-
公开(公告)号：CN109345016A
公开(公告)日：2019-02-15
申请号：CN201811158968.1
申请日：2018-09-30
Applicant: 成都信息工程大学 , 四川禹慕科技有限公司
Abstract: 本发明公开了一种基于连翘花期预测的智慧农业服务系统及方法，通过结合云计算、大数据、信息采集与处理以及智能预警等技术，利用已知的历史气象数据和花期开放时间做相关性分析，筛选出与连翘花期密切相关的指标，用于后期的回归分析找到内在的规律，从而科学地预测花期开放时间和周期，实现连翘的经济效益最大化。本发明能够为连翘产品的生产指导体系提供数据和技术支撑，为智慧生态旅游的发展提供参照平台，同时也将推广到其它各种农作物的生产指导。
-
公开(公告)号：CN119251602B
公开(公告)日：2025-03-11
申请号：CN202411778440.X
申请日：2024-12-05
Applicant: 成都信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06V10/82
Abstract: 本发明公开了一种基于快速采样和注意力机制的点云分类分割方法，包括步骤：加载点云分类数据集Dc和点云分割数据集Ds；构造点云分类分割网络，该网络基于PointNet++网络，并构造降采样层替换其原有采样层，构造基于注意力机制的分割网络NSt替换原有分割网络，在NSt中改进插值操作，并在跳跃连接时增设自注意力编码器；用Dc和Ds训练点云分类分割网络得到点云分类分割模型，用于点云数据的分类或分割任务中。本发明能降低降采样过程中的复杂度、关注并提取点云中的空间和相关信息、且能克服插值时依赖于选择的邻域大小和点的分布情况导致的插值不准确问题。故本发明能提高采样效率、特征提取精度和分割精度。
-
公开(公告)号：CN119251602A
公开(公告)日：2025-01-03
申请号：CN202411778440.X
申请日：2024-12-05
Applicant: 成都信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06V10/82
Abstract: 本发明公开了一种基于快速采样和注意力机制的点云分类分割方法，包括步骤：加载点云分类数据集Dc和点云分割数据集Ds；构造点云分类分割网络，该网络基于PointNet++网络，并构造降采样层替换其原有采样层，构造基于注意力机制的分割网络NSt替换原有分割网络，在NSt中改进插值操作，并在跳跃连接时增设自注意力编码器；用Dc和Ds训练点云分类分割网络得到点云分类分割模型，用于点云数据的分类或分割任务中。本发明能降低降采样过程中的复杂度、关注并提取点云中的空间和相关信息、且能克服插值时依赖于选择的邻域大小和点的分布情况导致的插值不准确问题。故本发明能提高采样效率、特征提取精度和分割精度。
-
公开(公告)号：CN118762190B
公开(公告)日：2024-11-05
申请号：CN202411244838.5
申请日：2024-09-06
Applicant: 成都信息工程大学
IPC: G06F17/10 , G06V10/26 , G06V20/70 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于深度学习的洪水遥感图像分割方法，涉及图像数据处理技术领域，包括步骤：根据不同场景下包含洪水区域的遥感图像构造数据集；构造一洪水遥感图像分割网络，包括ResNet18网络、Segformer网络、双路特征融合编码模块、DSCA注意力模块和解码器；用数据集训练洪水遥感图像分割网络至收敛，得到洪水遥感图像分割模型；获取待识别洪水区域的遥感图像，送入洪水遥感图像分割模型输出识别结果。本发明针对背景复杂、目标分布不均匀的洪水遥感图像，能够更好地理解其细节信息，避免遥感图像中洪水区域欠分割或过分割的问题，提高了洪水区域的分割精度。
-
公开(公告)号：CN117935060B
公开(公告)日：2024-05-28
申请号：CN202410323876.3
申请日：2024-03-21
Applicant: 成都信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/771 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的洪水区域检测方法，属于图像数据处理领域，包括构造数据集；构造洪水区域检测网络；用数据集训练洪水区域检测网络得到洪水区域检测模型，用于待识别的洪水图像中的洪水区域检测。本发明中针对洪水图像中洪水占比大、洪水边缘和淹没物场景复杂的问题，用残差图像金字塔模块对深层次特征中的感受野进行进一步扩大，使得模型注重于全局；多个浅层特征融合多输入坐标注意力机制，获得通道和两个空间方向的特征信息，使得模型注重于分割细节，由特征融合模块对获得的深层特征和浅层特征进行更好的特征选择与结合，将语义信息和空间方向相关的细节信息有效结合，能更好地分割洪水区域，在整体上提高分割精度。
