-
公开(公告)号：CN116189371A
公开(公告)日：2023-05-30
申请号：CN202310098262.5
申请日：2023-02-10
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于物联网的森林防火消防设施联动管理系统及方法，包括数据采集模块、数据处理模块、协调与控制模块和消防设施；所述数据采集模块通过远程摄像头收集起火点信息、通过GIS地理信息系统和风向风速仪收集起火点周边地形、风向和风速信息，并将这些信息传递到数据处理模块；所述数据处理模块对传递过来的数据进行分析计算，预测火势的未来发展趋势，并将这些数字化信息转化成动态三维图像；所述协调与控制模块负责提醒工作人员火灾的发生及火势情况的直观展示，工作人员针对火势情况制定救火方案，系统根据救火方案协调消防人员与消防设施开展救火作业；所述消防设施根据指令信息辅助消防人员开展工作，警告无关人员远离火灾现场。
-
公开(公告)号：CN115937672A
公开(公告)日：2023-04-07
申请号：CN202211468221.2
申请日：2022-11-22
Applicant: 南京林业大学
Abstract: 本发明涉及图像识别领域，具体为一种基于深度神经网络的遥感旋转目标检测方法，本发明旨在基于深度神经网络的特征融合部分，改进并解决经典网络中对全局信息的忽略问题，并且通过特征图通道维度上的连接融合操作，改进特征图的融合效果，增强特征图所蕴含的信息，提升网络对遥感图像目标检测任务的精度；本发明通过改进网络模块，将全球范围内通用的遥感图像公开数据集在DOTA数据集上进行测试，相比其他方法，可以达到更高的精度，对于小目标以及大目标的检测能力都有所提升，同时也不会大幅增加网络参数。
-
公开(公告)号：CN108898153B
公开(公告)日：2021-06-22
申请号：CN201810469910.2
申请日：2018-05-16
Applicant: 南京林业大学
Abstract: 本发明涉及数据预处理领域，公开了一种基于L21范式距离度量的特征选择方法，包括以下步骤：输入原始数据矩阵以及参数；对原始数据矩阵进行SVD分解得到列正交矩阵；通过原始数据矩阵和列正交矩阵计算投影空间中的类间散度矩阵和类内散度矩阵；计算定义的对角矩阵D；将对角矩阵D和类内散度矩阵相加，然后比上类间散度矩阵，得到一个新的矩阵；对新的矩阵进行特征值分解，得到最小特征值对应的特征向量；更新W；迭代步骤三至步骤七直至W收敛；计算收敛完成后的W的每一行向量的二范数值，选特征数。本发明能够大大提高特征选择算法的鲁棒性和稀疏性，使得特征选择算法能够排除冗余的特征和噪声的特征，选择出最具有代表性的特征。
-
公开(公告)号：CN112966727A
公开(公告)日：2021-06-15
申请号：CN202110203035.5
申请日：2021-02-23
Applicant: 南京林业大学
IPC: G06K9/62 , G06K9/34 , G06K9/46 , G06K9/00 , G06F16/538 , G06F16/55 , G06F16/583
Abstract: 本发明公开了一种基于花朵特征的植物种类识别系统，包括图像采集器、植物种类存储库、信息显示录入端和微处理单元，图像采集器负责采集植物花朵特征，并对植物花朵特征分割识别处理，植物种类存储库负责存储已有的植物花朵特征，与图像采集器处理的植物花朵特征进行比对，信息显示录入端负责显示植物花朵特征比对结果，以及新植物种类花朵特征的录入，微处理单元分别与图像采集器、植物种类存储库、信息显示录入端相连，微处理单元负责图像采集器、植物种类存储库、信息显示录入端之间的信息传输。本发明涉及植物类别识别技术领域，具体提供了一种可以根据花朵特征对植物进行分类，且分类准确度高的基于花朵特征的植物种类识别系统。
-
公开(公告)号：CN111340120A
公开(公告)日：2020-06-26
申请号：CN202010131554.0
申请日：2020-02-28
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于实用鲁棒PCA的图像表示方法，属于模式识别领域。方法包括以下步骤：读取图像数据集，根据像素值建立样本矩阵；将样本矩阵输入预先构建的目标模型，所述目标模型为基于鲁棒重建误差最小化和鲁棒数据差最大化的联合学习模型，其依据转换矩阵W将数据投影到低维子空间，并利用恢复矩阵W来恢复数据，并以L2,p范数作为距离度量；通过基于PCA技术的迭代算法对目标模型进行求解，得到转换矩阵W；根据转换矩阵W完成图像重建。本发明建立了原空间和转换空间特征的联系，且利用L2,p范数距离度量削弱对异常值的敏感性，很好地提高了PCA的鲁棒性。此外本发明设计了新的迭代算法去优化基于L2,p范数的极小化问题，算法具有较好的收敛性。
