-25
Applicant: 西安电子科技大学 , 北京金水信息技术发展有限公司
IPC: G06V20/62 , G06V30/146 , G06V30/19
Abstract: 本发明公开了一种基于水尺的水位检测方法、装置、电子设备及存储介质，包括：获取含有水尺的待检测水域图像；输入预先训练的第一水尺检测模型，得到待检测水域图像中水尺的位置信息；利用位置信息从待检测水域图像中得到水尺图像；输入预先训练的第二水尺检测模型，得到水尺图像中各字符对应的坐标信息；利用各字符对应的坐标信息得到水位值；其中，字符包括数字；本发明用于训练第一水尺检测模型的样本水域图像是通过预先获取各种场景的水域水面和水尺模板图像进行图像融合得到的。本发明扩大了样本数据的场景，可以针对各种复杂场景的图像实现良好的目标检测效果，因此可以实现针对不同的复杂水文环境得到准确率高的水位检
-
公开(公告)号：CN111310968B
公开(公告)日：2024-02-09
申请号：CN201911329550.7
申请日：2019-12-20
Applicant: 西安电子科技大学
IPC: G06F16/29 , G06F18/214 , G06N3/044
Abstract: 本发明属于数据处理技术领域，公开了一种基于互信息的LSTM神经网络循环水文预报方法，通过互信息分析对原始数据进行筛选和分类，将降雨、水库水位、流量水文特征作为长短期记忆循环预测模型的输入特征；通过模拟降雨过程训练和确定LSTMC模型的结构，反映洪水的长期变化；利用实际洪水资料对模型的输出进行验证。本发明采用基于互信息的方法分析数据集，充分的捕获当前时刻流量与之前较长时间段的各个水文特征，动态的选取模型的输入特征。本发明利用深度学习算法，采用基于LSTM神经网络的循环预测模型，在用于洪水流量时间序列预测时，克服了水文变化过程受前期各方面因素影响较大的问题，能够较好的自动捕获有效特征。
-
公开(公告)号：CN111931553B
公开(公告)日：2024-02-06
申请号：CN202010496962.6
申请日：2020-06-03
Applicant: 西安电子科技大学
IPC: G06V10/82 , G06V20/10 , G06V10/764 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明属于遥感图像处理技术领域，公开了一种遥感数据增强生成对抗网络方法、系统、存储介质及应用，本发明减小图像的语义损失，提高图像的生成质量。图像在下采样过程中的多次卷积是造成图像语义损失的重要因素，因此本发明提出一种改进的下采样模块，有效减小图像的语义损失。本发明提高图像生成速度，解决算法耗时长的问题。对于深度神经网络，网络参数量越大，算法的运行时间越长，参数量越小的网络耗时越短，受此启发，本发明将生成模型划分为几个结构类似的子网络，在生成质量相差不大的情况下，选取参数量较小的子网络作为生成模型，有效提高了图像的生成速度。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.026 seconds)