-
Patent Agency Ranking
公开(公告)号：CN110555465A
公开(公告)日：2019-12-10
申请号：CN201910744616.2
申请日：2019-08-13
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于CNN与多特征融合的天气图像识别方法，包括以下步骤：针对输入的图片，提取六种表征不同天气现象的天气特征，并编码为特征向量；提取表征图像的高维CNN特征；将天气特征向量和CNN特征向量进行特征融合，组成整体特征向量；采用整体特征向量训练分类模型，并用训练后的分类模型对天气图像进行识别。本发明融合天气特征和CNN特征来进行训练与分类，识别准确率高。
-
公开(公告)号：CN118762190A
公开(公告)日：2024-10-11
申请号：CN202411244838.5
申请日：2024-09-06
Applicant: 成都信息工程大学
IPC: G06V10/26 , G06V20/70 , G06V20/10 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/048
Abstract: 本发明公开了一种基于深度学习的洪水遥感图像分割方法，涉及图像数据处理技术领域，包括步骤：根据不同场景下包含洪水区域的遥感图像构造数据集；构造一洪水遥感图像分割网络，包括ResNet18网络、Segformer网络、双路特征融合编码模块、DSCA注意力模块和解码器；用数据集训练洪水遥感图像分割网络至收敛，得到洪水遥感图像分割模型；获取待识别洪水区域的遥感图像，送入洪水遥感图像分割模型输出识别结果。本发明针对背景复杂、目标分布不均匀的洪水遥感图像，能够更好地理解其细节信息，避免遥感图像中洪水区域欠分割或过分割的问题，提高了洪水区域的分割精度。
-
公开(公告)号：CN117934473B
公开(公告)日：2024-05-28
申请号：CN202410332734.3
申请日：2024-03-22
Applicant: 成都信息工程大学
IPC: G06T7/00 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的公路隧道表观裂缝检测方法，属于图像数据处理技术领域，包括构造数据集；构造包含LKA层、SCA层的S‑LKA网络；选取一目标检测网络，用S‑LKA网络替换骨干网络中的C3模块，得到一基于S‑LKA注意力的目标检测网络，并用数据集训练得到目标识别模型；从公路和隧道表面获取待识别的裂缝图像，输入目标识别模型中进行目标识别。本发明在保持特征图分辨率并且提高感受野的同时，能够更好地适应背景复杂、干扰较多的裂缝对象，结合两种注意力机制可以有效解决复杂背景下道路裂缝难检测的问题，提高了道路裂缝检测精度。
-
公开(公告)号：CN117935060A
公开(公告)日：2024-04-26
申请号：CN202410323876.3
申请日：2024-03-21
Applicant: 成都信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/771 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的洪水区域检测方法，属于图像数据处理领域，包括构造数据集；构造洪水区域检测网络；用数据集训练洪水区域检测网络得到洪水区域检测模型，用于待识别的洪水图像中的洪水区域检测。本发明中针对洪水图像中洪水占比大、洪水边缘和淹没物场景复杂的问题，用残差图像金字塔模块对深层次特征中的感受野进行进一步扩大，使得模型注重于全局；多个浅层特征融合多输入坐标注意力机制，获得通道和两个空间方向的特征信息，使得模型注重于分割细节，由特征融合模块对获得的深层特征和浅层特征进行更好的特征选择与结合，将语义信息和空间方向相关的细节信息有效结合，能更好地分割洪水区域，在整体上提高分割精度。
-
公开(公告)号：CN117934473A
公开(公告)日：2024-04-26
申请号：CN202410332734.3
申请日：2024-03-22
Applicant: 成都信息工程大学
IPC: G06T7/00 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的公路隧道表观裂缝检测方法，属于图像数据处理技术领域，包括构造数据集；构造包含LKA层、SCA层的S‑LKA网络；选取一目标检测网络，用S‑LKA网络替换骨干网络中的C3模块，得到一基于S‑LKA注意力的目标检测网络，并用数据集训练得到目标识别模型；从公路和隧道表面获取待识别的裂缝图像，输入目标识别模型中进行目标识别。本发明在保持特征图分辨率并且提高感受野的同时，能够更好地适应背景复杂、干扰较多的裂缝对象，结合两种注意力机制可以有效解决复杂背景下道路裂缝难检测的问题，提高了道路裂缝检测精度。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.029 seconds)
