-
公开(公告)号:CN117011713B
公开(公告)日:2024-05-07
申请号:CN202310991849.9
申请日:2023-08-08
申请人: 中国水利水电科学研究院 , 宿迁市宿城区水利局
IPC分类号: G06V20/10 , G06V20/13 , G06V10/42 , G06V10/80 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
摘要: 本发明公开了一种基于卷积神经网络的田块信息提取方法,包括的步骤为:构建经过处理的原始多光谱卫星遥感影像数据集;数据增强;构建U2‑Net++卷积神经网络模型;设置参数;获取模型训练结果及数据集特征提取,最终得到田块信息提取结果。U2‑Net++卷积神经网络模型以U2‑Net及U‑Net++模型结构为基础框架,融合深度可分离式卷积与空间通道注意力机制构建。本发明的基于卷积神经网络的田块信息提取方法,能够在大规模、多时相的提取耕地范围,对耕地边界提取清晰,能有效提升耕地提取精度。
-
公开(公告)号:CN117011713A
公开(公告)日:2023-11-07
申请号:CN202310991849.9
申请日:2023-08-08
申请人: 中国水利水电科学研究院 , 宿迁市宿城区水利局
IPC分类号: G06V20/10 , G06V20/13 , G06V10/42 , G06V10/80 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
摘要: 本发明公开了一种基于卷积神经网络的田块信息提取方法,包括的步骤为:构建经过处理的原始多光谱卫星遥感影像数据集;数据增强;构建U2‑Net++卷积神经网络模型;设置参数;获取模型训练结果及数据集特征提取,最终得到田块信息提取结果。U2‑Net++卷积神经网络模型以U2‑Net及U‑Net++模型结构为基础框架,融合深度可分离式卷积与空间通道注意力机制构建。本发明的基于卷积神经网络的田块信息提取方法,能够在大规模、多时相的提取耕地范围,对耕地边界提取清晰,能有效提升耕地提取精度。
-
公开(公告)号:CN115950838B
公开(公告)日:2023-08-01
申请号:CN202211140492.5
申请日:2022-09-20
申请人: 中国水利水电科学研究院
摘要: 本发明提公开了一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法,包括以下步骤:1)通过无人机多载荷低空遥感技术获取的多光谱影像和地面实测叶绿素含量,并计算NDVI、SAVI和RENDVI植被指数;2)选取植被指数分别与实测叶绿素含量在不同生育期构建回归方程,并从中选择每个生育期中相关性最高的回归方程作为该生育期的最优模型方程;3)根据最优模型方程,来反演各个时期的叶绿素含量,并对不同干旱等级之间的叶绿素含量阈值进行率定;4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数,反演得到叶绿素含量,与阈值进行比对,判断实时旱情等级。本发明的方法用于夏玉米旱情监测判别精度高、速度快,具有通用性和实用性。
-
公开(公告)号:CN116124709A
公开(公告)日:2023-05-16
申请号:CN202211140557.6
申请日:2022-09-20
申请人: 中国水利水电科学研究院 , 渭南市东雷二期抽黄工程管理中心
IPC分类号: G01N21/27 , G01N21/55 , G06V20/17 , G06V20/10 , G06V10/26 , G06V10/28 , B64U20/87 , B64U101/31
摘要: 本发明公开了一种基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法,包括:1)通过无人机多载荷低空遥感技术获取多光谱影像和地面实测叶绿素相对含量(SPAD),计算植被指数NDVI、DVI、RVI、EVI、OSAVI和TCARI;2)计算的植被指数分别与实测叶绿素相对含量在不同生育期构建回归方程,并从中选择该生育期的最优模型方程;3)根据最优模型方程,反演各个生育时期的冬小麦叶绿素相对含量,并对不同干旱胁迫等级之间的叶绿素相对含量阈值进行率定;4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数,反演得到叶绿素相对含量值,与阈值进行比对,判断实时旱情等级。本发明的方法用于冬小麦旱情监测判别精度高、速度快,实用性强。
-
公开(公告)号:CN116124709B
公开(公告)日:2023-09-12
申请号:CN202211140557.6
申请日:2022-09-20
申请人: 中国水利水电科学研究院 , 渭南市东雷二期抽黄工程管理中心
IPC分类号: G01N21/27 , G01N21/55 , G06V20/17 , G06V20/10 , G06V10/26 , G06V10/28 , B64U20/87 , B64U101/31
