-
公开(公告)号：CN116935238B
公开(公告)日：2024-02-23
申请号：CN202310826794.6
申请日：2023-07-07
IPC分类号： G06V20/13 , G06V10/82 , G06N3/04 , G06V10/774 , G06V20/10
摘要： 本发明公开一种深度学习的森林扰动监测方法、系统、设备及介质，涉及森林监测领域，该方法包括：对待监测区域的历史遥感影像进行特征提取获得遥感特征集；遥感特征集中包括历史遥感影像中各像元的特征；基于遥感特征集构建随机森林模型，并基于基尼系数法确定遥感特征集中各特征的重要性；根据各特征的重要性从多个特征中筛选出优选特征；基于历史遥感影像和优选特征构建数据集，数据集中每个样本包括输入数据和标签数据，输入数据为遥感影像样本中各像元的各优选特征，标签数据为各像元真实地表数据；根据数据集训练深度学习网络，将训练好的深度学习网络作为森林扰动监测模型。本发(56)对比文件CN 113705454 A,2021.11.26刘代超.基于GF-6WFV数据的林地非林地快速提取技术研究《.中国优秀硕士学位论文全文数据库基础科学辑》.2021,(2021年第01期),A008-342.王宁 等.森林扰动遥感影像检测方法研究进展《.世界林业研究》.2022,第35卷(第04期),40-46.Chen zou 等.Early identification ofCotton fields based on GF-6 images inArid and semiarid regions(China)《.remotesensing》.2023,第15卷(第5326期),1-16.Jinxi Yao 等.The classificationmethod study of Crops remote sensing withdeep learning, machine learning, andGoogle earth engine《.remote sensing》.2022,第14卷(第2758期),1-22.
-
公开(公告)号：CN117011699A
公开(公告)日：2023-11-07
申请号：CN202310760237.9
申请日：2023-06-25
IPC分类号： G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/048 , G06N3/094
摘要： 本发明公开了一种基于GAN模型的高分辨率遥感图像农作物识别模型和识别方法，应用于遥感图像识别技术领域，构建的改进DeepLab V3+模型能在高分辨率遥感小麦和油菜识别中具有较高的识别精度，但是需要大量逐像元标注的样本支持，进一步，构建判别网络使用SegNet网络的前三个模块和后三个模块；同时保留原始判别网络的Leakey ReLU激活函数；因此，本文提出了一种基于生成对抗网络的半监督语义分割模型，通过分割网络和判别网络的对抗过程达到减少样本的需求。使模型在提高农作物识别精度的同时，减少对标签样本的需求。
-
公开(公告)号：CN116935238A
公开(公告)日：2023-10-24
申请号：CN202310826794.6
申请日：2023-07-07
IPC分类号： G06V20/13 , G06V10/82 , G06N3/04 , G06V10/774 , G06V20/10
摘要： 本发明公开一种深度学习的森林扰动监测方法、系统、设备及介质，涉及森林监测领域，该方法包括：对待监测区域的历史遥感影像进行特征提取获得遥感特征集；遥感特征集中包括历史遥感影像中各像元的特征；基于遥感特征集构建随机森林模型，并基于基尼系数法确定遥感特征集中各特征的重要性；根据各特征的重要性从多个特征中筛选出优选特征；基于历史遥感影像和优选特征构建数据集，数据集中每个样本包括输入数据和标签数据，输入数据为遥感影像样本中各像元的各优选特征，标签数据为各像元真实地表数据；根据数据集训练深度学习网络，将训练好的深度学习网络作为森林扰动监测模型。本发明实现了大范围、精细化且准确的森林扰动实时监测。
-
公开(公告)号：CN115862010A
公开(公告)日：2023-03-28
申请号：CN202211102819.X
申请日：2022-09-09
IPC分类号： G06V20/70 , G06V20/13 , G06V20/10 , G06V10/774 , G06V10/764 , G06V10/26 , G06T7/136 , G06T7/11
摘要： 本发明公开了一种基于语义分割模型的高分遥感影像水体提取方法，涉及遥感影像技术领域，包括以下步骤：获取遥感影像数据；对遥感影像数据进行水体光谱特征提取；将水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集；构建改进的DeepLabV3+网络模型；根据水体样本数据集对改进的DeepLabV3+网络模型进行语义分割训练，对改进的DeepLabV3+网络模型中的参数进行调整，得到最优DeepLabV3+网络模型；通过最优DeepLabV3+网络模型对水体信息进行提取。本发明首次提出了联合GF‑3SAR影像和GF‑6光学遥感影像，制作水体样本数据集，并通过替换改进的骨干网络、损失函数类型及设置不同的学习率值，实现DeepLabV3+网络的改进及优化，对于复杂背景下水环境问题研究提供了强有力的技术支持。
-
公开(公告)号：CN117475316A
公开(公告)日：2024-01-30
申请号：CN202311399452.7
申请日：2023-10-26
IPC分类号： G06V20/13 , G06V20/10 , G06V10/26 , G06V10/54 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开一种棉花早期种植区域识别方法、系统、电子设备及存储介质，涉及棉田识别领域，方法包括：首先获取待识别区域的高分6号卫星数据(6月中、下旬)，并根据待识别区域的高分6号卫星数据建立三个特征集，即光谱特征集、纹理特征集和指数特征集，然后利用棉花早期种植区域识别模型，确定待识别区域的棉花种植区域。其中的棉花种植区域识别模型是利用训练数据集对改进的DeepLab V3+模型进行训练得到的；改进的DeepLab V3+模型将DeepLab V3+模型的骨干网络Xception网络替换为MobileNetV2网络，并在ASPP模块和上采样层分别添加DAM模块。本发明提高了对棉花早期种植区域识别的准确性。
