-
公开(公告)号：CN113537310B
公开(公告)日：2024-02-23
申请号：CN202110734522.4
申请日：2021-06-30
Applicant: 杭州电子科技大学
IPC: G06F18/2113 , G06F18/214
Abstract: 本发明公开了一种基于连续小波投影的光谱信息挖掘方法。具体包括对光谱数据集进行小波分解，将小波系数矩阵按照分解尺度展开，然后在二维平面依次拼接形成二维小波系数矩阵，基于投影运算进行特征组合，得到特征链矩阵，再对特征链矩阵进行敏感性分析，对敏感性矩阵的每一列元素求均值，将最大的均值对应列的小波系数作为特征组合，输入分类模型中选取最优的特征组合数及对应特征组合成员。本方法提出的以特征敏感性排序为选择依据，保证排列靠前的特征既有高敏感性又有强互补性，因此在前段能够得到数量少且组合优的特征。最终使用较少量的特征达到较高的模型精度，解决传统的光谱信息挖掘方法所选特征集难以做到敏感性与特征间互补性的统一。
-
公开(公告)号：CN110211147B
公开(公告)日：2021-01-05
申请号：CN201910445932.X
申请日：2019-05-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于成像高光谱分析的水稻纹枯病病斑提取方法。传统的病害表型测量与调查主要依靠人工，劳动量大，效率低。本发明的步骤如下：1、用成像光谱仪拍摄目标作物，得到成像高光谱数据。2、去除步骤1所得成像高光谱数据中的非植物背景。3、在666nm和494nm波段反射率下对步骤2所得的成像高光谱数据中的水稻叶片茎杆与异常区域进行分类。4、基于病斑扫描的非病斑异常区域去除。本发明独创的图像识别方法，能够识别对茎杆上的纹枯病病斑，克服了现有技术中仅能高效提取叶部病斑的缺陷。本发明能够对图像中的病斑和枯叶进行区别，以达到较高的识别精度。
-
公开(公告)号：CN110390028A
公开(公告)日：2019-10-29
申请号：CN201910304011.1
申请日：2019-04-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种植物光谱库的建立方法。本发明采用标准化的数据采集方法收集数据，提出一套完整齐备的光谱特征提取方法、特征敏感性分析方法、模型建立方法并进行植物分类和状态监测，其中提出波段自适应聚类法可有效去除相邻或相近波段中的信息冗余，有效提高数据使用效率。基于上述方法，建立植物光谱光谱库，并为之提供一套完整光谱分析和应用的方法。
-
公开(公告)号：CN110146451A
公开(公告)日：2019-08-20
申请号：CN201910339056.2
申请日：2019-04-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于高光谱分析的麦草畏除草剂对作物伤害的评价方法。将麦草畏除草剂误喷至某些无麦草畏抗性的作物上，则会给作物造成严重伤害。本发明的具体步骤如下：一、麦草畏作物伤害模拟试验。二、麦草畏伤害的可恢复性评价。三、可恢复情况下的损伤程度的评估。四、评价种植有目标作物的被测农田的农药喷洒情况。本发明利用高光谱技术对作物光谱进行了提取和分析处理，利用可恢复性指数HDNI作为标准对除草剂伤害的可恢复性情况进行评价。本发明在可恢复的情况下，结合敏感特征集和作物株高对损伤程度进行了评估。对麦草畏伤害的可恢复性和程度的有效评价对农田杂草管理和在早期采取补救措施均具有重要意义。
-
公开(公告)号：CN116579495A
公开(公告)日：2023-08-11
申请号：CN202310606767.8
申请日：2023-05-25
Applicant: 杭州电子科技大学
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/02 , G06F18/214 , G06N3/126
Abstract: 本发明公开了众源植保数据驱动的水稻纹枯病时空动态预测方法；其过程如下：一、构建模型数据集。二、构建以气象数据和生育期数据为输入，病害动态发展曲线为输出的水稻纹枯病动态预测模型。三、针对验证辅助数据集计算不同区域的历史病害动态发展曲线的病害曲线下面积。计算所得的多个病害曲线下面积的平均值，记为历年病害AUDPC平均值。四、以病害曲线下面积的偏差可接受率为精度评价指标，对步骤二构建的水稻纹枯病动态预测模型进行模型标定。五、利用经过步骤四训练的水稻纹枯病动态预测模型对研究区域的水稻纹枯病进行预测，得到预测的病害动态发展曲线。
-
