-
公开(公告)号：CN104964712A
公开(公告)日：2015-10-07
申请号：CN201510398948.1
申请日：2015-07-08
Applicant: 安徽大学
IPC: G01D21/02
Abstract: 本发明的一种架空输电线路张力放线智能监测通信系统，在各滑车和走板上安装有各类传感器以及数传电台。以相邻的几个杆塔作为一个局部区域，局部区域中的滑车之间以星型网络组网的方式实现通信，所有局部区域之间以总线拓扑网络的方式实现通信。智能走板在任何一个局部区域中的监测信息均可以多跳中继接力方式来传送到中心基站，中心基站根据接收到的各个传感器的检测数据，计算出走板在放线区段内所处的位置、高度、速度、姿态、子导线受力和放线滑车所受荷载等张力放线数据，实现架空输电线路张力放线系统的智能监测。
-
公开(公告)号：CN103940465A
公开(公告)日：2014-07-23
申请号：CN201410042668.2
申请日：2014-01-28
Applicant: 安徽大学 , 安徽朗坤物联网有限公司
Abstract: 本发明提供一种杂草信息采集方法与系统，其中，杂草信息采集方法包括：采用两个调查尺确定杂草采集面积；获取所述杂草采集面积内杂草的图像信息；确定所述杂草采集面积内杂草的基本信息，所述基本信息包括：杂草种类、杂草密度、杂草高度和采集点地理位置信息；将所述图像信息及基本信息上传至杂草信息采集服务器。本实施例提供的杂草信息采集方法与系统，通过利用两个调查尺确定杂草采集面积，利用图像采集装置获取采集面积内的杂草图像信息，从而确定杂草的基本信息，并将确定的杂草图像信息和基本信息上传至杂草信息采集服务器以使采集的杂草信息及时共享，杂草信息的采集过程简单，效率高。
-
公开(公告)号：CN103081887B
公开(公告)日：2014-07-02
申请号：CN201310038941.X
申请日：2013-01-31
Applicant: 安徽大学
Abstract: 本发明涉及农业信息技术领域，特别涉及一种大田作物病害立体信息获取装置及方法。该装置包括拱形架，其用于搭载信息获取探头；拱形架上设有弧形滑槽，信息获取探头可在滑槽内滑动；信息获取探头，用于采集作物病害区域光谱；推拉板，用于固定参照板，参照板对高光谱数据进行校正；地物光谱仪，用于采集病害作物立体维的高光谱信息；移动终端，用于数据收集与病害程度判断，提供最优喷药角度与喷药剂量；运输车，用于承载上述部件，且在田间行走。本发明实施例提供的大田作物病害立体信息获取装置及方法，通过面向大田变量喷药指导装置的开发和使用方法探索，提出喷药效果最大化的角度或角度组合，有效提高机械化施药和人工喷药的病害防控效率。
-
公开(公告)号：CN102878957A
公开(公告)日：2013-01-16
申请号：CN201210367345.1
申请日：2012-09-26
Applicant: 安徽大学
Abstract: 本发明涉及基于遥感影像优化PROSAIL模型参数的叶面积指数和叶绿素含量的反演方法，包括：下载遥感影像并对其进行预处理，得到多光谱冠层反射率数据；运用PROSAIL模型，根据不同的参数组合建立查找表，确定不同参数和冠层反射率的关系，即回归方程；建立目标函数，结合多光谱冠层反射率数据，优化参数，直至得到目标函数的全局最小值及对应的参数组合，并利用多光谱冠层反射率数据对参数进行更新；根据上述所得到的回归方程、多光谱冠层反射率数据及参数组合，反演得到叶面积指数和叶绿素含量。该方法对传统方法进行了由点及面的扩展，无需田间观测数据，有效降低了传统方法测量叶面积指数和叶绿素含量的成本，提高了反演精度和速度。
-
公开(公告)号：CN119417743B
公开(公告)日：2025-04-08
申请号：CN202510013130.7
申请日：2025-01-06
Applicant: 安徽大学
Abstract: 本发明涉及一种多尺度表征光学影像低频定位误差自适应补偿方法，与现有技术相比实现了从时间、组成等维度考虑对低频误差解耦表征，适应构建低频误差补偿模型。本发明包括以下步骤：多尺度表征光学影像低频定位误差自适应补偿准备工作；对光学影像低频定位误差进行多时间尺度表征；考虑动态、静态误差解耦的光学影像低频定位误差模型自适应构建；利用非共线控制点对补偿模型进行偏最小二乘求解与补偿参数应用。本发明采用变分模态分解方法将低频误差表征成周期项、趋势项以及噪声项，根据其组份间量级大小关系，自适应构建低频误差补偿模型。
-
Patent Agency Ranking
公开(公告)号：CN119206238B
公开(公告)日：2025-04-08
申请号：CN202411699456.1
申请日：2024-11-26
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/10 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0455 , G06N3/09 , G06N3/0895