-
Patent Agency Ranking
公开(公告)号：CN118941821B
公开(公告)日：2025-01-28
申请号：CN202410986756.1
申请日：2024-07-23
Applicant: 南京林业大学
IPC: G06V10/74 , G06V10/80 , G06V20/10 , G06V20/17 , G06V10/77 , G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于少样本学习的穗类作物统一计数方法，本发明涉及六个不同的作物数据集，这些作物数据集通过地面相机和无人机捕获，视觉编码器用于增强特征嵌入，基础模型用于减轻复杂背景的影响，多尺度特征交互模块用于集成相似度度量，促进不同尺度的作物特征自动学习，增强对各种尺寸和形状的作物穗的描述能力，该模型采用两阶段训练程序，初始阶段侧重于潜在特征挖掘，以捕捉谷物的通用特征，并且随后的阶段无需额外训练即可进行推理，进而从选定的样本中提取目标作物的领域特征，以实现计数操作。本发明通过少样本学习计数多种谷物穗，可以有效降低标注成本，并提高谷物产量估算的准确性，确保粮食安全。
-
公开(公告)号：CN118487711A
公开(公告)日：2024-08-13
申请号：CN202410589379.8
申请日：2024-05-13
Applicant: 南京林业大学
IPC: H04L1/00
Abstract: 本发明公开了一种基于全卷积的信道反馈深度学习自编码器模型，包括以下步骤：构建FullCovCsiNet模型，包含编码器，解码器，编码器有卷积层，特征提取模块，卷积压缩模块构成，本发明涉及无线通信领域技术领域。通过引入神经网络并利用全卷积结构，可以显著减少网络参数的数量，从而降低计算复杂度和存储需求，进而减少系统开销，能够有效地提取输入数据中的局部特征，并在保持预测准确度的同时降低网络参数，这种特性使得神经网络在处理具有空间相关性的信道数据时表现优异，能够准确预测信道状态，这意味着即使对于未见过的输入数据，网络也能够进行准确的预测，这对于大规模MIMO系统来说非常重要。
-
公开(公告)号：CN115937703B
公开(公告)日：2024-05-03
申请号：CN202211523308.5
申请日：2022-11-30
Applicant: 南京林业大学
Abstract: 本发明公开了一种用于遥感图像目标检测的增强特征提取方法，涉及图像识别领域，包括以下步骤：S1、获取图片，标注数据，配置YOLOV4网络运行环境；S2、改进网络，添加新模型，划分识别区域，配置权重并选择合适的样本进入网络训练；S3、改进网络中特征识别部分，替换特征检测模块，引入新的注意力模块；S4、改进损失函数；S5、消融实验检验改进点，控制变量法检验改进网络的有效性。本发明通过改进识别网络和检测模块，引入新注意力模块和改进损失函数，解决了小目标检测精度低问题，提高了对遥感图像中小目标的检测效果，使得检测更加准确。
-
公开(公告)号：CN115937703A
公开(公告)日：2023-04-07
申请号：CN202211523308.5
申请日：2022-11-30
Applicant: 南京林业大学
Abstract: 本发明公开了一种用于遥感图像目标检测的增强特征提取方法，涉及图像识别领域，包括以下步骤：S1、获取图片，标注数据，配置YOLOV4网络运行环境；S2、改进网络，添加新模型，划分识别区域，配置权重并选择合适的样本进入网络训练；S3、改进网络中特征识别部分，替换特征检测模块，引入新的注意力模块；S4、改进损失函数；S5、消融实验检验改进点，控制变量法检验改进网络的有效性。本发明通过改进识别网络和检测模块，引入新注意力模块和改进损失函数，解决了小目标检测精度低问题，提高了对遥感图像中小目标的检测效果，使得检测更加准确。
-
公开(公告)号：CN114492726A
公开(公告)日：2022-05-13
申请号：CN202111478086.5
申请日：2021-12-06
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于遥感数据的森林可燃物含水率反演算法，属于深度学习领域。本发明采用MLP模型，建立了一种遥感光谱反射率与森林冠层植被和地表枯落物含水率之间的联系算法，通过对遥感数据进行预处理，使用其光谱反射率反演出冠层植被和地表枯落物的含水率，并且最终建立的模型拟合度能够达到0.8左右。算法同时也提出了一种光学遥感在冠层到地表间穿透性较差的优化方案，也为遥感估测法大尺度的测定地区冠层以及地表枯落物含水率提供了理论基础。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.06 seconds)
