公开(公告)号：CN119180984A

公开(公告)日：2024-12-24

申请号：CN202411206314.7

申请日：2024-08-29

Applicant: 哈尔滨理工大学

Inventor： 刘城洋 ,  王爱丽 ,  赵琳 ,  吴海滨 ,  闫思奇 ,  吕浩然 ,  刘鑫禹

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V20/10 ,  G06N3/0464

Abstract: 本发明提出了一种3DCNN结合MLP的标签含噪高光谱图像农作物分类方法，属于图像分类技术领域。首先，本发明通过3D卷积神经网络(3D Convolutional Neural Network,3DCNN)同时提取空间和光谱特征，充分利用高光谱图像的三维信息。然后，引入多层感知器(Multilayer Perceptron,MLP)进行分类决策，以充分发挥其在处理高维特征空间中的优势。为了进一步增强模型对噪声标签的鲁棒性，本发明在训练样本的同时引入了归一化交叉熵(Normalized Cross Entropy,NCE)和逆交叉熵(Reverse Cross Entropy,RCE)混合的损失函数，减少噪声样本对模型的干扰。综合利用3DCNN的强大特征提取能力和MLP的优秀分类性能，再结合混合损失函数，最后获取农作物类别。本发明通过充分利用3DCNN和MLP在高光谱图像分类中的特征提取与分类决策优势，结合RCE和NCE的混合损失函数，构建了对噪声标签具有鲁棒性且更加精准的分类模型。该创新性方法不仅显著提升了对高光谱图像中噪声标签的处理能力，还增强了模型对高维特征空间的理解与表征。在噪声标签的高光谱图像分类任务中，本发明展示出卓越的分类性能，对于提升高光谱图像农作物分类的准确性和鲁棒性具有重要的科学与实用价值。

公开(公告)号：CN119180983A

公开(公告)日：2024-12-24

申请号：CN202411206298.1

申请日：2024-08-29

Applicant: 哈尔滨理工大学

Inventor： 吴海滨 ,  刘城洋 ,  赵琳 ,  王爱丽 ,  孙晓明 ,  盖建新 ,  于双 ,  赵烟桥

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V20/10 ,  G06N3/0464 ,  G06N20/20

Abstract: 本发明提出基于XGBoost和域自适应的高光谱图像农作物跨场景分类方法，属于图像分类技术领域。首先，将不同场景的高光谱图像数据集输入深度嵌入模型，将高光谱数据嵌入低维空间以捕捉其内在结构和分布，使相似光谱的表示更加接近。然后，引入置信域自适应技术，通过判别器模型减少不同场景特征分布的差异，去除噪声样本，加强特征分布对齐。最后，本发明通过投票组合策略集成多个基分类器，减少单个分类器的偏差，提升泛化能力和鲁棒性。在Houston数据集上，该方法优于传统方法和主流域自适应模型，尤其在经济作物的Grass healthy和Grass stressed类别上效果显著提升。

公开(公告)号：CN117611908A

公开(公告)日：2024-02-27

申请号：CN202311643409.0

申请日：2023-12-02

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  李德飞 ,  吴海滨 ,  雷贵龙 ,  张康 ,  刘城洋

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/80 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明天空地一体化大场景高光谱遥感图像的农作物精准分类属于图像分类技术领域；在大场景下通过迁移学习的方法，学习源域数据和有标签的目标域数据，对无标签的目标域数据分类。大场景下高光谱遥感数据的农作物精准分类方法依次执行：先对数据集划分后，将训练集和测试集分别送入结合注意力机制改进的残差网络(ResNet Combined with Attention，RCA)和多尺度融合模块(Multi‑scale Block)进行浅层和深度特征提取；将提取的特征聚类映射后通过集成分类器和域鉴别器得到分类结果。本发明利用改进的残差网络和多尺度融合模块构成特征提取网络，并通过映射迭代，减少频谱偏移，提高了大场景下高光谱图像农作物分类的精度，为后续研究以及相关应用提供新的参考思路。

公开(公告)号：CN116012637A

公开(公告)日：2023-04-25

申请号：CN202211416606.4

申请日：2022-11-13

Applicant: 哈尔滨理工大学

Inventor： 吴海斌 ,  戴诗语 ,  王爱丽 ,  宋璎珞 ,  刘城洋

IPC: G06V10/764 ,  G06N3/0464 ,  G06N3/09 ,  G06V10/58 ,  G06V10/77 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明基于对比学习双编码器的高光谱和LiDAR联合分类属于图像分类技术领域；该方法依次执行以下步骤：步骤a、输入待分类的高光谱图像(HSI)和LiDAR的DSM数据；步骤b、对HSI和LiDAR数据进行patch提取，形成各自的训练、验证和测试样本；步骤c、用阶段性训练方式，对HSI、LiDAR编码器阶段性进行分类训练，得到预训练模型；步骤d、对HSI‑LiDAR联合分类器的编码器进行参数初始化，针对HSI‑LiDAR联合分类器的对比学习分支，进行对比学习。步骤e、对HSI‑LiDAR联合分类器进行联合分类训练，得到联合分类结果；本发明通过从不同传感器获取的图像数据中充分挖掘光谱空间特征及深度信息进行高光谱和LiDAR的联合分类，通过自监督对比学习，实现多传感器遥感数据优势互补，提高了分类精度。

公开(公告)号：CN216844041U

公开(公告)日：2022-06-28

申请号：CN202220331760.0

申请日：2022-02-18

Applicant: 哈尔滨理工大学

Inventor： 李美新 ,  王爱丽 ,  姜开元 ,  周华明 ,  刘城洋

IPC: F16M13/02 ,  F16M11/12 ,  F16M11/18 ,  H04N5/232

Abstract: 本实用新型涉及数字图像采集器技术领域，且公开了一种数字图像采集器支撑装置及其控制机构，所述的支撑装置包括控制机构，所述控制机构底部设置有固定机构；所述控制机构包括卡板，所述卡板内部螺纹连接有固定丝，所述卡板内部设置有U型槽，所述卡板底部固定连接有连接块，所述连接块另一端固定连接有转环，所述转环内部固定连接有电机。该数字图像采集器支撑装置，通过控制机构可以使数字图像采集器多自由转动，进行对事物的动态捕捉，通过U型槽和固定丝将采集器固定，通过驱动轴与转柱固定连接，电机可带动采集器进行前后转动，电动机通过转轴使采集器圆周转动，方便采集器对事物的灵活捕捉。