-
公开(公告)号：CN115049556B
公开(公告)日：2025-05-06
申请号：CN202210736142.9
申请日：2022-06-27
Applicant: 安徽大学
IPC: G06T5/77 , G06T5/60 , G06V40/16 , G06V10/26 , G06V10/44 , G06V10/42 , G06V10/80 , G06T7/194 , G06V20/70 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/0464 , G06N3/084 , G06N3/094 , G06N3/048
Abstract: 本申请公开了一种基于StyleGAN的人脸图像修复方法，步骤包括：将真实人脸图像分割为人脸区域和背景区域，作为训练集；对数据集进行数据增强，将原始图像设置为标签；利用训练集和标签对编码器进行训练，得到编码器网络；利用编码器网络分别提取真实人脸图像的隐码向量、待修复图像人脸区域的隐码向量、待修复图像背景区域的隐码特征图；将真实人脸图像的隐码向量与待修复图像人脸区域的隐码向量进行混合，得到混合人脸的隐码向量，将混合人脸的隐码向量与待修复图像背景区域的隐码特征图一同输入到StyleGAN生成器网络中，得到修复完成的人脸图像。本申请实现了人脸图像修复能力大幅提升，并且使得修复过程中很好地保证结构相似。
-
公开(公告)号：CN119904747A
公开(公告)日：2025-04-29
申请号：CN202411963203.0
申请日：2024-12-30
Applicant: 安徽大学
Abstract: 本发明涉及一种基于提示学习的农作物病害识别方法，包括：获取农作物病害图像数据集；构建提示学习模型；将训练集输入提示学习模型进行训练；采用动态校准策略进行动态校准；校准后的提示向量通过动量缓冲机制进行更新，替换调整后的提示向量，得到更新后的提示学习模型；将待识别的农作物病害图像输入更新后的提示学习模型，得到识别结果。本发明首次将提示学习引入农作物病害识别任务，有效融合不同层次的特征信息，显著提升模型对基类的识别精度和新类的泛化性能；动态校准策略提升模型的域泛化能力，无需额外训练数据，利用CLIP模型中的跨模态知识在测试时对结果直接调优，有效解决传统熵最小化方法存在的特征偏移和性能衰减问题。
-
公开(公告)号：CN119785221A
公开(公告)日：2025-04-08
申请号：CN202411983904.0
申请日：2024-12-31
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/40 , G06V10/54 , G06V10/56 , G06N20/00 , G06N3/126 , G06V10/774 , G06V10/764 , G06N5/01
Abstract: 本发明涉及基于多时相多特征与可解释性机器学习算法相结合的小麦赤霉病遥感预测方法，与现有技术相比解决了难以基于多时多特征相结合提升赤霉病预测精度的缺陷。本发明包括以下步骤：单时相和多时相数据的获取及预处理；构建多时相特征；小麦赤霉病最优特征的筛选；小麦赤霉病预测模型的构建和训练；待预测遥感影像的获取；小麦赤霉病遥感预测结果的获得。本发明结合了小麦的多时相和多特征，基于模拟退火算法寻找最优的XGBoost超参数训练模型，且获得理性的分类模型，实现了小麦赤霉病遥感影像的精准预测。
-
公开(公告)号：CN114862871B
公开(公告)日：2025-04-08
申请号：CN202210499353.5
申请日：2022-05-09
Applicant: 安徽大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明涉及一种基于SE‑UNet深度学习网络的遥感影像小麦种植区域提取方法，与现有技术相比解决了对遥感影像小麦区域提取在效率和准确性方面存在局限性的缺陷。本发明包括以下步骤：基础数据的获取；小麦种植区域提取网络的构建；小麦种植区域提取网络的训练；待提取遥感影像的获得；遥感影像小麦种植区域的提取。本发明能够提高遥感影像小麦区域提取的精度和效率，可为大范围冬小麦种植面积统计提供依据。
-
公开(公告)号：CN115063678B
公开(公告)日：2025-04-04
申请号：CN202210673426.8
申请日：2022-06-15
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/25 , G06V10/40 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种基于国产GF‑6WFV数据的大豆种植区提取方法，包括：获取待提取区域的GF‑6WFV数据，并对数据进行预处理；采用决策树分层逐级提取策略剔除预处理后的GF‑6WFV数据中的非农作物像元，得到农田植被总体分布数据；生成候选遥感特征集合；得到优选特征集合，再进行分类器的筛选，得到最佳分类器；将优选特征集合和最佳分类器结合，获得最优提取模型，并对最优提取模型的表现进行评价，考查最优提取模型对于大豆种植区的制图效果。本发明利用决策树分层逐级提取策略，显著降低水体、建成区、裸土、树木等其他地物类型对大豆提取结果造成的干扰，有助于获取更为准确和可靠的结果；同时降低数据占用的存储空间和运算量，从而提高执行效率。
-
Patent Agency Ranking
公开(公告)号：CN119671930A
