-
公开(公告)号：CN119784785A
公开(公告)日：2025-04-08
申请号：CN202411646846.2
申请日：2024-11-18
Applicant: 北京艾尔思时代科技有限公司 , 北京工业职业技术学院 , 河北省第二测绘院
IPC: G06T7/136 , G06T7/62 , G06V20/13 , G06V20/10 , G06V10/762
Abstract: 本申请提供一种冬小麦成熟期霉变范围自动提取方法和系统，属于图像识别技术领域。该方法通过计算各个像元的霉变遥感指数，结合阈值分割法实现正常小麦区和小麦受灾区的准确分割。其中，霉变遥感指数是利用面积法构建，被定义为第一多边形面积、第二多边形面积两个面积的比值，第一多边形面积是各个波段与坐标横轴围成的直角梯形面积之和，第二多边形面积是表面反射率最大值与中心波长最短的波段、中心波长最长的波段、坐标横轴围成的面积，以面积的比值来计算霉变遥感指数，能够增强正常小麦与霉变小麦之间的指数差异，有利于准确确定阈值分割法中的分割阈值，使阈值分割法能够达到与传统机器学习法总体精度相近，提高结果的稳定性和便利性。
-
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：CN112418075A
公开(公告)日：2021-02-26
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：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：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。
-
Patent Agency Ranking
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。
-
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：CN113033453A
公开(公告)日：2021-06-25
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
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。
-
公开(公告)号：CN112906537A
公开(公告)日：2021-06-04
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
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：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。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.082 seconds)
