-
公开(公告)号：CN117975004B
公开(公告)日：2024-11-22
申请号：CN202410104596.3
申请日：2024-01-25
Applicant: 扬州大学
Abstract: 本发明提供了一种基于编码器‑解码器架构结合带状池化模块和ASPP模块的田埂分割方法，属于图像分割与农业领域。本技术方案的主要特点包括：采集农田田埂影像，并利用标注工具制作田埂数据集；将田埂数据集传入分割模型中训练；训练完毕可以直接对农田影像进行田埂分割，输出为模型预测的田埂及背景信息。所述模型整体上采用编码器‑解码器架构，通过编码器下采样逐层提取特征，将编码器最深层特征图传入空洞卷积ASPP模块中，捕获不同感受野信息，在解码器中使用带状池化模块加强特征提取，并逐层上采样恢复分割结果至原分辨率大小，最终实现基于编码器‑解码器架构的对农田田埂的分割方法。
-
公开(公告)号：CN116740406A
公开(公告)日：2023-09-12
申请号：CN202310326221.7
申请日：2023-03-29
Applicant: 扬州大学
IPC: G06V10/764 , G06V10/77 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于3D Octave卷积结合ViT的高光谱图像分类方法，属于图像分类领域，包括3D Octave卷积模块、空间注意力模块和ViT模块，首先对高光谱图像(HSI)进行光谱降维，预处理后的HSI经过Octave卷积模块、空间注意力模块和ViT模块可以实现对HSI中的每个像素分类；Octave模块通过在不同频率分量间建立频间交换和频内更新机制减少特征图空间信息冗余；空间注意力模块能够自适应的选择空间区域，强调空间中的重要像素从而建立起不同地物的空间相关性；ViT模块提取特征图的全局信息，进一步优化光谱特征和空间特征，最后对每个类别进行预测分类。本发明可以减少光谱‑空间信息冗余和计算成本，更有效的提取空谱特征，提高HSI分类精度。
-
公开(公告)号：CN113221749A
公开(公告)日：2021-08-06
申请号：CN202110522015.4
申请日：2021-05-13
Applicant: 扬州大学
Abstract: 本发明公开了一种基于图像处理与深度学习的作物病害遥感监测方法，包括以下步骤：S1）获取作物的遥感图片；S2）将作物的遥感图片输入训练好的基于Keras和TensorFlow框架的YOLOv3深度学习网络，得到识别结果，实现作物病害遥感监测，本发明实现作物病害遥感监测；具有识别速度快，准确率高，效率高，对养殖户的主管依赖性低等优点，与基于特征提取算法的分级检测相互配合，既充分发挥了深度学习监测效果的稳定性、灵活性，也体现了传统图像处理算法的高精度、数据标注简便高效的优势，避免了神经网络前期需要先采集成千上万张实物图片，并进行人工标注，然后才能训练神经网络进行应用的耗时耗力过程。
-
公开(公告)号：CN103942459A
公开(公告)日：2014-07-23
申请号：CN201410201645.1
申请日：2014-05-13
Applicant: 扬州大学
Abstract: 本发明属于农业技术领域，涉及一种遥感监测小麦叶面积指数的方法。该方法包括：(1)获取训练样本数据：以试验样点小麦生育期实测LAI数据为基础，同步获取该区域的遥感数据，分析植被指数与LAI的相关性,筛选出极显著相关的植被指数作为训练模型的输入参数；(2)以极显著相关的植被指数为输入参数，LAI值为目标值，利用训练样本训练基于径向基与多项式核混合的MK-SVR，得到每个生育期的MK-SVR-LAI模型；(3)选定检验样本，利用步骤(2)建立的模型反演小麦LAI，实现遥感监测小麦叶面积指数。本发明为提高遥感反演小麦LAI精度提供了一种新方法，近而为小麦不同长势参数遥感监测提供理论和技术上的支持。
-
公开(公告)号：CN118115846B
公开(公告)日：2025-03-25
申请号：CN202410189131.2
申请日：2024-02-20
Applicant: 扬州大学
IPC: G06V10/80 , G06V10/82 , G06V10/52 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06V20/10
Abstract: 本发明公开了一种基于局部‑全局特征融合的田间麦穗计数方法。该方法首先收集麦穗RGB图像数据，统一大小，并使用点标注对麦穗数据集预处理建立标签，构建训练数据集；然后将训练数据集输入到模型中训练，学习小麦图像的麦穗特征并进行计数。计数模型使用CSPDarknet53提取图像的局部特征，并在特征提取过程中添加具有自注意力机制的Pyramid Pooling Transformer提取全局上下文信息，通过融合局部特征和全局上下文信息，提高麦穗计数的准确率，能够有效的适用于实际的田间麦穗计数。
-
Patent Agency Ranking
公开(公告)号：CN118010648A
