-
公开(公告)号：CN114519823A
公开(公告)日：2022-05-20
申请号：CN202111498150.6
申请日：2021-12-09
申请人： 国能生物发电集团有限公司 , 武汉大学
IPC分类号： G06V20/13 , G06V10/774 , G06V10/764 , G06K9/62
摘要： 本发明涉及一种利用Sentinel‑2时间序列影像数据的农作物制图方法。首先对研究区内的影像进行波段选取、云掩膜的预处理，接着按照玉米生长的物候学规律生成按玉米生长阶段合成的影像数据集，并计算归一化植被指数和归一化水分指数将其加入影像的波段中，然后创建研究区的样本点，与对应位置的影像数据集构成样本对，并使用随机森林算法对分类模型进行训练，最后利用训练好的分类模型得到研究区域玉米的分布图，并逐像元汇总统计得到研究区域玉米种植面积。本发明利用GoogleEarthEngine云平台实现了大数据量的存储与计算，设计分生长阶段进行中值合成的方法最大限度地减少了云污染带来的影响，最终实现快速对玉米的精细化制图与面积监测。
-
公开(公告)号：CN117470782A
公开(公告)日：2024-01-30
申请号：CN202311021718.4
申请日：2023-08-14
申请人： 武汉大学
摘要： 本发明公开了一种手持式农药残留检测仪、农药残留检测方法及系统，解决了农药残留检测门槛高、耗时费力的问题。本发明包括：手持式农药残留检测仪获取农作物高光谱影像；服务器对高光谱影像进行预处理，并基于混合Ghost模型进行农药残留检测，将农药残留检测结果发送到手持式农药残留检测仪。
-
公开(公告)号：CN117011707A
公开(公告)日：2023-11-07
申请号：CN202310884037.4
申请日：2023-07-18
申请人： 武汉大学
IPC分类号： G06V20/10 , G06N3/0464 , G06V10/82 , G06V10/764 , G06V10/77 , G06V10/40 , G06V10/774 , G06N3/048 , G01N21/25
摘要： 本发明公开了一种基于多尺度卷积神经网络农产品农药残留检测方法及系统，首先采集农产品高光谱影像；然后将高光谱影像输入多尺度卷积神经网络中进行农药残留的快速检测与分析；多尺度卷积神经网络包括空间注意力模块、特征提取模块、分类模块；空间注意力模块，包括全局最大池化层、全局平均池化层、连接层、降维卷积层、sigmoid激活函数层和乘运算层；特征提取模块包括4个多尺度卷积块，每个多尺度卷积块包括批量归一化层、多尺度卷积层与LeakyReLU激活函数层；分类器模块由一个全连接层和一个Softmax激活函数层组成。本发明能够实现农作物中农药残留的快速检测，对于保障食品安全和促进健康饮食具有重要意义。
-
公开(公告)号：CN116977877A
公开(公告)日：2023-10-31
申请号：CN202310892648.3
申请日：2023-07-18
申请人： 武汉大学
IPC分类号： G06V20/17 , G06V20/10 , G06V10/82 , G06N3/0464 , G06V10/40 , G06V10/764 , G06V10/774 , G06N3/084
摘要： 本发明公开了一种基于无人机高光谱技术的农药残留检测方法及系统，首先规划无人机飞行航线；然后无人机到达指定位置悬停后对待测作物进行高光谱成像，并进行数据预处理；最后利用轻量级全卷积神经网络进行农药残留检测；轻量级全卷积神经网络包括前处理模块、特征提取模块、分类模块；前处理模块包括串联设置的两个卷积层；特征提取模块包括串联设置的第一光谱注意力机制层、第一轻量级卷积层、第二光谱注意力机制层和第二轻量级卷积层；分类器模块由一个全连接层和一个Softmax激活函数组成，其中全连接层的输入通道数为特征维度，输出通道数为农药类别数。本发明能够实现农作物中农药残留的快速检测，对于保障食品安全和促进健康饮食具有重要意义。
-
公开(公告)号：CN116883857A
公开(公告)日：2023-10-13
申请号：CN202310765896.1
申请日：2023-06-26
申请人： 武汉大学
IPC分类号： G06V20/13 , G06T5/20 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明提供高光谱遥感影像解混方法及系统，能够有效提高高光谱遥感影像的解混效率和解混效果，方法包括：步骤1，获取训练样本；步骤2，首先构建Ghost模块，将3D卷积层分解成三个阶段的卷积操作，第一阶段采用普通卷积产生中间输出特征图；第二阶段对中间输出特征图的每个固有特征图进行廉价操作，以获取ghost特征图；第三阶段将中间输出特征图和ghost特征图进行联合；接着构建Ghost注意力模块，进而搭建Ghost注意力解混网络；步骤3，采用训练样本训练Ghost注意力解混网络；步骤4，获取待解混的高光谱影像；步骤5，采用训练好的Ghost注意力解混网络进行解混，得到高光谱遥感图像解混结果。