-
公开(公告)号：CN117197648A
公开(公告)日：2023-12-08
申请号：CN202310760251.9
申请日：2023-06-25
IPC分类号： G06V20/10 , G06V10/77 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种改进DeepLabV3+农作物遥感识别模型及农作物遥感识别方法，应用于遥感图像识别技术领域，包括：输入层、编码层、解码层和输出层；所述输入层输入归一化遥感图像和植被指数；所述编码层提取输入影像的多尺度的深层语义特征图、第一浅层语义特征图和第二浅层特征图；所述解码层将所述深层语义特征和所述第一浅层语义特征进行合并，并进行上层采样，同时融合所述第二浅层特征图，得到融合特征图；对所述融合特征图进行尺寸调整，通过所述输出层输出。本发明使模型在高分辨率遥感小麦和油菜识别中具有更高的识别精度，识别结果更加满足精准农业的需求。
-
公开(公告)号：CN115862010B
公开(公告)日：2023-09-05
申请号：CN202211102819.X
申请日：2022-09-09
IPC分类号： G06V20/70 , G06V20/13 , G06V20/10 , G06V10/774 , G06V10/764 , G06V10/26 , G06T7/136 , G06T7/11
摘要： 本发明公开了一种基于语义分割模型的高分遥感影像水体提取方法，涉及遥感影像技术领域，包括以下步骤：获取遥感影像数据；对遥感影像数据进行水体光谱特征提取；将水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集；构建改进的DeepLabV3+网络模型；根据水体样本数据集对改进的DeepLabV3+网络模型进行语义分割训练，对改进的DeepLabV3+网络模型中的参数进行调整，得到最优DeepLabV3+网络模型；通过最优DeepLabV3+网络模型对水体信息进行提取。本发明首次提出了联合GF‑3SAR影像和GF‑6光学遥感影像，制作水体样本数据集，并通过替换改进的骨干网络、损失函数类型及设置不同的学习率值，实现DeepLabV3+网络的改进及优化，对于复杂背景下水环境问题研究提供了强有力的技术支持。
-
公开(公告)号：CN113936204B
公开(公告)日：2023-04-07
申请号：CN202111386889.8
申请日：2021-11-22
申请人： 安徽师范大学
IPC分类号： G06V20/13 , G06V10/26 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开一种融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置，包括如下步骤：S1、将高分辨率遥感影像输入DeepLabv3+语义分割神经网络模型中，将遥感影像对应位置的地形数据输入地形特征提取网络模型；S2、地形特征提取网络模型提取的地形特征输出至DeepLab v3+语义分割神经网络模型，与DeepLab v3+语义分割神经网络模型中的深层特征进行融合；S3、DeepLab v3+语义分割神经网络模型输出高分辨率遥感影像中的云像元和雪像元。通过地形特征提取网络融入地形特征，并在DeepLab v3+语义分割神经网络模型中引入通道注意力模块，在针对山区云雪识别的应用中，可以提高模型云雪识别精度，减少云雪互相误分的情况，同时降低了模型预测的时间。
-
公开(公告)号：CN115618174B
公开(公告)日：2023-06-13
申请号：CN202211304708.7
申请日：2022-10-24
申请人： 安徽师范大学
发明人： 汪左
IPC分类号： G06F17/15
摘要： 本发明公开一种基于像元尺度地表粗糙度谱参数的土壤湿度反演方法，包括如下步骤：构建基于粗糙度谱参数p的vv极化后向散射分量与土壤湿度Mv、组合粗糙度Zs的关系模型Ⅰ；构建基于像元入射角θ的vh极化后向散射分量与土壤湿度Mv、组合粗糙度Zs的关系模型Ⅱ；构建基于vv极化后向散射分量vh极化后向散射分量及像元入射角θ的粗糙度谱参数p的反演模型；将雷达观测的土壤面散射分量及对应的像元入射角θ输入关系模型Ⅰ、关系模型Ⅱ及粗糙度谱参数p的反演模型，反演出像元对应位置的土壤湿度。基于像元尺度的粗糙度谱参数p来进行土壤湿度的反演，充分考虑了粗糙度谱参数p的空间异质性及入射角影响，进而提高了土壤湿度反演模型的精度及适应度。
-
公开(公告)号：CN115618174A
公开(公告)日：2023-01-17
申请号：CN202211304708.7
申请日：2022-10-24
申请人： 安徽师范大学
发明人： 汪左
IPC分类号： G06F17/15
摘要： 本发明公开一种基于像元尺度地表粗糙度谱参数的土壤湿度反演方法，包括如下步骤：构建基于粗糙度谱参数p的vv极化后向散射分量与土壤湿度Mv、组合粗糙度Zs的关系模型Ⅰ；构建基于像元入射角θ的vh极化后向散射分量与土壤湿度Mv、组合粗糙度Zs的关系模型Ⅱ；构建基于vv极化后向散射分量vh极化后向散射分量及像元入射角θ的粗糙度谱参数p的反演模型；将雷达观测的土壤面散射分量及对应的像元入射角θ输入关系模型Ⅰ、关系模型Ⅱ及粗糙度谱参数p的反演模型，反演出像元对应位置的土壤湿度。基于像元尺度的粗糙度谱参数p来进行土壤湿度的反演，充分考虑了粗糙度谱参数p的空间异质性及入射角影响，进而提高了土壤湿度反演模型的精度及适应度。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.029 秒)
