-
公开(公告)号：CN114332546A
公开(公告)日：2022-04-12
申请号：CN202210262394.2
申请日：2022-03-17
Applicant: 北京艾尔思时代科技有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/778 , G06K9/62
Abstract: 本申请涉及数据识别技术领域，提供了一种物候匹配策略的大尺度迁移学习作物分类方法、系统、计算机可读存储介质和电子设备。该方法包括：分别对重构后的迁移学习区的时序数据、重构后的目标区域的时序数据进行物候特征提取，对应得到迁移学习区的物候特征、目标区域的物候特征；根据迁移学习区的物候特征、目标区域的物候特征，确定迁移学习区与目标区域之间的作物物候匹配关系；基于迁移学习区与目标区域之间的作物物候匹配关系，提取迁移学习区的训练数据集，以训练物候匹配的作物分类模型，并基于物候匹配的作物分类模型对目标区域的作物进行分类。如此，使目标区域能够迅速得到可用的作物分类预测结果。
-
公开(公告)号：CN113033455A
公开(公告)日：2021-06-25
申请号：CN202110371739.3
申请日：2021-04-07
Applicant: 北京艾尔思时代科技有限公司
Abstract: 本发明涉及一种农作物分类方法及系统，方法包括：获取待分类农作物的CDL数据；获取待分类农作物的历史遥感数据；根据所述CDL数据以及所述历史遥感数据训练神经网络模型，得到农作物自动化分类模型；根据当前农作物的遥感数据以及所述农作物自动化分类模型进行农作物分类。CDL数据以及历史遥感数据可以获得在大空间尺度上农作物的多样化光谱特征信息，本发明利用CDL数据以及历史遥感数据训练的神经网络模型进行农作物分类，农作物分类精准极高。
-
公开(公告)号：CN114972253A
公开(公告)日：2022-08-30
申请号：CN202210580524.7
申请日：2022-05-25
Applicant: 北京艾尔思时代科技有限公司
Abstract: 本申请涉及农作物识别技术领域，特别涉及一种基于多角度特征的农作物识别方法及系统。该方法包括：依次对前视全色影像、后视全色影像以及多光谱影像进行配准和数据融合处理，得到融合影像；然后对前视全色影像的双向反射分布函数和后视全色影像的双向反射函数进行差值运算，得到角差特征；最后基于预先训练的农作物分类模型，根据融合影像中的光谱特征和角差特征的特征组合对融合影像进行识别，得到农作物识别结果。如此，利用卫星影像的前视、后视全色及后视多光谱数据，将不同特征组合输入到支撑向量机分类器进行分类，有效识别出具有相同光谱特征的不同农作物，提高了农作物识别的精度。
-
公开(公告)号：CN114821353A
公开(公告)日：2022-07-29
申请号：CN202210398100.9
申请日：2022-04-12
Applicant: 北京艾尔思时代科技有限公司
IPC: G06V20/13 , G06V10/771 , G06V10/75
Abstract: 本申请涉及识别图形技术领域，提供一种基于雷达特征匹配的作物种植区域快速提取方法、系统、计算机可读存储介质和电子设备，其中，基于雷达特征匹配的作物种植区域快速提取方法包括：对获取的训练区域的雷达数据的全时序后向散射系数进行特征筛选，得到最优特征子集；其中，全时序后向散射系数包括作物的生长周期内多个时相的后向散射系数；根据作物的物候期对最优特征子集进行时间对齐，并根据时间对齐后的最优特征子集训练得到作物识别模型；根据训练区域与目标区域的空间泛化影响因子，对训练区域与目标区域进行空间特征因子分析，得到空间特征匹配的目标区域；以基于作物识别模型对空间特征匹配的目标区域内作物种植区域进行提取。
-
公开(公告)号：CN114092821B
公开(公告)日：2022-04-08
申请号：CN202210071779.0
申请日：2022-01-21
Applicant: 北京艾尔思时代科技有限公司
Abstract: 本申请涉及数据识别技术领域，提供了一种基于无人机影像与自适应阈值的小麦倒伏提取方法和系统，该方法通过对获取的目标区域的第一影像按照预设分块尺寸进行分块，得到目标区域的多个第二影像；基于双峰直方图阈值法，对多个第二影像进行双峰目标搜索，得到多个第三影像；确定全部第三影像的双峰目标占比和每个第三影像的自适应阈值；循环调整预设分块尺寸，对第一影像进行重新分块，并计算双峰目标占比和自适应阈值，直至得到最大的双峰目标占比；根据最大的双峰目标占比对应的多个自适应阈值，以及第一影像的预先获取的全局阈值，对目标区域中的小麦倒伏区域进行提取，藉此，提高了小麦倒伏区域提取的精度。
-
Patent Agency Ranking
公开(公告)号：CN113077458A
公开(公告)日：2021-07-06
申请号：CN202110456805.7
