-
公开(公告)号：CN119360235A
公开(公告)日：2025-01-24
申请号：CN202411267914.4
申请日：2024-09-11
Applicant: 北京师范大学 , 北京艾尔思时代科技有限公司
IPC: G06V20/17 , G06V20/10 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本申请提供一种无人机影像的农田种植地块人工智能自动提取系统和方法，属于图像数据处理技术领域。包括：输入模块、特征提取模块、特征分解模块、多任务学习集成解码模块。无人机影像数据经特征提取模块进行特征提取后，由特征分解模块将高维特征图进行频率域的DCT变换和特征分离，形成高频分量和低频分量，再经反变换得到反映地块区域的第一区域特征图和反映地块边界的第一边界特征图，最后使用多任务学习集成解码模块对第一区域特征图、第一边界特征图进行特征解码，获得农田种植地块提取的结果。由于引入DCT变换用于频域特征提取和特征分离，增加了地块区域和边界特征表示能力，提升了农田种植地块的提取精度。
-
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：CN113077458B
公开(公告)日：2023-09-19
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
IPC: G06T7/00 , G06T7/187 , G06N3/0464 , G06N3/084
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：CN114332570A
公开(公告)日：2022-04-12
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。
-
Patent Agency Ranking
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：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。
-
公开(公告)号：CN116245757A
公开(公告)日：2023-06-09
申请号：CN202310130461.X
申请日：2023-02-08
Applicant: 北京艾尔思时代科技有限公司
Abstract: 本申请涉及电数字数据处理技术领域，提供了一种多模态数据的多场景通用性遥感影像云修复方法和系统。该方法通过获取目标区域的目标影像和来自不同卫星的多模态遥感影像，基于多模态遥感影像的不同成像时间，分别确定最佳光学参考影像、最佳SAR参考影像，然后通过引入土地覆盖数据确定相似像素点集合(高质量相似像素点)，并通过对高质量相似像素点的合理权重分配与加权计算重建了缺失信息，实现对目标影像中云遮挡区域的修复，得到目标影像对应的云修复影像。通过该方法进行云修复，无论土地覆盖是否突变、发生何种程度的变化、土地覆盖突变是否分异等多种不同场景下，均能够取得更高精度、更佳效果的云修复结果，可以适用于不同的具体应用场景。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.04 seconds)
