-
公开(公告)号：CN118115883A
公开(公告)日：2024-05-31
申请号：CN202410512436.2
申请日：2024-04-26
Applicant: 安徽大学 , 国网安徽省电力有限公司宿州供电公司 , 安徽宏源电力设计咨询有限责任公司 , 广州南方测绘科技股份有限公司
Inventor： 胡洪 , 马晓双 , 宋洪珠 , 方飞 , 彭伟 , 张健 , 陈会周 , 刘立 , 王剑波 , 孙式想 , 黄战 , 毕杰昌 , 胡益明 , 魏国 , 王恒 , 高运动 , 汪本贵
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种输电线路沿线农作物种植区识别方法、装置及设备，涉及遥感技术领域，可解决输电线路设计不合理的鉴别效率低，成本高的技术问题。其中方法包括：获取包括农作物种植区的样本影像；根据所述样本影像训练初始农作物种植区识别模型，得到训练完成的农作物种植区识别模型；获取以输电线路分布位置为基础，预设范围内的输电线路沿线影像，根据所述农作物种植区识别模型，识别所述输电线路沿线影像中是否包括农作物种植区，若是，则确定所述输电线路沿线影像中的输电线路侵占基本农田。
-
公开(公告)号：CN118115883B
公开(公告)日：2024-09-03
申请号：CN202410512436.2
申请日：2024-04-26
Applicant: 国网安徽省电力有限公司宿州供电公司 , 安徽明生电力设计有限公司 , 安徽大学 , 广州南方测绘科技股份有限公司
Inventor： 胡洪 , 马晓双 , 宋洪珠 , 方飞 , 彭伟 , 张健 , 陈会周 , 刘立 , 王剑波 , 孙式想 , 黄战 , 毕杰昌 , 胡益明 , 魏国 , 王恒 , 高运动 , 汪本贵
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种输电线路沿线农作物种植区识别方法、装置及设备，涉及遥感技术领域，可解决输电线路设计不合理的鉴别效率低，成本高的技术问题。其中方法包括：获取包括农作物种植区的样本影像；根据所述样本影像训练初始农作物种植区识别模型，得到训练完成的农作物种植区识别模型；获取以输电线路分布位置为基础，预设范围内的输电线路沿线影像，根据所述农作物种植区识别模型，识别所述输电线路沿线影像中是否包括农作物种植区，若是，则确定所述输电线路沿线影像中的输电线路侵占基本农田。
-
公开(公告)号：CN115661661A
公开(公告)日：2023-01-31
申请号：CN202211398590.9
申请日：2022-11-09
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于水质遥感反演技术领域，具体涉及一种针对稀疏站点数据的叶绿素a浓度遥感反演方法，有效解决了叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局限；增加了稀疏站点数据的利用率，同时提高了叶绿素a浓度反演精度。本发明获取相同日期MSI‑MODIS数据对，经过预处理得到样本数据集；构建面向叶绿素a浓度反演的MSI和MODIS时空融合深度残差学习网络，从而获得所需时间具有MSI传感器空间分辨率的时序数据；在此基础上结合对应时序站点叶绿素a浓度观测数据，通过极限梯度提升树(XGBoost)的机器学习算法构建反演模型，实现了有限站点数据的叶绿素a浓度遥感反演。
-
公开(公告)号：CN108629119B
公开(公告)日：2022-04-05
申请号：CN201810432877.6
申请日：2018-05-08
Applicant: 安徽大学
IPC: G06F30/20 , G06F119/12
Abstract: 本发明涉及定量遥感产品处理技术领域，公开一种时序MODIS定量遥感产品时空修复及其批处理实现方法，通过将时序MODIS定量遥感产品时空修复流程化，实现MODIS定量遥感产品空值或低质量数据修复的批量处理，得到空间上连续的高质量MODIS定量遥感产品；而且批处理计算效率较高，易于实现，实用价值高，可用于MODIS定量遥感产品质量改善的业务化运行。
-
公开(公告)号：CN107644408A
公开(公告)日：2018-01-30
申请号：CN201710888640.4
申请日：2017-09-27
Applicant: 安徽大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于各项异性扩散的全极化雷达影像去噪方法，其特征在于，包括以下步骤：步骤一，计算原始含噪声雷达遥感影像中每个像元与其邻域像元的极化统计相似度，完成初始各项异性扩散去噪；步骤二，在每次迭代去噪开始前计算上次迭代所得影像每个像元与邻域像元新的极化相似度，并联合步骤一所得的极化相似度信息实现去噪；步骤三，步骤二持续进行，直到满足迭代终止条件完成去噪；本发明所述的全极化雷达影像去噪方法与现有方法相比优点在于：方法简便高效，既能显著去除噪声，也能有效保持影像的细节信息。