-
公开(公告)号：CN115131674A
公开(公告)日：2022-09-30
申请号：CN202210729041.9
申请日：2022-06-24
申请人： 武汉大学
摘要： 本发明提供一种基于深度低秩网络的多时相遥感影像云检测方法，利用多时相遥感影像的时空谱低秩的物理特性，以数据驱动的方式学习重建晴空无云背景特征，结合孪生差分、非局部注意力的思想分阶段构建特征提取网络，分别提取融合单景空谱特征与多时相差分特征，智能化实现多时相遥感影像云覆盖检测，并且成功克服现有基于深度学习的多时相云检测算法匮乏且可解释性弱的问题。本发明将深度低秩网络模型应用于多时相Landsat遥感影像云检测中，Landsat‑8遥感影像实验表明，相较于现有遥感影像云检测方法，基于深度低秩网络的多时相遥感影像云检测方法速度更快，精度更高，对于不同场景、不同云覆盖情况具备较强的稳定性。
-
公开(公告)号：CN111292266B
公开(公告)日：2022-07-05
申请号：CN202010075853.7
申请日：2020-01-22
申请人： 武汉大学
IPC分类号： G06T5/00
摘要： 本发明提供一种基于双低秩矩阵分解的GF‑5遥感影像混合噪声去除方法，通过利用无噪GF‑5遥感影像的低秩性质、GF‑5遥感影像每个波段上条带噪声的低秩结构和稀疏噪声的稀疏特性，建立基于双低秩矩阵分解的GF‑5遥感影像混合噪声去除模型，采用增广拉格朗日乘子法进行求解得到无噪GF‑5遥感影像。本发明将双低秩矩阵分解模型应用于GF‑5遥感影像混合噪声去除，较于目前的高光谱遥感影像混合噪声去除方法，本发明可以更有效的去除GF‑5遥感影像中的混合噪声，大幅提高GF‑5遥感影像的应用潜力。
-
公开(公告)号：CN113628289A
公开(公告)日：2021-11-09
申请号：CN202110823203.0
申请日：2021-07-21
申请人： 武汉大学
摘要： 本发明提供一种基于图卷积自编码器的高光谱影像非线性解混方法及系统，包括根据高光谱影像计算图结构信息；构建深度分解网络，将高光谱影像及图结构信息输入，根据损失函数训练网络，直至训练收敛或达到最大训练轮数；所述深度分解网络的编码器基于图卷积层对输入的原始影像进行降维，得到原始影像的低维特征表达，解码器由编码器得到的低维特征表达重建出原始的输入影像，包括分为线性和非线性两个部分来重建原始影像；训练后提取网络中相应的隐层表达和权重分别作为丰度和端元信息，实现混合像元分解。本发明通过深度学习实现线性混合模型到非线性混合模型的映射，挖掘影像非局部空间信息，增强网络的空间感知能力，提高分解精度。
-
公开(公告)号：CN103593853B
公开(公告)日：2016-05-11
申请号：CN201310628634.7
申请日：2013-11-29
申请人： 武汉大学
IPC分类号： G06T7/00
摘要： 本发明公开了一种基于联合稀疏表达的遥感影像多尺度面向对象分类方法，包括步骤：首先，挖掘遥感影像的空间特征，并结合光谱特征构造增广特征；其次，利用训练像素样本和增广特征构造过完备字典，采用过完备字典对初始分割的图斑进行联合稀疏表达；然后，基于联合稀疏表达对图斑进行均质性分析和重建效果分析；最后，根据均质性分析和重建效果分析结果判断图斑分割是否合理，对同时满足均质性水平和重建效果的图斑进行类别标识。本发明将分割和分类过程有机结合以获取合适的地物图斑进行分类，实现了遥感影像对象层面上的分类识别，能获取符合目视判读的分类结果，大大提高了遥感影像的解译精度，具有重大的应用价值。
-
公开(公告)号：CN114842047B
公开(公告)日：2024-07-30
申请号：CN202210318973.4
申请日：2022-03-29
申请人： 武汉大学
摘要： 本发明涉及一种基于运动先验的孪生网络卫星视频目标跟踪方法。本发明结合卫星视频目标运动特点的运动掩膜，并将其与光流引导的注意力机制结合，通过将目标深浅层特征融合，得到同时兼顾准确性和实时性的遥感目标跟踪器。本发明结合卫星视频目标在短时间内呈现直线匀速运动的特点，提出一种运动掩膜取代常用的汉宁窗，对目标的位置估计提供方向约束和速度约束。同时，为了进一步挖掘目标运动的时序信息，本发明将帧与帧之间的光流变化作为注意力加入网络，增加目标和背景的可分性，提升网络对运动目标的捕捉能力。此外，考虑卫星视频中目标尺寸特点，本发明采用深浅层特征融合的方式，一定程度上可以解决遥感目标尺寸较小的不足。
-
-
-
-
-
-
-
-
-
搜索结果
49 条记录 (耗时 0.059 秒)