摘要: 本发明公开了一种基于叶绿素相对含量的冬小麦旱情无人机监测判别方法,包括:1)通过无人机多载荷低空遥感技术获取多光谱影像和地面实测叶绿素相对含量(SPAD),计算植被指数NDVI、DVI、RVI、EVI、OSAVI和TCARI;2)计算的植被指数分别与实测叶绿素相对含量在不同生育期构建回归方程,并从中选择该生育期的最优模型方程;3)根据最优模型方程,反演各个生育时期的冬小麦叶绿素相对含量,并对不同干旱胁迫等级之间的叶绿素相对含量阈值进行率定;4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数,反演得到叶绿素相对含量值,与阈值进行比对,判断实时旱情等级。本发明的方法用于冬小麦旱情监测判别精度高、速度快,实用性强。
-
公开(公告)号:CN115855841B
公开(公告)日:2023-08-01
申请号:CN202211140498.2
申请日:2022-09-20
申请人: 中国水利水电科学研究院
IPC分类号: G01N21/27 , G06F17/11 , B64C39/02 , B64U20/80 , B64U20/87 , B64U101/40 , B64U101/31
摘要: 本发明提公开了一种基于叶面积指数的夏玉米旱情无人机快速监测判别方法,包括以下步骤:1)通过无人机多载荷低空遥感技术获取的多光谱影像和地面实测叶面指数(LAI),并计算NDVI、EVI、SAVI和TVI植被指数;2)选取植被指数分别与实测叶面积指数在不同生育期构建回归方程,并从中选择各生育期相关性最高的回归方程作为该生育期的LAI计算最优模型方程;3)根据最优模型方程,来反演各个时期的LAI,并对不同干旱等级之间的叶面积指数阈值进行率定;4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数,反演得到LAI值,与阈值进行比对,判断实时旱情等级。本发明的方法用于夏玉米旱情监测判别精度高、速度快,实用性强。
-
公开(公告)号:CN115855841A
公开(公告)日:2023-03-28
申请号:CN202211140498.2
申请日:2022-09-20
申请人: 中国水利水电科学研究院
IPC分类号: G01N21/27 , G06F17/11 , B64C39/02 , B64U20/80 , B64U20/87 , B64U101/40 , B64U101/31
摘要: 本发明提公开了一种基于叶面积指数的夏玉米旱情无人机快速监测判别方法,包括以下步骤:1)通过无人机多载荷低空遥感技术获取的多光谱影像和地面实测叶面指数(LAI),并计算NDVI、EVI、SAVI和TVI植被指数;2)选取植被指数分别与实测叶面积指数在不同生育期构建回归方程,并从中选择各生育期相关性最高的回归方程作为该生育期的LAI计算最优模型方程;3)根据最优模型方程,来反演各个时期的LAI,并对不同干旱等级之间的叶面积指数阈值进行率定;4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数,反演得到LAI值,与阈值进行比对,判断实时旱情等级。本发明的方法用于夏玉米旱情监测判别精度高、速度快,实用性强。
-
公开(公告)号:CN115950838A
公开(公告)日:2023-04-11
申请号:CN202211140492.5
申请日:2022-09-20
申请人: 中国水利水电科学研究院
摘要: 本发明提公开了一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法,包括以下步骤:1)通过无人机多载荷低空遥感技术获取的多光谱影像和地面实测叶绿素含量,并计算NDVI、SAVI和RENDVI植被指数;2)选取植被指数分别与实测叶绿素含量在不同生育期构建回归方程,并从中选择每个生育期中相关性最高的回归方程作为该生育期的最优模型方程;3)根据最优模型方程,来反演各个时期的叶绿素含量,并对不同干旱等级之间的叶绿素含量阈值进行率定;4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数,反演得到叶绿素含量,与阈值进行比对,判断实时旱情等级。本发明的方法用于夏玉米旱情监测判别精度高、速度快,具有通用性和实用性。
-
公开(公告)号:CN106954029A
公开(公告)日:2017-07-14
申请号:CN201710101195.2
申请日:2017-02-24
申请人: 中国水利水电科学研究院 , 中山大学
CPC分类号: H04N5/262 , G06T3/4038 , H04N5/265 , H04N7/18
摘要: 本申请公开一种全景视频拼接方法,其功耗低、占用资源少。该方法包括:(1)对系统进行初始化,系统使用同一配置线同时对多个摄像头的每个进行配置;(2)通过FPGA分时段分别读取每块摄像头的视频数据;(3)进行图像畸变校正;(4)通过FPGA进行图像配准拼接;(5)进行图像融合;(6)通过视频处理芯片,对视频数据进行压缩并通过WiFi将视频输出,以便在移动设备端查看。还提供了全景视频拼接系统。
-
-
-
-
-
-
-
-