-
-
公开(公告)号：CN109558787A
公开(公告)日：2019-04-02
申请号：CN201811138103.9
申请日：2018-09-28
Applicant: 浙江农林大学
Abstract: 本发明公开了一种基于卷积神经网络模型的竹林害虫识别方法，属于农林害虫识别和分类技术领域，该方法包括以下步骤：采集竹林害虫样本图像数据；对竹林害虫样本图像数据进行处理，得到处理后的竹林害虫样本图像数据集；采用VGG卷积神经网络模型，并对VGG卷积神经网络模型进行优化；利用优化后的VGG卷积神经网络模型进行目标害虫识别分类；基于VGGNet网络结构开发出一套适用于竹林害虫识别分类方法，可实现常见竹林害虫的快速识别和分类，可实现自动识别和分类，识别准确率高。
-
公开(公告)号：CN109557030A
公开(公告)日：2019-04-02
申请号：CN201811137954.1
申请日：2018-09-28
Applicant: 浙江农林大学
IPC: G01N21/25
Abstract: 本发明公开了一种基于无人机遥感的水质要素反演方法，属于水质监测技术领域，首先确定目标区域，确定目标要素，并在目标区域分布采样点；采用无人机搭载多光谱相机，在目标区域上空对采样点进行拍摄，得到对应的图像；将对应的图像进行软件分析得到光谱特征数据，利用数据计算得到该采样点处对应的光谱参数；通过相关性分析得出与水质中各目标要素相关性最高的光谱参数；确定水质中各目标要素反演模型；将与目标要素相关性最高的光谱参数输入到该目标要素反演模型中，输出值即为该目标要素浓度含量，本发明将无人机遥感与水质监测相结合，整个水质要素的反演过程中涉及到的设备包括无人机和光谱相机，检测过程更为简便，操作简单，准确率高。
-
公开(公告)号：CN109522924A
公开(公告)日：2019-03-26
申请号：CN201811137730.0
申请日：2018-09-28
Applicant: 浙江农林大学
Abstract: 本发明公开了一种基于单张照片的阔叶林树种识别方法，包括以下步骤：S1收集不同种类树木的图像，建立树种图像数据集，并将数据集划分为训练集、验证集以及测试集；S2调整图像大小：将树种图像数据集中的每张图片都调整为尺寸相同的图像；S3设计一个卷积神经网络，用上述训练集图像进行网络的训练，并用测试集图像测试网络的准确率；S4选出准确率最高卷积神经网络模型构建一个阔叶林树种识别系统，通过输入一张树种图像进行识别，从而获得识别的结果。本发明的方法利用深度卷积神经网络可以自主学习树种特征，减少人工的干预，识别准确率更高；能够通过一张任意角度的阔叶林树种图像进行识别，简单灵活且实用。
-
公开(公告)号：CN113591729B
公开(公告)日：2023-07-21
申请号：CN202110885400.5
申请日：2021-08-03
Applicant: 浙江农林大学
IPC: G06V20/10 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种结合RGB‑DSM图像和深度学习的城市森林单木树冠检测方法，属于目标检测领域。本发明提出了一种结合两种图像和深度学习的城市森林单木树冠检测方法，该模型先结合高程信息和色彩信息分别进行单木树冠目标检测，再通过进一步的置信度重置和冗余消除形成了新的检测结果，从而提高了城市森林单木树冠检测任务的性能。相比于仅使用正射影像图或数字表面模型训练的深度学习网络，本发明具有明显的精度优势。
-
Patent Agency Ranking
公开(公告)号：CN109507119A
公开(公告)日：2019-03-22
申请号：CN201811144155.7
申请日：2018-09-28
Applicant: 浙江农林大学
IPC: G01N21/25
