-
公开(公告)号：CN118298234B
公开(公告)日：2025-04-04
申请号：CN202410454695.4
申请日：2024-04-16
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/10 , G06V10/77 , G06V10/44 , G06V10/42 , G06N3/0464
Abstract: 本发明涉及一种基于光谱‑空间注意力机制和残差网络的高光谱图像分类方法，包括：输入高光谱图像；使用主成分分析进行降维，得到降维后的高光谱图像；进行初步特征提取，得到经特征提取后的图像；得到增强后的图像；得到进一步挖掘空间特征的图像；得到经过自适应校准后的图像；将经过自适应校准后的图像经过全局池化、展平、批归一化和全连接层，得到最终的分类结果。本发明使用深度可分离卷积块，以此实现轻量级、高效率的特征提取；残差SEA注意力模块通过纵向和横向挤压获取全局信息，又通过增强获取局部信息；残差EMA注意力模块能够获取像素间的成对关系，更好地挖掘空间特征；残差SE注意力模块能够自适应校准通道信息，更好获取通道信息。
-
公开(公告)号：CN119168176B
公开(公告)日：2025-02-11
申请号：CN202411679803.4
申请日：2024-11-22
Applicant: 安徽大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/23213 , G06F18/22 , G06F18/211 , G06N3/042 , G06N3/0495 , G06N3/084 , G01N33/18
Abstract: 本发明涉及一种基于时空特征融合的多站点水质预测方法，与现有技术相比解决了水质预测精准度低的缺陷。本发明包括以下步骤：多站点水质基础数据的获取及预处理；对水域水质数据进行特征筛选；构建#imgabs0#模型；#imgabs1#模型的训练；水质预测结果的获得。本发明从因果、空间、语义三个角度对多站点水质指标数据进行建模，对于复杂的水域场景，考虑到更多相关因素；基于神经常微分方程，对水质传播过程提供一种更具可解释性的建模方案，并相较于传统的神经常微分建模，使用多跳传播的方式，提升信息的利用率与传播率。
-
公开(公告)号：CN119251704A
公开(公告)日：2025-01-03
申请号：CN202411455830.3
申请日：2024-10-18
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/26 , G06V10/30 , G06V10/764 , G06V10/77 , G06V10/774 , G06N20/20
Abstract: 本发明涉及一种基于机器学习的湖泊遥感影像藻华覆盖度反演方法，与现有技术相比解决了难以针对湖泊遥感影像进行藻华覆盖度反演的缺陷。本发明包括以下步骤：获取遥感数据源并进行预处理；对Sentinel‑2多光谱影像进行藻华提取与处理得出覆盖度样本集；对MODIS多光谱影像进行特征选择与组合得出特征指数数据集；构建湖泊藻华覆盖度数据集；基于机器学习构建模型及训练；藻华覆盖度反演结果的获得。本发明利用高空间分辨率的Sentinel‑2数据，可获取MODIS像元尺度的藻华覆盖度，并结合MODIS光谱特征构建定量估算模型，从而实现湖泊藻华的高时空精度监测与变化分析。
-
公开(公告)号：CN118537754A
公开(公告)日：2024-08-23
申请号：CN202410628551.6
申请日：2024-05-21
Applicant: 安徽大学
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于无人机的水稻幼苗计数方法，包括：得到水稻全景图片；得到预处理后的水稻图片；生成包含训练集、验证集和测试集的矩形框标注数据集；对YOLOv8网络进行改进，得到改进后的YOLOv8网络即水稻幼苗检测模型；得到训练后的水稻幼苗检测模型；对待预测的水稻图片进行预处理，输入训练后的水稻幼苗检测模型，训练后的水稻幼苗检测模型输出无人机拍摄水稻幼苗计数结果。本发明使得预测的特征图不仅具备了高度的语义信息，还包含了丰富的位置信息，为模型提供了更全面、更准确的信息基础，从而提高了目标检测任务的精度和鲁棒性，这个颈部网络的设计不仅提高了模型对目标的识别能力，也使得模型在处理复杂场景和遮挡情况下表现更加出色。
-
公开(公告)号：CN118505844A
公开(公告)日：2024-08-16
申请号：CN202410576175.0
申请日：2024-05-10
Applicant: 安徽大学
Abstract: 本发明涉及一种基于绿度氮素指数的遥感影像大豆制图方法，与现有技术相比解决了难以针对大豆遥感影像进行制图的缺陷。本发明包括以下步骤：遥感影像的获取及预处理；耕地判别决策树的构建；GNI指数的构建；进行大豆分类制图。本发明通过对遥感影像进行均值合成，解决了遥感影像中云层及随机噪声带来的问题；通过NDVI及RECI指数结合，提出了新的GNI指数，该指数反映了作物的叶绿素含量及含氮量情况，增强了大豆在生长中后期与其他作物的差异，实现了遥感影像的大豆制图。
-