Abstract: 本发明涉及一种基于循环双任务互惠学习的遥感多模态影像分割方法。本发明包括以下步骤：构建多模态遥感影像分割任务数据集和合成任务数据集；构建基于高光谱和激光雷达数据融合的分割网络；构建基于地物分类图和多光谱影像的高光谱合成网络；构建包括分割与合成的循环双任务互惠学习框架；训练基于循环双任务互惠学习的多模态影像分割网络及结果获取。与现有技术相比，本发明通过循环双任务互惠学习框架，使得分割网络与合成网络相互促进，有效提升了分割结果的细节保留及跨模态特征的一致性，并且增强了网络在模态缺失情况下的适应性，能够在信息不全和模态不对齐的情况下提供稳定的分割效果，适用于多源遥感数据融合处理及影像分割任务。
-
公开(公告)号：CN119206238A
公开(公告)日：2024-12-27
申请号：CN202411699456.1
申请日：2024-11-26
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/10 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0455 , G06N3/09 , G06N3/0895
Abstract: 本发明涉及一种基于循环双任务互惠学习的遥感多模态影像分割方法。本发明包括以下步骤：构建多模态遥感影像分割任务数据集和合成任务数据集；构建基于高光谱和激光雷达数据融合的分割网络；构建基于地物分类图和多光谱影像的高光谱合成网络；构建包括分割与合成的循环双任务互惠学习框架；训练基于循环双任务互惠学习的多模态影像分割网络及结果获取。与现有技术相比，本发明通过循环双任务互惠学习框架，使得分割网络与合成网络相互促进，有效提升了分割结果的细节保留及跨模态特征的一致性，并且增强了网络在模态缺失情况下的适应性，能够在信息不全和模态不对齐的情况下提供稳定的分割效果，适用于多源遥感数据融合处理及影像分割任务。
-
公开(公告)号：CN118396546A
公开(公告)日：2024-07-26
申请号：CN202410481748.1
申请日：2024-04-22
Applicant: 安徽大学
IPC: G06Q10/10 , G06Q10/0631 , G06Q10/0637 , G06Q50/26 , H04L67/1095
Abstract: 本发明涉及城市文明创建测评问题的管理、整改和跟踪的系统和方法领域，本发明公开了一种文明创建测评整改系统，包括前端界面、后端管理系统、移动端小程序以及数据库，前端界面提供多种列表内容展示和筛选导出功能，用户可以方便地查看和筛选相关信息，通过该界面，用户可以浏览测评计划、问题和整改任务等内容，并进行导出操作；本发明通过引入指标体系、评分标准和自动化数据处理等技术，本发明的文明创建测评整改系统能够实现快速、客观、全面的文明测评，并通过整改系统和管理系统实现对问题的及时跟进和记录，同时，移动应用程序的结合使得用户可以方便地随时随地进行测评填报和整改进展查看，提高了工作的灵活性和效率。
-
公开(公告)号：CN118172688A
公开(公告)日：2024-06-11
申请号：CN202410334921.5
申请日：2024-03-22
Applicant: 安徽大学
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06V10/80 , G06V10/774 , G06V10/26 , G06N3/0464
Abstract: 本发明涉及一种基于DeeplabV3+和Unet网络架构的无人机小麦倒伏影像分割方法，包括：利用无人机获取田间小麦种植区域的可见光遥感RGB影像进行预处理；基于DeeplabV3+与UNet结构网络构建小麦倒伏分割模型；将预处理后的无人机遥感RGB影像作为训练样本输入到小麦倒伏分割模型进行训练；获取待分割小麦倒伏区域影像，并进行预处理；将预处理后的待分割小麦倒伏区域影像输入小麦倒伏分割网络模型中，得到小麦作物倒伏区域图片的分割结果。本发明提高语义分割效果，有利于小麦倒伏分割提取任务；将主干特征提取网络各阶段输出结果与编码输出特征进行特征信息融合重建，逐步完善分割模型在不同尺度重建过程中的细节融合，从而提高小麦倒伏区域的分割精度。
-
公开(公告)号：CN117975278A
公开(公告)日：2024-05-03
申请号：CN202410232018.8
申请日：2024-03-01
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/20 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于改进YOLOv8模型的害虫检测识别方法，包括：获取病虫害数据并进行预处理，得到病虫害数据集；对YOLOv8模型进行改进，在YOLOv8模型的Neck层的拼接模块后加入空间注意力模块，将YOLOv8模型的主干网络中的一个卷积层替换为SwimTransformer模块，将YOLOv8模型的损失函数替换为SIoU，得到害虫检测识别模型；采用训练集对害虫检测识别模型进行训练；获取待识别的害虫图像，将待识别的害虫图像输入训练后的害虫检测识别模型，得到检测识别结果。为了提高对害虫检测识别的精度，本发明对原始的YOLOv8模型做出了以下改进，增强了对细粒度特征的提取，极大的提高了对害虫的检测识别精度。
-
-
-
-
-
-
-
-
-
Search Results
294
records
(took 0.077 seconds)
