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

    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

    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。

    一种改进SwinIR全局建模的图像超分辨方法

    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

    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。

    一种基于U-Net的湖泊围网养殖区自动提取方法

    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

    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。

    一种基于改进GWCCI指数的大豆遥感制图方法

    公开(公告)号:CN117523412A

    公开(公告)日:2024-02-06

    申请号:CN202311543030.2

    申请日:2023-11-20

    Applicant: 安徽大学

    Abstract: 本发明涉及一种基于改进GWCCI指数的大豆遥感制图方法,包括:获得研究区Sentinel‑2影像,筛选出高晴空覆盖率的合成影像;得到仅包含耕地信息的合成影像;筛选出其中适合提取大豆的两种指数参与构建改进版GWCCI指数,确定改进版GWCCI指数的数学形式,并将其命名为GWCCI2指数;构建不同作物类型的GWCCI2时序图,确定大豆提取的最佳时相t;确定大豆提取的最佳阈值δ;根据最佳阈值δ判断每个像素是否属于大豆种植区。本发明提出了新的GWCCI2指数,该指数同时反映了作物的叶绿素含量及冠层水分含量,增强了大豆在结荚期内与其他作物间的差异,其对于大豆的敏感度要高于原始GWCCI指数,更加适用于种植区分散、大豆与其他作物交错混杂种植普遍情况下的大豆种植区提取。

    一种基于光场解耦的无参考光场图像质量评价方法及系统

    公开(公告)号:CN117495841A

    公开(公告)日:2024-02-02

    申请号:CN202311633609.8

    申请日:2023-12-01

    Applicant: 安徽大学

    Abstract: 本发明涉及光场图像质量评价领域,本发明公开了一种基于光场解耦的无参考光场图像质量评价方法及系统,包括:利用特殊设计的图像块选择策略,对原始光场图像进行信息筛选和重构,获得质量较高的训练样本;对所述的训练样本利用光场解耦机制,将高纬度的光场图像数据转化为面向神经网络的低纬度输入数据;设计多流卷积神经网络对输入数据进行特征提取,学习光场图像中的空间质量信息、角度质量信息以及空间角度一致性信息;基于融合后的特征信息获得质量预测值;本发明利用解耦思想结合多流卷积神经网络提取光场图像的质量相关特征,对光场图像的质量评价更贴近人眼主观评价,相比其他评价方法,在多个公开数据集上准确度更高。

    一种利用无人机方向性纹理获取水稻AGB的方法

    公开(公告)号:CN117372903A

    公开(公告)日:2024-01-09

    申请号:CN202311313801.9

    申请日:2023-10-10

    Abstract: 本发明提出了一种利用无人机方向性纹理获取水稻AGB的方法。包括以下步骤:选择合适的无人机系统获取水稻冠层的多光谱图像,进行图像预处理,基于研究区域的正射影像,利用灰度共生矩阵的方法提取方向性纹理特征,方向设置为45°,斜交于水稻种植行的方向;窗口大小设置为当时期水稻植株冠幅的1/3大小;利用随机森林回归模型,构建水稻生长季关键时期的AGB估算模型,弥补光谱特征的不足,以提升AGB监测精度的效果。本发明构建的考虑最适方向性的水稻AGB反演方法具有操作简单、运行高效,自动化程度高的优点,可灵活应用于不同类型的无人机系统实现稻麦关键表型参数的高效获取。

    基于双分支网络的光谱-空间注意力机制的高光谱图像分类方法

    公开(公告)号:CN117218429A

    公开(公告)日:2023-12-12

    申请号:CN202311178205.4

    申请日:2023-09-13

    Applicant: 安徽大学

    Abstract: 本发明涉及一种基于双分支网络的光谱‑空间注意力机制的高光谱图像分类方法,包括:输入高光谱图像数据立方体;使用主成分分析将高光谱图像的光谱维数降维,对于要分类的像素,将其封装成相邻区域块作为光谱子网络的输入;在每个特定像素周围创建一个相邻区域来收集空间信息,并作为空间子网络的输入;得到一维光谱特征;得到一维空间特征;通过融合层对一维光谱特征和一维空间特征进行融合和平衡,使用softmax回归层来预测每一类地物的概率分布。本发明通过对高光谱图像作为研究对象,在有限样本的前提下提高高光谱图像的有效特征表示,既保证了分类精度,又减少了网络模型的参数个数和计算量;充分利用了光谱信息和空间信息,以取得更好的分类结果。

    一种基于YOLOv8的大田麦穗检测方法
    190.
    发明公开

    公开(公告)号:CN117173571A

    公开(公告)日:2023-12-05

    申请号:CN202311147718.9

    申请日:2023-09-07

    Applicant: 安徽大学

    Abstract: 本发明涉及一种基于YOLOv8的大田麦穗检测方法,包括:获取麦穗数据集;对YOLOv8网络模型进行改进,得到改进后的YOLOv8网络模型;将训练集输入改进后的YOLOv8网络模型中进行训练,得到训练后的YOLOv8网络模型;对训练后的YOLOv8网络模型进行评价;将待检测的麦穗图片输入训练后的YOLOv8网络模型,训练后的YOLOv8网络模型输出最终检测结果。本发明通过在YOLOv8网络模型中引入AFPN,首先通过结合两个不同分辨率的低级特征来启动融合过程,然后将高级特征纳入融合过程,最终融合主干的顶级特征,可以避免非相邻层次之间存在较大的语义差距;引入深度可分离卷积模块,则可以降低模型参数量、模型大小,加快检测速度。

Patent Agency Ranking