公开(公告)日：2025-03-21
申请号：CN202411427034.9
申请日：2024-10-14
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/82 , G06V10/764 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种融合图像高频信息的玉米叶片病害识别方法，与现有技术相比解决了深度模型在识别复杂背景下玉米叶病害图像上难以学习到高频细节信息特征的缺陷。本发明包括以下步骤：获取玉米叶片图像并进行预处理；构建玉米叶片病害识别模型；玉米叶片病害识别模型的训练；待识别玉米叶片图像的获取；玉米叶片图像识别结果的获得。本发明将图像高频信息融合到轻量级MobileNetV3‑Large网络中，提出了一种融合图像高频信息的玉米叶病害识别模型，该模型具有更好的拟合能力，提高了对复杂环境下玉米叶病害的识别性能。
-
公开(公告)号：CN119375209A
公开(公告)日：2025-01-28
申请号：CN202411630323.9
申请日：2024-11-15
Applicant: 安徽大学
Abstract: 本发明提供一种一种空气真菌病害孢子微流控SERS采集系统及方法，该系统包括微流控纯化模块，用于对抽取的气体进行分离富集，得到富集的孢子；SERS传感模块，用于将富集的孢子和增强粒子进行混合，得到被测溶液；光谱采集模块，用于采集被测溶液的光谱后输出；以及控制模块，控制模块与微流控纯化模块、SERS传感模块以及光谱采集模块电连接，用于控制这些模块的启停时序。微流控纯化模块从物理方法上实现孢子的纯化，SERS传感单元生成被测溶液，光谱仪采集溶液的拉曼光谱数据，这些模块体积都比较小巧，使得本系统可以部署在无人机上，方便在任意位置进行数据采集，该采集过程是全自动的，无需人员参与，可大幅提高检测效率。
-
公开(公告)号：CN119323739A
公开(公告)日：2025-01-17
申请号：CN202411367941.9
申请日：2024-09-29
Applicant: 安徽大学
IPC: G06V20/17 , G06V10/82 , G06V10/774 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种基于改进U‑Net的无人机影像松材线虫病疫木识别方法，包括：通过无人机获取林区影像并进行预处理；对预处理后的影像数据和标注影像数据进行数据增强；对U‑Net网络模型进行改进，得到改进后的U‑Net网络模型；将训练集输入改进后的U‑Net网络模型中进行训练；将待识别的图像输入改进后的U‑Net网络模型，得到识别结果。本发明充分利用Swin Transformer编码器弥补U‑Net网络模型本身在捕获长距离依赖上的缺陷，提高松材线虫病感病疫木识别的精度；将U‑Net网络模型的瓶颈层替换成空洞空间金字塔池化模块，充分捕获了不同尺度的图像特征，增大感受野，充分利用上下文信息，减少特征信息损失，捕获更多有价值信息，提高松材线虫病感病疫木识别的精度。
-
公开(公告)号：CN119067855A
公开(公告)日：2024-12-03
申请号：CN202411082005.3
申请日：2024-08-08
Applicant: 安徽大学
IPC: G06T3/4076 , G06T3/4046 , G06N3/045
Abstract: 本发明涉及图像超分辨领域，本发明公开了一种改进SwinIR全局建模的图像超分辨方法，包括以下步骤：步骤1：浅层特征提取；步骤2：将浅层特征F0作为输入传输到深层特征提取网络HDF(·)，得到深层特征FDF；步骤3：利用残差连接融合浅层和深层特征，并作为上采样重建模块的输入，得到SR网络的最终输出；本发明在SwinIR的位移窗口注意力机制中，额外增加了基于MLP的通道注意力机制，不同于传统的通道注意力方法，我们采用MLP结构，使得所有图片信息均来源于图片本身，最大限度地减少了人为主观因素的干扰，从而提升了重建图像的质量；使用自校准卷积替代了SwinIR中传统卷积，通过自校准卷积使得网络在超分辨过程中使用更多的像素信息。
-
公开(公告)号：CN118887555A
公开(公告)日：2024-11-01
申请号：CN202410890885.0
申请日：2024-07-04
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/30 , G06T7/11 , G06V10/774 , G06V10/764 , G06V20/70
Abstract: 本发明涉及一种基于U‑Net的湖泊围网养殖区自动提取方法，包括：选择高精度的遥感数据源并进行预处理；得到组合后的SAR影像；构建湖泊围网数据集；采用U‑Net模型构建湖泊围网提取模型，将湖泊围网数据集划分为训练集和验证集，将训练集输入湖泊围网提取模型进行训练；对待提取的湖泊SAR影像进行提取，得到湖泊围网初步提取结果；对初步提取结果进行处理，得到湖泊围网最终提取结果。本发明采用的U‑Net网络结构极大降低了网络参数设置的复杂度，具有局部感知和参数共享特点，显著降低了模型的复杂度，减少了权值数量，网络本身具有特征提取功能，可有效从样本中学习相应特征，避免复杂的特征提取过程；能够及时、快速、准确地实现湖泊围网养殖区的自动提取。
-
-
-
-
-
-
-
-
-
Search Results
343
records
(took 0.031 seconds)