Patent Agency Ranking
公开(公告)号：CN113537310A
公开(公告)日：2021-10-22
申请号：CN202110734522.4
申请日：2021-06-30
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于连续小波投影的光谱信息挖掘方法。具体包括对光谱数据集进行小波分解，将小波系数矩阵按照分解尺度展开，然后在二维平面依次拼接形成二维小波系数矩阵，基于投影运算进行特征组合，得到特征链矩阵，再对特征链矩阵进行敏感性分析，对敏感性矩阵的每一列元素求均值，将最大的均值对应列的小波系数作为特征组合，输入分类模型中选取最优的特征组合数及对应特征组合成员。本方法提出的以特征敏感性排序为选择依据，保证排列靠前的特征既有高敏感性又有强互补性，因此在前段能够得到数量少且组合优的特征。最终使用较少量的特征达到较高的模型精度，解决传统的光谱信息挖掘方法所选特征集难以做到敏感性与特征间互补性的统一。
-
公开(公告)号：CN110070004B
公开(公告)日：2021-07-20
申请号：CN201910261685.8
申请日：2019-04-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种应用于深度学习的近地高光谱数据扩展方法。本发明采用现有技术获取近地高光谱数据以及为了后续深度学习所需的其他匹配信息数据；对近地高光谱原始数据进行光谱模拟，具体可以采用光照扰动和添加噪声两种方法，从而扩展近地高光谱的数据量；最后通过对原始数据先增加一系列一定范围内的光谱扰动，再基于这些数据添加基于原始数据获取的噪声。本发明中创新性的采用光照扰动和噪声添加两步对近地原始高光谱数据进行了光谱模拟，实现了近地高光谱数据的扩充，有效的增加了光谱数据量，可以有效的提高近地高光谱数据在深度学习应用中的模型精度，从而为深度学习在近地高光谱中的应用提供理论基础。
-
公开(公告)号：CN110211147A
公开(公告)日：2019-09-06
申请号：CN201910445932.X
申请日：2019-05-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于成像高光谱分析的水稻纹枯病病斑提取方法。传统的病害表型测量与调查主要依靠人工，劳动量大，效率低。本发明的步骤如下：1、用成像光谱仪拍摄目标作物，得到成像高光谱数据。2、去除步骤1所得成像高光谱数据中的非植物背景。3、在666nm和494nm波段反射率下对步骤2所得的成像高光谱数据中的水稻叶片茎杆与异常区域进行分类。4、基于病斑扫描的非病斑异常区域去除。本发明独创的图像识别方法，能够识别对茎杆上的纹枯病病斑，克服了现有技术中仅能高效提取叶部病斑的缺陷。本发明能够对图像中的病斑和枯叶进行区别，以达到较高的识别精度。
-
公开(公告)号：CN110390028B
公开(公告)日：2021-08-10
申请号：CN201910304011.1
申请日：2019-04-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种植物光谱库的建立方法。本发明采用标准化的数据采集方法收集数据，提出一套完整齐备的光谱特征提取方法、特征敏感性分析方法、模型建立方法并进行植物分类和状态监测，其中提出波段自适应聚类法可有效去除相邻或相近波段中的信息冗余，有效提高数据使用效率。基于上述方法，建立植物光谱光谱库，并为之提供一套完整光谱分析和应用的方法。
-
公开(公告)号：CN110070004A
公开(公告)日：2019-07-30
申请号：CN201910261685.8
申请日：2019-04-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种应用于深度学习的近地高光谱数据扩展方法。本发明采用现有技术获取近地高光谱数据以及为了后续深度学习所需的其他匹配信息数据；对近地高光谱原始数据进行光谱模拟，具体可以采用光照扰动和添加噪声两种方法，从而扩展近地高光谱的数据量；最后通过对原始数据先增加一系列一定范围内的光谱扰动，再基于这些数据添加基于原始数据获取的噪声。本发明中创新性的采用光照扰动和噪声添加两步对近地原始高光谱数据进行了光谱模拟，实现了近地高光谱数据的扩充，有效的增加了光谱数据量，可以有效的提高近地高光谱数据在深度学习应用中的模型精度，从而为深度学习在近地高光谱中的应用提供理论基础。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
