-
公开(公告)号：CN120047734A
公开(公告)日：2025-05-27
申请号：CN202510115836.4
申请日：2025-01-24
Applicant: 安徽大学 , 合肥数翰数据科技有限公司
IPC: G06V10/764 , G06V10/80 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明涉及一种基于多层信息融合的农作物病害图像分类方法，与现有技术相比解决了难以准确定位病害区域的缺陷。本发明包括以下步骤：农作物病害图像的获取及预处理；构建农作物病害图像分类模型；农作物病害图像分类模型的训练；待分类农作物病害图像的获取；农作物病害图像分类结果的获得。本发明的融合方法减少了背景干扰，并很好地关注到目标微小病害区域，从而提高了模型的识别有效性。
-
公开(公告)号：CN120070236A
公开(公告)日：2025-05-30
申请号：CN202510149103.2
申请日：2025-02-11
Applicant: 合肥数翰数据科技有限公司
IPC: G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于非线性噪声序列和空间特征增强的图像去雾方法，包括：采集有雾图像，对采集的有雾图像进行预处理；对DDPM模型进行改进，得到改进后的DDPM模型即图像去雾模型；将训练集输入图像去雾模型进行训练；将待处理的有雾图像输入训练后的图像去雾模型，输出去雾后的图像。本发明有利于模型更加精细全面的理解图像信息，在正向扩散以及逆向去噪的过程中更关注人类感知能力，从而产生更接近人类感知质量的清晰图像；本发明的基于非线性和空间特征增强的图像去雾模型的特征学习更为高效，能够处理不同尺度的特征信息，结合多尺度信息更加深全面地理解图像加快了模型的训练速度，提高了模型的训练效率，具有更强有力的去雾效果。
-
公开(公告)号：CN119671930B
公开(公告)日：2025-05-27
申请号：CN202411427034.9
申请日：2024-10-14
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/82 , G06V10/764 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种融合图像高频信息的玉米叶片病害识别方法，与现有技术相比解决了深度模型在识别复杂背景下玉米叶病害图像上难以学习到高频细节信息特征的缺陷。本发明包括以下步骤：获取玉米叶片图像并进行预处理；构建玉米叶片病害识别模型；玉米叶片病害识别模型的训练；待识别玉米叶片图像的获取；玉米叶片图像识别结果的获得。本发明将图像高频信息融合到轻量级MobileNetV3‑Large网络中，提出了一种融合图像高频信息的玉米叶病害识别模型，该模型具有更好的拟合能力，提高了对复杂环境下玉米叶病害的识别性能。
-
公开(公告)号：CN117218429B
公开(公告)日：2025-05-27
申请号：CN202311178205.4
申请日：2023-09-13
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/77
Abstract: 本发明涉及一种基于双分支网络的光谱‑空间注意力机制的高光谱图像分类方法，包括：输入高光谱图像数据立方体；使用主成分分析将高光谱图像的光谱维数降维，对于要分类的像素，将其封装成相邻区域块作为光谱子网络的输入；在每个特定像素周围创建一个相邻区域来收集空间信息，并作为空间子网络的输入；得到一维光谱特征；得到一维空间特征；通过融合层对一维光谱特征和一维空间特征进行融合和平衡，使用softmax回归层来预测每一类地物的概率分布。本发明通过对高光谱图像作为研究对象，在有限样本的前提下提高高光谱图像的有效特征表示，既保证了分类精度，又减少了网络模型的参数个数和计算量；充分利用了光谱信息和空间信息，以取得更好的分类结果。
-
公开(公告)号：CN114842339B
公开(公告)日：2025-05-27
申请号：CN202210517294.X
申请日：2022-05-13
Applicant: 安徽大学
IPC: G06V20/10 , G06N3/0464 , G06N3/08 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种联合GF‑6和Sentinel‑2的冬小麦种植区影像提取方法，与现有技术相比解决了冬小麦种植区遥感影像提取技术难以满足实际使用需要的缺陷。本发明包括以下步骤：遥感影像数据集的创建；构建冬小麦种植区影像提取网络；冬小麦种植区影像提取网络的训练；待提取遥感影像的获取；冬小麦种植区影像结果的提取。本发明能够更为准确的从遥感图像中提取出冬小麦种植区，通过针对作物空间分布信息提取任务与高分辨率遥感数据特点设计和改进了模型结构，在效率、速度、适用性和准确性方面取得较好效果。
-
Patent Agency Ranking
公开(公告)号：CN114997725B
公开(公告)日：2025-05-23
申请号：CN202210759970.4
申请日：2022-06-30
Applicant: 安徽大学
IPC: G06Q10/0639 , G06Q50/02 , G06V10/764 , G06V10/20 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/082
