-
公开(公告)号：CN119360235B
公开(公告)日：2025-05-13
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：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：CN112418075B
公开(公告)日：2024-01-26
申请号：CN202011309279.3
申请日：2020-11-20
Applicant: 北京艾尔思时代科技有限公司 , 北京工业职业技术学院
Abstract: 本发明公开了一种基于冠层高度模型的玉米倒伏区域检测方法及系统。首先使用可见光波段差异植被指数设定阈值提取玉米种植区域土壤点分布，对土壤高程散点窗口最小值滤波后进行空间插值，叠加地块数字表面模型反演得到玉米冠层高度模型CHM。采用OSTU阈值法对玉米冠层高度模型进行倒伏区域提取，使用OSTU阈值法直接对冠层高度模型分类的方法简便易行，快捷、精度较高，从而能够对玉米倒伏区域进行精确的检测。
-
公开(公告)号：CN116245757B
公开(公告)日：2023-09-19
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。
-
公开(公告)号：CN113033453B
公开(公告)日：2023-09-15
申请号：CN202110368749.1
申请日：2021-04-06
Applicant: 北京艾尔思时代科技有限公司
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种适用于景观破碎区作物类型遥感识别的方法及系统，该方法包括：根据作物物候特征获取目标区域的遥感影像，进行数据预处理；基于耕地数据计算目标区域的破碎度并分区；结合耕地数据及SVM算法识别得到的作物分布数据构建样本集；从各个破碎度分区中分别随机抽选训练样本集及测试集，作为样本输入包含细节特征提取模块、语义特征提取模块、浅层特征跳接操作模块和特征融合模块的多特征深度学习模型MFsNet完成作物识别模型的构建；将待识别目标区域影像输入模型得到作物类型识别结果。该方法通过从不同破碎度分区中抽选训练样本，确保了训练样本代表性，模型训练结果能够在景观破碎区域实现较高的作物类型识别精度。
-
Patent Agency Ranking
公开(公告)号：CN114926743A
公开(公告)日：2022-08-19
申请号：CN202210807846.0
申请日：2022-07-11
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，提供了一种基于动态时间窗口的作物分类方法及系统，该方法包括：根据预先获取的训练区域的SAR时序影像和训练样本集，确定第一时序物候特征曲线，以及基于预先获取的目标区域的SAR时序影像和测试样本集，确定第二时序物候特征曲线；分别对第一时序物候特征曲线和第二时序物候特征曲线进行物候期提取，确定关键物候期；根据关键物候期，分别对第一时序物候特征曲线和第二时序物候特征曲线进行截取；基于动态时间规整算法，计算目标区域的SAR时序影像中待预测像元的待预测曲线与训练区域中每一类别作物的标准作物曲线的相似度，以确定待预测像元的作物所属类别。如此，提高作物分类模型的泛化精度。
-
公开(公告)号：CN114332546B
公开(公告)日：2022-06-03
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：CN114241022A
公开(公告)日：2022-03-25
申请号：CN202210184653.4
申请日：2022-02-28
Applicant: 北京艾尔思时代科技有限公司
Abstract: 本申请涉及图像处理技术领域，提供一种无人机图像自动配准方法及系统，该方法包括：对待配准图像的多个分块图像和参考图像的多个分块图像分别进行降噪，对应得到多个第一降噪图像和多个第二降噪图像；其中，所述第一降噪图像和所述第二降噪图像一一对应；然后，根据每个所述第一降噪图像中每个特征点与其对应的所述第二降噪图像中全部特征点之间的特征向量距离和地理位置向量距离，对每个所述第一降噪图像中的特征点进行筛选；基于随机抽样一致性算法，根据每个所述第一降噪图像中筛选后的特征点，确定所述待配准图像的最优投影变换模型，以对所述待配准图像进行配准。如此，提高了特征点提取和特征点匹配的准确度，提高了计算效率。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.052 seconds)
