-
公开(公告)号：CN114581400A
公开(公告)日：2022-06-03
申请号：CN202210198698.7
申请日：2022-03-02
Applicant: 西南林业大学
Abstract: 本发明公开了一种基于时间序列遥感影像的茶园打顶时间检测方法，包括：获取茶园区域内Landsat‑8OLI与Sentinel‑2MSI卫星传感器的地表反射率数据；根据地表反射率数据构建时间分辨率为5天的时间序列遥感影像集；基于时间序列遥感影像集进行每个像元的NDVI、LSWI、EVI、RGRI指数的计算以及平滑；计算每个像元在时间序列遥感影像集上相邻时间的指数变化强度系数及NDVI、LSWI、EVI、RGRI指数的变化方向；基于时间序列遥感影像集，获取像元上NDVI、LSWI、EVI指数变化方向为下降同时RGRI指数变化方向为上升且指数变化强度系数最大处的相应时间，即为茶园打顶时间，完成茶园打顶时间检测。本发明利用茶园在时间序列遥感影像上的时序特征，快速检测茶园的打顶时间，方法简单，结果准确。
-
公开(公告)号：CN118396887A
公开(公告)日：2024-07-26
申请号：CN202410213529.5
申请日：2024-02-27
Applicant: 西南林业大学
Abstract: 本发明涉及一种基于pix2pix着色概念的全色锐化方法，属于遥感影像融合领域。本发明包括S1：对图像进行色彩空间转换以及对比度受限的直方图均衡化；S2：将所述步骤S1中的原始多光谱图像以及最后得到的预上色图像作为配对训练数据输入pix2pix模型中进行训练，训练过程中，使用频谱绝对差异损失函数作为条件损失；S3：pix2pix模型训练后进行测试，输出全色锐化图像。本发明通过对图像进行色彩空间转换以及对比度受限的直方图均衡化，保证模型能够学习到准确的色彩映射关系，使模型输出的图像与原图之间具有更高的色彩相似性；通过从频域角度定义条件损失，使模型更加关注图像的结构和纹理，具有更强的鲁棒性。
-
公开(公告)号：CN119445158A
公开(公告)日：2025-02-14
申请号：CN202411537354.X
申请日：2024-10-31
Applicant: 西南林业大学
IPC: G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/0442
Abstract: 本发明公开了小体积害虫自动检测方法及系统，涉及害虫自动检测技术领域，采集虫害监测区域内的环境条件数据，由传感器网络进行虫害数据采集；使用训练后的虫害目标检测模型识别虫害图像中的昆虫种类及位置信息；由小体积昆虫的虫害特征对昆虫种类进行验证，依据目标虫害的位置信息及时间节点计算区域内的昆虫密集度，昆虫密集度超过预期时，使用训练后的虫害暴发预测模型预测虫害数量，若预测结果超过预期，由报警数据构建警戒值，在警戒值超过警戒阈值时，并由小体积虫害治理知识图谱输出虫害应急处理方案。在若干种不同特征的相互配合及验证的基础上，在对小体积昆虫进行检测和识别时提高检测的可靠性。
-
公开(公告)号：CN119273994A
公开(公告)日：2025-01-07
申请号：CN202411493850.X
申请日：2024-10-24
Applicant: 西南林业大学
IPC: G06V10/764 , G06V20/10 , G06V10/42 , G06V10/44 , G06V10/58 , G06V10/77 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本申请公开了基于光谱深度提取卷积神经网络SDA‑CNN的树种分类方法及其系统，可以克服高光谱影像中的光谱信息的利用效率较低以及无法有效地提取每个光谱通道的有效特征，导致树种分类性能被限制的技术缺陷，最终提升树种分类性能以及分类准确性。树种分类方法包括：使用高光谱森林影像数据构建的深度学习样本集，对光谱深度提取卷积神经网络SDA‑CNN模型进行模型训练以及树种分类，在SDA‑CNN模型中采用包括二维卷积和逐深度卷积的混合神经网络模块，并新增设置有领域像素感知模块，使得二维卷积用于提取图像的全局空间信息以生成全局特征；逐深度卷积用于在每个光谱通道上独立执行卷积操作而不在各光谱通道间共享权重以提取各光谱通道间的相关性信息，领域像素感知模块用于提取邻近像素中包含的目标像素周围的环境信息。
-
Patent Agency Ranking
公开(公告)号：CN119992330A
公开(公告)日：2025-05-13
申请号：CN202510079654.6
申请日：2025-01-18
Applicant: 西南林业大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0985 , G06N3/084