Patent Agency Ranking
公开(公告)号：CN118354148A
公开(公告)日：2024-07-16
申请号：CN202410527848.3
申请日：2024-04-29
Applicant: 安徽大学
IPC: H04N21/4408 , H04N21/2347 , H04L9/08 , H04L9/06 , H04L9/00
Abstract: 本发明公开了一种于GPU的异构实时视频加解密方法和系统，方法包括以下步骤：S1，通过主线程获取密钥K和原始视频V；S2，主线程以原始视频V中的单帧图像为对象，创建n个加密任务；S3，创建m个子线程；S4，主线程计算单帧图像的哈希值，并融合所述哈希值和密钥K，生成第一密钥序列；S5，生成混沌的第二密钥序列；S6，将生成的第二密钥序列与视频帧传至显存，调用GPU完成计算任务；S7，获取单帧图像的加密结果上传至内存输出，完成解密过程；S8，接收端将加密视频作为输入，重复S1‑S6的步骤，生成解密所需的密钥序列，且执行解密过程中GPU上的计算任务，获取单帧图像的解密结果上传至内存输出，完成解密任务。提升了计算机的资源利用率和系统吞吐量。
-
公开(公告)号：CN118347984A
公开(公告)日：2024-07-16
申请号：CN202410457986.9
申请日：2024-04-17
Applicant: 安徽大学
Abstract: 本发明提供一种基于SERS和戊唑醇对镰孢菌孢子的检测方法，包括如下步骤：合成银纳米颗粒溶液；配置戊唑醇溶液；将待测溶液和戊唑醇溶液按1:(1～10)的体积比混合，以获得溶液a；将溶液a与银纳米颗粒溶液按1:(1～4)的体积比混合并震荡，以获得溶液b；利用拉曼光谱仪采集溶液b的拉曼光谱，得到第一光谱数据；根据第一光谱数据以及预设光谱数据求得待测溶液中镰孢菌孢子的类别和浓度。戊唑醇能够抑制真菌的麦角甾醇合成，从而改变细胞膜的通透性和吸附性，促进孢子内部物质释放以及纳米颗粒和细胞间的热点区域构筑，以提高不同孢子的特异性物质和纳米颗粒的结合概率，大大提高镰孢菌孢子的检测效果和灵敏度。
-
公开(公告)号：CN115063610B
公开(公告)日：2024-03-12
申请号：CN202210596186.6
申请日：2022-05-30
Applicant: 安徽大学
IPC: G06V10/62 , G06T7/62 , G06V10/764 , G06V10/774 , G06T7/11 , G06N5/01 , G06N20/10 , G06N20/20
Abstract: 本发明涉及基于Sentinel‑1、2影像的大豆种植区识别方法及其面积测算方法，与现有技术相比解决了大豆与其他作物光谱相似度高导致其依靠高维特征难以实现种植区识别的缺陷。本发明包括以下步骤：Sentinel‑1、2影像的获取和预处理；时间序列特征提取；支持向量机模型的构建；优选特征子集确定；大豆种植区识别。本发明借助GEE云计算平台，利用线性谐波模型提取大豆生长季内Sentinel‑1、2影像的时间序列特征，然后构造支持向量机模型，同时结合随机森林分类模型及斯皮尔曼相关系数探究大豆识别优选特征子集，最终利用支持向量机模型提取大豆种植区并测算面积。
-
公开(公告)号：CN117347322A
公开(公告)日：2024-01-05
申请号：CN202311399582.0
申请日：2023-10-26
Applicant: 安徽大学
IPC: G01N21/47
Abstract: 本发明公开了一种水稻稻纵卷叶螟的虫害等级确定方法，涉及遥感监测技术领域，本发明通过测定水稻冠层光谱和叶绿素相对含量；根据水稻冠层光谱和叶绿素相对含量确定单位面积上受危害叶片占总叶片数据的百分比，从而划分虫害等级；分别绘制健康和虫害水稻的光谱反射率的差值和变化率曲线，将虫害等级与对应反射率进行相关性分析，根据相关性分析结果和高光谱反射率，构建反演稻纵卷叶螟的高光谱虫害指数；根据反演稻纵卷叶螟的高光谱虫害指数，确定水稻稻纵卷叶螟的虫害等级；与传统技术相比，本发明减少了随机误差，避免了遥感技术空间分辨率或光谱分辨率的限制，可以获得满足稻纵卷叶螟监测的理想数据，清晰地表达水稻稻纵卷叶螟的虫害等级。
-
公开(公告)号：CN116188993A
公开(公告)日：2023-05-30
申请号：CN202310289901.6
申请日：2023-03-23
Applicant: 安徽大学
Abstract: 本发明涉及一种基于多任务学习的遥感图像耕地地块分割方法，包括：制作耕地地块数据集；得到改进后的边缘检测模型DexiNed作为边缘分支；搭建语义分支，边缘分支和语义分支共同组成基于多任务学习的耕地地块识别网络模型；自适应调整耕地地块识别网络模型的子任务损失权重；将耕地地块数据集输入到耕地地块识别网络模型中进行训练；将待分割的大尺度遥感影像输入训练后的耕地地块识别网络模型中，采用膨胀滑窗预测方法进行预测，得到该区域的耕地地块识别结果。本发明以深度学习方法为基础搭建网络模型，能够提取上下文信息、高阶语义信息、空间形态信息等更加丰富的高级特征，从而使地块识别准确性和鲁棒性更优。
-
-
-
-
-
-
-
-
-
Search Results
339
records
(took 0.065 seconds)