-
Patent Agency Ranking
公开(公告)号：CN116912709A
公开(公告)日：2023-10-20
申请号：CN202310901207.5
申请日：2023-07-21
Applicant: 机械工业勘察设计研究院有限公司 , 安徽大学
IPC: G06V20/13 , G06V20/10 , G06V10/82 , G06V10/74 , G06V10/764 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了基于多时相光学和极化雷达遥感影像水稻种植区识别方法，涉及农业遥感技术领域。本发明包括：S1.构建数据集、S2.数据预处理、S3.数据划分、S4.模型构建、S5.识别步骤、S6.再获取步骤、S7.模型迁移、S8.再识别步骤。本发明通过融合多时相多源的遥感影像信息，模型可以有效识别水稻种植区，与传统的监督分类方法和深度卷积神经网络语义分割算法相比，该模型在分类效果体现出明显的优势；并且，该模型也展现了不错的跨年度泛化性能，不仅在训练年份达到了高识别精度，在其他年份也获得了良好的解译结果，且分类图中的水稻种植田呈现连续分布态势，更符合实际情形。
-
公开(公告)号：CN112966779A
公开(公告)日：2021-06-15
申请号：CN202110335006.4
申请日：2021-03-29
Applicant: 安徽大学
Abstract: 本发明公开了雷达遥感图像处理技术领域的一种PolSAR影像半监督分类方法，在少量训练样本的基础上，利用Wishart分类器、SVM分类器和CV‑CNN模型对图像进行分类，分类结果再进行多数投票，产生强数据集和弱数据集；将强数据集作为伪标签，用CV‑CNN模型对弱数据集进行重新分类，为了充分利用强数据集，利用强数据集产生的伪标签对弱数据集重新分类三次；通过多数投票的方式对三种分类结果进行整合，最后将强数据集与重分类结果相结合，得到最终分类结果，本方法采用多数投票的方法扩充CV‑CNN模型的训练样本，进一步提高分类性能，同时充分利用各分类器各自的优势，在训练样本数量较少的情况下，提高分类的总体精度，该方法相对于传统的监督分类方法具有显著优越性。
-
-
公开(公告)号：CN118333854A
公开(公告)日：2024-07-12
申请号：CN202410250759.9
申请日：2024-03-05
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4007 , G06T3/4046 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种陆面数据同化系统地表温度数据超分辨率重建方法，本发明以较高分辨率的热红外遥感地表温度数据为参考，对较低分辨率的CLDAS‑V2.0地表温度数据进行超分辨率重建，针对地表温度数据的时空异质与高动态变化特征，一方面，构建以U‑Net网络结构为主体的超分辨率重建深度学习模型，嵌入注意力模块加强模型对局部细节的关注，并引入残差连接提高网络的训练效率和泛化能力；另一方面，筛选时空匹配的CLDAS‑V2.0地表温度数据和热红外地表温度数据分别作为输入和标签实施模型训练，将CLDAS‑V2.0地表温度数据的空间分辨率提高至热红外遥感尺度，本发明简单而有效地提高了CLDAS‑V2.0地表温度数据的空间分辨率，为更高分辨率热红外云下地表温度估算等研究奠定基础。
-
公开(公告)号：CN116794737A
公开(公告)日：2023-09-22
申请号：CN202310758397.X
申请日：2023-06-26
Applicant: 安徽大学
IPC: G01V3/38 , G06N3/045 , G06N3/0464 , G06N3/08 , G01V3/12
Abstract: 本发明属于遥感图像智能处理技术领域，具体涉及一种样本优化的被动微波数据无缝重建深度学习方法，本发明获取具有轨道间隙缺失的被动微波数据，充分利用轨道间隙的周期性和相邻时相空间互补性，通过小范围缺失样本对插值生成方法和单次循环掩膜策略进行样本优化，融合U‑net和Transformer构建多时相特征连接重建网络模型，实现无缝重建，得到分布连续、重建区域与原始区域无缝连接的遥感数据。本发明方法有效解决了现有深度学习重建方法在样本数量较少、样本特征不够丰富时，重建结果存在明显的“有缝”痕迹的局限；适用于所有具有轨道间隙的被动微波影像数据或定量参量数据重建，将为全球或区域尺度上被动微波数据的空间完整监测发挥重要作用。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.096 seconds)