Abstract: 本发明涉及一种基于注意力机制与轻量级卷积神经网络的奶牛体况评分方法，包括：利用2D可见光摄像机拍摄奶牛尾部图片，得到奶牛体况数据集；构建卷积神经网络模型，并使用奶牛体况数据集进行预训练，得到训练好的卷积神经网络模型；获取待检测的奶牛图片并进行预处理，得到预处理图像；所述预处理包括标准化操作和数据增强；将预处理图像输入训练好的卷积神经网络模型，得到奶牛体况评分结果。本发明以深度学习技术，去除了人工评分主观性强等问题；本发明增加了高效通道注意力机制，加强了网络对奶牛体况的提取能力；同时引入Dropout操作，增强网络的泛化能力。
-
公开(公告)号：CN118298234B
公开(公告)日：2025-04-04
申请号：CN202410454695.4
申请日：2024-04-16
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/10 , G06V10/77 , G06V10/44 , G06V10/42 , G06N3/0464
Abstract: 本发明涉及一种基于光谱‑空间注意力机制和残差网络的高光谱图像分类方法，包括：输入高光谱图像；使用主成分分析进行降维，得到降维后的高光谱图像；进行初步特征提取，得到经特征提取后的图像；得到增强后的图像；得到进一步挖掘空间特征的图像；得到经过自适应校准后的图像；将经过自适应校准后的图像经过全局池化、展平、批归一化和全连接层，得到最终的分类结果。本发明使用深度可分离卷积块，以此实现轻量级、高效率的特征提取；残差SEA注意力模块通过纵向和横向挤压获取全局信息，又通过增强获取局部信息；残差EMA注意力模块能够获取像素间的成对关系，更好地挖掘空间特征；残差SE注意力模块能够自适应校准通道信息，更好获取通道信息。
-
公开(公告)号：CN119168176B
公开(公告)日：2025-02-11
申请号：CN202411679803.4
申请日：2024-11-22
Applicant: 安徽大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/23213 , G06F18/22 , G06F18/211 , G06N3/042 , G06N3/0495 , G06N3/084 , G01N33/18
Abstract: 本发明涉及一种基于时空特征融合的多站点水质预测方法，与现有技术相比解决了水质预测精准度低的缺陷。本发明包括以下步骤：多站点水质基础数据的获取及预处理；对水域水质数据进行特征筛选；构建#imgabs0#模型；#imgabs1#模型的训练；水质预测结果的获得。本发明从因果、空间、语义三个角度对多站点水质指标数据进行建模，对于复杂的水域场景，考虑到更多相关因素；基于神经常微分方程，对水质传播过程提供一种更具可解释性的建模方案，并相较于传统的神经常微分建模，使用多跳传播的方式，提升信息的利用率与传播率。
-
公开(公告)号：CN119251704A
公开(公告)日：2025-01-03
申请号：CN202411455830.3
申请日：2024-10-18
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/26 , G06V10/30 , G06V10/764 , G06V10/77 , G06V10/774 , G06N20/20
Abstract: 本发明涉及一种基于机器学习的湖泊遥感影像藻华覆盖度反演方法，与现有技术相比解决了难以针对湖泊遥感影像进行藻华覆盖度反演的缺陷。本发明包括以下步骤：获取遥感数据源并进行预处理；对Sentinel‑2多光谱影像进行藻华提取与处理得出覆盖度样本集；对MODIS多光谱影像进行特征选择与组合得出特征指数数据集；构建湖泊藻华覆盖度数据集；基于机器学习构建模型及训练；藻华覆盖度反演结果的获得。本发明利用高空间分辨率的Sentinel‑2数据，可获取MODIS像元尺度的藻华覆盖度，并结合MODIS光谱特征构建定量估算模型，从而实现湖泊藻华的高时空精度监测与变化分析。
-
公开(公告)号：CN118537754A
公开(公告)日：2024-08-23
申请号：CN202410628551.6
申请日：2024-05-21
Applicant: 安徽大学
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于无人机的水稻幼苗计数方法，包括：得到水稻全景图片；得到预处理后的水稻图片；生成包含训练集、验证集和测试集的矩形框标注数据集；对YOLOv8网络进行改进，得到改进后的YOLOv8网络即水稻幼苗检测模型；得到训练后的水稻幼苗检测模型；对待预测的水稻图片进行预处理，输入训练后的水稻幼苗检测模型，训练后的水稻幼苗检测模型输出无人机拍摄水稻幼苗计数结果。本发明使得预测的特征图不仅具备了高度的语义信息，还包含了丰富的位置信息，为模型提供了更全面、更准确的信息基础，从而提高了目标检测任务的精度和鲁棒性，这个颈部网络的设计不仅提高了模型对目标的识别能力，也使得模型在处理复杂场景和遮挡情况下表现更加出色。
-
-
-
-
-
-
-
-
-
Search Results
347
records
(took 0.045 seconds)