申请日：2021-04-25
Applicant: 北京艾尔思时代科技有限公司
Abstract: 本发明涉及一种遥感影像中的云和阴影检测方法及系统，方法包括获取测试遥感影像数据集；将测试遥感影像数据集输入所述深度学习云检测模型中，得到云和阴影分布数据；其中，所述深度学习云检测模型是通过训练样本集对深度卷积神经网络进行训练得到的；所述训练样本集的获取方法为：获取同一地区的云和云影验证数据集和遥感影像样本集；根据所述云和云影标记数据集中阴影的标记范围进行膨胀，并将膨胀后的阴影范围与所述遥感影像样本集中对应的区域进行样本增强，得到所述训练样本集。本发明中对所述云和云影验证数据集中阴影的标记范围进行膨胀处理，得到膨胀后的阴影区域，增强了样本的信息表达准确性，从而能够提高检测的精度。
-
公开(公告)号：CN114926732A
公开(公告)日：2022-08-19
申请号：CN202210383891.8
申请日：2022-04-12
Applicant: 北京艾尔思时代科技有限公司
Abstract: 本申请涉及用于识别图形技术领域，提供一种多传感器融合的农作物深度学习识别方法，该方法包括：基于第一传感器对应的太阳光谱曲线和光谱响应函数，根据第一传感器采集的初始数据，得到训练区域内的第一大气顶层反射率数据；其中，第一传感器有多个；对第一大气顶层反射率数据和通过大数据运算平台处理得到的第二大气顶层反射率数据进行处理，得到训练区域的晴空影像；其中，第二大气顶层反射率数据来自与第一传感器不同的第二传感器；基于训练后的深度学习模型，对目标区域的农作物进行识别；其中，训练后的深度学习模型为对样本数据进行训练得到；样本数据为对预先获取的农作物标签数据与训练区域的晴空影像进行波段合成得到的。
-
公开(公告)号：CN114332570B
公开(公告)日：2022-06-03
申请号：CN202210262470.X
申请日：2022-03-17
Applicant: 北京艾尔思时代科技有限公司
IPC: G06V10/774 , G06V10/764 , G06V10/778
Abstract: 本申请涉及数据识别技术领域，提供了一种基于CDL深度学习进行作物迁移分类的方法、系统、计算机可读存储介质和电子设备。该方法通过将训练区域的CDL数据和遥感影像数据进行合成，得到作物分类的多个不同时间周期的训练数据集；然后，根据训练数据集，构建多个不同时间周期的多个作物分类模型；最后，根据获取的目标区域的测试数据集，基于训练完成的多个作物分类模型对目标区域进行时空泛化分析，确定最佳作物分类模型，以对目标区域作物进行分类。如此，通过CDL数据与遥感数据合成构建多个不同时间周期的训练数据集，解决样本稀缺的问题，同时通过对多个作物分类模型进行分析，提高了作物分类模型在目标区域的分类预测精度。
-
公开(公告)号：CN112906537B
公开(公告)日：2023-12-01
申请号：CN202110171021.X
申请日：2021-02-08
Applicant: 北京艾尔思时代科技有限公司
IPC: G06V20/10 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于卷积神经网络的农作物识别方法及系统，属于智能识别领域。利用分类器对遥感影像和作物类型参考数据进行分类，得到的作物类型分类标签用于神经网络模型的训练，训练好的神经网络模型可用于高效的大尺度农作物遥感自动化分类。本发明无需人工标签，可直接采用可靠精度的传统方法分类结果作为样本标签，对大量遥感影像进行农作物分类，减少了对影像进行标注的繁琐工作，降低了成本，提高了识别效率和准确率。
-
公开(公告)号：CN116543325A
公开(公告)日：2023-08-04
申请号：CN202310643817.X
申请日：2023-06-01
Applicant: 北京艾尔思时代科技有限公司
IPC: G06V20/17 , G06V20/70 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本申请涉及数据识别技术领域，提供一种基于无人机影像的农作物人工智能自动识别方法和系统。该方法首先获取耕地的无人机影像；然后将无人机影像输入Meta SAM模型中进行语义分割，得到具有语义特征的地块分割结果；以地块分割结果中每个地块为分类单元，基于随机森林模型对地块分割结果中各个地块所种植的农作物进行识别，得到农作物识别结果。通过该方法，能够有效避免传统基于像元的农作物自动化识别模型导致的“椒盐”现象，提高农作物的识别精度，同时，由于Meta SAM模型具有零样本泛化能力，该方法还能够快速适应不同农作物识别场景，高效、准确地识别出不同类型的农作物种植地块。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.064 seconds)