Abstract: 本发明公开了一种动态上下文聚合的建筑物遥感影像变化检测方法，属于图像检测领域；所述方法包括：构建数据集并进行样本划分；构建DCA‑NET网络模型；对构建后的网络模型进行参数调整；将划分后的数据集输入模型进行检测，得到变化结果；对变化结果进行定量评估。本发明通过引入动态上下文注意力机制，模型能够更好地整合局部和全局信息，从而提高对目标变化区域的检测能力；相较于传统技术中未充分考虑邻域特征相互关系以及标准卷积运算局限于固定局部感受野的问题，本发明可以灵活调整卷积核的形状和尺寸，提高模型在大尺度全局结构与小尺度细节特征的捕捉能力。
-
公开(公告)号：CN119540556A
公开(公告)日：2025-02-28
申请号：CN202411680712.2
申请日：2024-11-22
Applicant: 西南林业大学
IPC: G06V10/26 , G06V20/13 , G06V10/764 , G06V10/82 , G06T3/4038 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本申请公开了一种动态蛛网和损失函数协作的深度分层多语义数据处理方法，能够有效地恢复图像的空间分辨率和细节信息，提高分割结果的精度和鲁棒性。该方法包括：通过多尺度残差块捕捉不同尺度的特征信息，并采用蛛网结构表示语义类别之间潜在的层次依赖关系，通过矩阵形式化关联权重；通过边缘增强模块对细节部分的边缘信息进行提起并强化，提升对目标边界的识别能力；通过ASPP模块中不同大小的空洞卷积核，捕捉不同尺度的全局上下文信息，提升模型的全局特征能力；采用多尺度残差块对特征图进行逐层恢复空间分辨率提取特征信息，并通过注意力门与来自编码器的边缘特征拼接；使用定义动态调整后的优化损失函数协同调节蛛网损失。
-
公开(公告)号：CN118396887B
公开(公告)日：2024-11-29
申请号：CN202410213529.5
申请日：2024-02-27
Applicant: 西南林业大学
Abstract: 本发明涉及一种基于pix2pix着色概念的全色锐化方法，属于遥感影像融合领域。本发明包括S1：对图像进行色彩空间转换以及对比度受限的直方图均衡化；S2：将所述步骤S1中的原始多光谱图像以及最后得到的预上色图像作为配对训练数据输入pix2pix模型中进行训练，训练过程中，使用频谱绝对差异损失函数作为条件损失；S3：pix2pix模型训练后进行测试，输出全色锐化图像。本发明通过对图像进行色彩空间转换以及对比度受限的直方图均衡化，保证模型能够学习到准确的色彩映射关系，使模型输出的图像与原图之间具有更高的色彩相似性；通过从频域角度定义条件损失，使模型更加关注图像的结构和纹理，具有更强的鲁棒性。
-
公开(公告)号：CN119516262A
公开(公告)日：2025-02-25
申请号：CN202411562216.7
申请日：2024-11-05
Applicant: 西南林业大学
IPC: G06V10/764 , G06V10/774 , G06V20/70 , G06V10/82 , G06V10/80 , G10L15/16
Abstract: 本发明公开了基于数据分类的害虫识别系统及方法，涉及害虫识别技术领域，使用训练好的虫害分类模型进行识别和分类，构建虫害识别数据集合，若识别出的虫害危害程度超过预期，采集虫害暴发数据，使用训练好的虫害暴发因素识别模型对松林区域内的虫害暴发进行诱因分析，由虫害暴发数据生成虫害值，在虫害值超过虫害阈值时，依据诱因特征与种植处理方案间的对应性，由种植处理方案库输出种植处理方案；在对松林区域内松林种植状态的调整未取到预期效果时，由虫害应急处理知识图谱输出相应的虫害处理方案。通过构建多级报警机制以及多级应急处理机制，在已经存在虫害暴发时，在不同层次实现虫害处理，降低虫害影响。
-
公开(公告)号：CN117078938A
公开(公告)日：2023-11-17
申请号：CN202311109465.6
申请日：2023-08-30
Applicant: 西南林业大学
IPC: G06V10/26 , G06V20/10 , G06V20/70 , G06V10/764 , G06V10/84
Abstract: 本申请公开了一种基于马尔可夫随机场的遥感图像语义分割方法，包括以下步骤：步骤S1：利用MS算法生成图像Y的过度分割区域集R＝{R1,R2,…,Rn}，基于R建立区域邻接图；步骤S2：由SVM分类器得到k类的高语义初始分类结果和类条件概率，由经典的像素级MRF方法得到k1类的低语义初始分类结果；步骤S3：根据SVM分类结果和经典MRF方法的分类结果初始化MRF‑MSSP的标签Xl和#imgabs0#并计算标签#imgabs1#的类条件概率；步骤S4：设置步长t＝0，基于#imgabs2#和#imgabs3#更新#imgabs4#基于#imgabs5#和#imgabs6#更新#imgabs7#步骤S5：判断：如果X(t+1)≠X(t)或者X1(t+1)≠X1(t)，返回步骤S4，设置步长t＝t+1继续迭代，直到X(t+1)＝X(t)和X1(t+1)＝X1(t)时，输出分割结果。该方法可以自动地提取遥感图像的分层语义信息来指导语义分割，并且通过光谱抑制性函数极大地保留图像边界信息。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
