一种基于聚类和颜色分割的叶片正反面图像分割方法

    公开(公告)号:CN117853731A

    公开(公告)日:2024-04-09

    申请号:CN202410075511.3

    申请日:2024-01-18

    Applicant: 三峡大学

    Abstract: 本发明公开了一种基于聚类和颜色分割的叶片正反面图像分割方法,属于计算机视觉与图像处理技术领域,包括步骤:将正常光源叶片图像转为HSV颜色空间,利用颜色分割去除正常光源叶片图像的背景部分;对紫外光源叶片图像进行聚类,区分图像中正面和背面叶片部分;将聚类后的紫外光源叶片图像进行灰度化后通过二值化和反二值化得到两种mask掩码;应用两种掩码分别与去除背景部分的正常光源图像进行按位与操作得到只包含正面叶片和只包含背面叶片的图像。本发明采用上述一种基于聚类和颜色分割的叶片正反面图像分割方法,利用两种不同光源图像通过聚类和颜色分割的方法将叶片正面和背面从堆叠的叶片图像中分割出来,实用性强、准确性高。

    用于外来入侵植物识别的双分支细粒度网络的构建方法

    公开(公告)号:CN117830822A

    公开(公告)日:2024-04-05

    申请号:CN202311505273.7

    申请日:2023-11-13

    Applicant: 三峡大学

    Abstract: 用于外来入侵植物识别的双分支细粒度网络的构建方法,它包括以下步骤:步骤S1:构建粗粒度分支识别子网络及细粒度分支识别子网络;步骤S2:输入的外来入侵植物图像经由细粒度分支识别子网络的第一Transformer Encoder生成细粒度特征,粗粒度分支识别子网络的第二Transformer Encoder生成粗粒度特征,将细粒度特征和粗粒度特征在第一SCHA模块和第二SCHA模块进行融合;步骤S3:将外来入侵植物不同尺度的图像送入粗粒度分支识别子网络和细粒度分支识别子网络,将经过两个Transformer Encoder的输出送到两个SCHA模块进行融合,两个MLP模块输出类别分数,最后利用类别分数来计算两个分类交叉熵损失,从而优化网络的训练;通过以上步骤对双分支细粒度网络进行构建。

    基于注意力的双分支细粒度网络识别外来入侵植物的方法

    公开(公告)号:CN117636151A

    公开(公告)日:2024-03-01

    申请号:CN202311359053.8

    申请日:2023-10-19

    Applicant: 三峡大学

    Abstract: 基于注意力的双分支细粒度网络识别外来入侵植物的方法,它包括以下步骤:S1、构建双分支细粒度分类网络的输入,即图片分块操作;S2:构建双分支细粒度分类网络模型,即包括一个粗粒度分支网络和一个细粒度分支网络。双分支结构相同,都包含:线性投射层、多尺度交叉融合模块和MLP模块;S3、构建多尺度交叉融合模块,用于将粗粒度分支和细粒度分支的输入进行融合;S4、将不同大小的图像块送到粗粒度分支和细粒度分支网络,多尺度交叉融合模块会将粗粒度分支和细粒度分支的网络进行融合,输出最终用于分类的分类头,最后利用输出的分类头来计算损失,来优化网络进行训练;通过以上步骤会双分支细粒度识别网络进行构建。

    一种基于U-Net的部分孪生去雾网络的构造方法

    公开(公告)号:CN117274098A

    公开(公告)日:2023-12-22

    申请号:CN202311273860.8

    申请日:2023-09-28

    Applicant: 三峡大学

    Abstract: 一种基于U‑Net的部分孪生去雾网络的构造方法,该框架包含两个权值共享的子网络,通过将有雾图像输入第一个子网络进行去雾后再将生成的图像作为去雾先验信息传给第二个子网络,第二个子网络通过输入有雾图像和先验指导信息能够拥有更强的去雾能力和图像重构能力。此外,本发明在该框架的子网络中设计了一个双编解码模块。给子网络输入有雾图像,进行卷积下采样分别得到编码特征,之后通过二次编码模块将编码特征进行二次编码并特征融合得到融合后的二次编码特征。将上一步得到的融合后的二次编码特征通过二次解码模块,之后将得到的二次解码特征分别与编码阶段、解码阶段对应尺度的特征相融合,再通过上采样得到最终的去雾图像。

    一种基于RACNet的多变量电力负荷预测方法

    公开(公告)号:CN116205666A

    公开(公告)日:2023-06-02

    申请号:CN202211651310.0

    申请日:2022-12-22

    Abstract: 一种基于RACNet的多变量电力负荷预测方法,它包括以下步骤:步骤一:获取真实数据,并将真实数据划分为训练数据集和测试数据集;其中真实数据包括历史电力负荷值及气象因素值;步骤二:每次取一定数量的历史电力负荷值及相关气象因素值作为一个样本,将训练数据集、测试数据集分别转化成训练样本集和测试数据集;步骤三:输入训练样本集到网络模型中,得到训练好的模型,网络模型为RACNet模型或ELECNet模型;步骤四:将测试样本集输入已到训练好的模型中,输出预期的预测数据。为了提高短期电力负荷预测的精度,提高预测的准确率,获得更好的预测效果,本发明提出一种基于RACNet的多变量电力负荷预测方法。

    一种基于多层级高低频特征补偿的绝缘子缺陷检测方法

    公开(公告)号:CN119360115A

    公开(公告)日:2025-01-24

    申请号:CN202411541477.0

    申请日:2024-10-31

    Applicant: 三峡大学

    Abstract: 本发明提出了一种基于多层级高低频特征补偿的绝缘子缺陷检测方法,本方法设计了一种特征分量补偿框架,首先通过频域分解模块分解出输入绝缘子图像的高低频特征分量信息,然后通过构建三骨干特征提取网络分别对高频分量、绝缘子RGB图像、低频分量进行特征提取,然后利用门控机制动态融合高低频特征分量信息对路径聚合网络生成的特征进行不同层级的特征补偿,从而为检测头提供更完整和丰富的特征信息,有效解决了特征编码过程中信息稀释和细节丢失的问题,有效提升了模型对于不同尺度的绝缘子缺陷的检测性能。

Patent Agency Ranking