公开(公告)日：2024-05-10
申请号：CN202410271406.7
申请日：2024-03-11
Applicant: 扬州大学
Abstract: 本发明公开了一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，包括：步骤1，获取多光谱无人机遥感影像并采集稻麦农学参数，建立氮营养光谱诊断模型；步骤2，基于干物质量的临界氮浓度稀释模型计算得到稻麦的地上部临界氮浓度，进一步得到临界吸氮量；基于氮营养光谱诊断模型计算稻麦地上部实际吸氮量；基于临界吸氮量、实际吸氮量得到稻麦相应时期的推荐追氮量。本发明通过多光谱无人机对稻麦生长进行影像获取，建立氮营养参数动态诊断模型，根据临界氮浓度稀释模型实现氮素营养快速诊断并生成施肥处方图，根据计算出的推荐施氮量指导农用无人机精准施肥，在保证稻麦稳产的前提下，减少化肥和人力的投入，具有良好的应用前景。
-
公开(公告)号：CN108492296B
公开(公告)日：2022-06-14
申请号：CN201810293533.1
申请日：2018-04-04
Applicant: 扬州大学
IPC: G06T7/00 , G06T7/11 , G06T7/194 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于超像素分割的小麦麦穗智能计数系统及方法，系统包括超像素分割模块、特征数据集形成模块、分类识别模块、形态学处理区域划分模块和计数统计模块，所述超像素分割模块，用于对小麦麦穗数码照片，根据像素点颜色、亮度特性划分为多个像素区域，对每个像素区域加注标号，形成加注标号图像，且该加注标号图像包含多个特征属性的结构体。本发明通过超像素对小麦麦穗数码照片进行麦穗分割，较好地保留了麦穗的边缘信息，通过区域划分和重叠区处理，能够简单快捷准确的实现麦穗的计数统计，更便于小麦产量的估测，方法构思新颖巧妙，实现便捷，具有良好的应用前景。
-
公开(公告)号：CN108492296A
公开(公告)日：2018-09-04
申请号：CN201810293533.1
申请日：2018-04-04
Applicant: 扬州大学
Abstract: 本发明公开了一种基于超像素分割的小麦麦穗智能计数系统及方法，系统包括超像素分割模块、特征数据集形成模块、分类识别模块、形态学处理区域划分模块和计数统计模块，所述超像素分割模块，用于对小麦麦穗数码照片，根据像素点颜色、亮度特性划分为多个像素区域，对每个像素区域加注标号，形成加注标号图像，且该加注标号图像包含多个特征属性的结构体。本发明通过超像素对小麦麦穗数码照片进行麦穗分割，较好地保留了麦穗的边缘信息，通过区域划分和重叠区处理，能够简单快捷准确的实现麦穗的计数统计，更便于小麦产量的估测，方法构思新颖巧妙，实现便捷，具有良好的应用前景。
-
公开(公告)号：CN118010648B
公开(公告)日：2024-12-13
申请号：CN202410271406.7
申请日：2024-03-11
Applicant: 扬州大学
Abstract: 本发明公开了一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，包括：步骤1，获取多光谱无人机遥感影像并采集稻麦农学参数，建立氮营养光谱诊断模型；步骤2，基于干物质量的临界氮浓度稀释模型计算得到稻麦的地上部临界氮浓度，进一步得到临界吸氮量；基于氮营养光谱诊断模型计算稻麦地上部实际吸氮量；基于临界吸氮量、实际吸氮量得到稻麦相应时期的推荐追氮量。本发明通过多光谱无人机对稻麦生长进行影像获取，建立氮营养参数动态诊断模型，根据临界氮浓度稀释模型实现氮素营养快速诊断并生成施肥处方图，根据计算出的推荐施氮量指导农用无人机精准施肥，在保证稻麦稳产的前提下，减少化肥和人力的投入，具有良好的应用前景。
-
公开(公告)号：CN118115846A
公开(公告)日：2024-05-31
申请号：CN202410189131.2
申请日：2024-02-20
Applicant: 扬州大学
IPC: G06V10/80 , G06V10/82 , G06V10/52 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06V20/10
Abstract: 本发明公开了一种基于局部‑全局特征融合的田间麦穗计数方法。该方法首先收集麦穗RGB图像数据，统一大小，并使用点标注对麦穗数据集预处理建立标签，构建训练数据集；然后将训练数据集输入到模型中训练，学习小麦图像的麦穗特征并进行计数。计数模型使用CSPDarknet53提取图像的局部特征，并在特征提取过程中添加具有自注意力机制的Pyramid Pooling Transformer提取全局上下文信息，通过融合局部特征和全局上下文信息，提高麦穗计数的准确率，能够有效的适用于实际的田间麦穗计数。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.019 seconds)