Abstract: 本发明公开了一种基于无人机光谱的水质要素浓度检测方法，属于水质监测技术领域，首先确定目标区域，确定目标要素，并在目标区域分布采样点；采用无人机搭载多光谱相机，在目标区域上空对采样点进行拍摄，得到对应的图像；将对应的图像进行软件分析得到光谱特征数据，利用数据计算得到该采样点处对应的光谱参数；通过相关性分析得出与水质中各目标要素相关性最高的光谱参数；确定水质中各目标要素反演模型；将与目标要素相关性最高的光谱参数输入到该目标要素反演模型中，输出值即为该目标要素浓度含量，本发明将无人机遥感与水质监测相结合，整个水质要素的反演过程中涉及到的设备包括无人机和光谱相机，检测过程更为简便，操作简单，准确率高。
-
公开(公告)号：CN109376579A
公开(公告)日：2019-02-22
申请号：CN201810998886.1
申请日：2018-08-29
Applicant: 浙江农林大学
Abstract: 本发明公开了一种基于无人机正射图像的银杏树冠生物量的预测方法，本发明通过无人机获得银杏树的正射影像图像，然后进行树冠的面积提取、树冠的冠幅提取、树高提取、树冠面积&冠幅&树高——胸径模型、单木树冠生物量经验方程，并进行单木树冠生物量预测，借助的工具包括：Pix4D、Arcgis等；构建的树冠面积&冠幅&树高-胸径(CA&CW&CHM-DBH)模型具有三个变量，模型的计算结果更加精确；便捷、高效，调查成本低、效率高、数据可实时更新；本发明具有模型的计算结果更加精确；调查成本低、效率高、数据可实时更新的特点。
-
公开(公告)号：CN116071653B
公开(公告)日：2025-04-22
申请号：CN202310148560.0
申请日：2023-02-16
Applicant: 浙江农林大学
Abstract: 本发明公开了基于自然图像的树木多级枝干结构自动提取方法，属于计算机图形技术领域；本发明首先对采集的树木图像进行树木图像标注处理，生成枝干标注数据；然后，对这些枝干标注数据进行处理，生成符合神经网络模型要求的长度一致的向量数据；接着，利用树木图像数据以及处理后的枝干标注数据进行神经网络模型训练，输出训练好的神经网络模型并保存；进一步地，对加载神经网络模型文件和树木图像文件进行处理，计算并输出结果；最后读取上述输出结果，进行主干和一级侧枝枝干结构的生成，并将结果存入文件。相较于现有技术，本发明所提出的方法自动化程度高，用户操作简便，能够处理复杂背景图像能力更强，且生成的枝干结构质量更高。
-
公开(公告)号：CN116071653A
公开(公告)日：2023-05-05
申请号：CN202310148560.0
申请日：2023-02-16
Applicant: 浙江农林大学
Abstract: 本发明公开了基于自然图像的树木多级枝干结构自动提取方法，属于计算机图形技术领域；本发明首先对采集的树木图像进行树木图像标注处理，生成枝干标注数据；然后，对这些枝干标注数据进行处理，生成符合神经网络模型要求的长度一致的向量数据；接着，利用树木图像数据以及处理后的枝干标注数据进行神经网络模型训练，输出训练好的神经网络模型并保存；进一步地，对加载神经网络模型文件和树木图像文件进行处理，计算并输出结果；最后读取上述输出结果，进行主干和一级侧枝枝干结构的生成，并将结果存入文件。相较于现有技术，本发明所提出的方法自动化程度高，用户操作简便，能够处理复杂背景图像能力更强，且生成的枝干结构质量更高。
-
公开(公告)号：CN113591729A
公开(公告)日：2021-11-02
申请号：CN202110885400.5
申请日：2021-08-03
Applicant: 浙江农林大学
Abstract: 本发明公开了一种结合RGB‑DSM图像和深度学习的城市森林单木树冠检测方法，属于目标检测领域。本发明提出了一种结合两种图像和深度学习的城市森林单木树冠检测方法，该模型先结合高程信息和色彩信息分别进行单木树冠目标检测，再通过进一步的置信度重置和冗余消除形成了新的检测结果，从而提高了城市森林单木树冠检测任务的性能。相比于仅使用正射影像图或数字表面模型训练的深度学习网络，本发明具有明显的精度优势。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
