CN110084125A - 一种基于深度学习的农业保险查勘技术方法 - Google Patents
一种基于深度学习的农业保险查勘技术方法 Download PDFInfo
- Publication number
- CN110084125A CN110084125A CN201910244910.7A CN201910244910A CN110084125A CN 110084125 A CN110084125 A CN 110084125A CN 201910244910 A CN201910244910 A CN 201910244910A CN 110084125 A CN110084125 A CN 110084125A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- image
- model
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000474 nursing effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及农业保险技术领域，尤其涉及深度学习神经网络和卫星遥感空间大数据处理分析的一种基于深度学习模型的农业保险查勘验标技术方法，包括下述步骤：1）、研究区域的影像预分类；2）、样方的采集；3）、外业数据的预处理和可疑区域的复查；4)、对研究区域内的影像进行变换切割；5）、根据采集的样本对影像进行分类并验证精度；6）、对分类的影像进行裁剪并制作样本数据集；7）、将生成的样本数据和标签喂入改进后的U‑net模型；8）使用测试数据对训练好的模型进行评价；9）使用训练好的模型对其他区域及其他年份的数据进行分类。本发明提供的一种基于深度学习模型的农业保险查勘验标技术方法具有高效率、高精度和省时省人工的优点。
Description
技术领域
本发明涉及农业保险技术领域，尤其涉及深度学习神经网络和卫星遥感空间大数据的处理分析的一种基于深度学习模型的农业保险查勘验标技术方法。
背景技术
目前，农业保险主要包括精准承保、查勘定损和产量估计，而不论以上哪个技术流程，其最终都归结为农作物的分布这个基础层面上来，针对保险公司的查勘验标而言，如何做到精准高效是目前农业保险行业的一个瓶颈，很多传统的方法虽然可以在一定程度上解决了作物的半自动识别，但随着卫星数据源的增多和数据量的增大，传统的方法已无法满足从海量的数据中提取有用的信息并加以分析利用的新要求；
深度学习神经网络在图像中的应用为农业遥感的智能化处理带来了新的途径；现阶段，深度学习在医学影像上对疾病的识别以及在计算机视觉领域的人脸识别、在金融领域的手写数字识别等都取得了重大的突破，因此，将深度学习神经网络应用到卫星遥感影像地物提取上是一个可行的方案。
发明内容
本发明为解决现有的作物分布较散且地块信息不易获取的问题，而提供具有高精度、高效率的一种基于深度学习模型的农业保险查勘验标技术方法。
本发明采用的技术方案是：
一种基于深度学习模型的农业保险查勘验标技术方法，包括下述步骤：
1）、研究区域的影像预分类：先根据遥感影像上的特有光谱曲线特征对研究区域的作物进行主观性的预判分类，得出初步的分类结果，并对不确定的区域进行标注；
2）、样方的采集：对承包区域进行样方的采集，对区域进行标绘并进行现场拍照，现场拍照需要采集GPS位置信息，对步骤1)中的不确定区域进行现场查看和标签复验；
3）、外业数据的预处理和可疑区域的复查：从服务器后台导出外业采样的样本数据，对数据的坐标信息进行提取，并叠加到已有的卫星影像，将步骤2）中采集的样方也叠加到已有的卫星影像上，然后对数据进行属性标签的复查；
4)、对研究区域内的影像进行变换切割：将研究区域内的多波段影像进行PCA变换，然后制作成样本并切割成长宽3000像素大小的5-6块，块之间的重叠率不大于50%；
5）、根据采集的样本对影像进行分类并验证精度：从采集的样本数据中随机抽取60%作为ROI，根据ROI提取作物的光谱特征和空间特征，然后根据特征空间对切块后的卫星影像进行分类，从剩余40%中的样本中随机抽取20%的样本对分类的结果计算混淆矩阵，重复修正使其分类准确率能够达到95%以上，重复对每块数据进行相同的操作，即保证作物属性标签达到外业实地调查的正确性；
6）、对分类的影像进行裁剪并制作样本数据集：对分类前的原始影像数据和对应的分类后标签数据编写代码进行随机切分成256×256像素大小的20000个样本，并在切割的过程中为了保证样本更具有普遍性，对每个小块加入高斯噪声处理，并对影像进行2%线性拉伸进行增强亮度处理，同时，保证影像数据与标签数据的绝对一致性；
7）、将生成的样本数据和标签喂入改进后的U-net模型：将随机生成的样本的60%按照每批次16个进行分批训练模型，观察模型的训练精度和损失函数的误差变化，再使用20%的样本数据验证模型中的超参数，使其精度要求大于90%；
8）使用测试数据对训练好的模型进行评价：对步骤7）中训练好的数据模型，使用剩余的20%的数据集进行精度验证，若精度大于90%，满足精度要求，进行下一步操作，否则重复步骤7）和步骤8）过程；
9）使用训练好的模型对其他区域及其他年份的数据进行分类：其他区域的卫星影像数据进行分类，以验证模型在空间上的普适性，同时，通过对其他年份的数据进行分类，验证模型在时间跨度上的适用性，若精度要求大于90%，则满足精度要求，否则重复步骤7）、步骤8)和步骤9) 过程。
进一步的，所述步骤2）中的样方大小为50m×50m，采集的样方要均匀分布。
进一步的，所述步骤3）中的样本数据导出后，使用python语言编写代码对外业采集的照片坐标信息进行提取，生成shapefile文件，使用GIS软件叠加到已有的卫星影像上。
进一步的，所述步骤7）中的验证U-net模型超参数包括连续的修改批次和迭代次数以及优化函数、学习率。
进一步的，所述步骤4）中多波段影像是指三个或三个波段以上，将多波段影像经过PCA变换后，保留前三个主成分并去除噪声。
本发明的有益效果在于：
1、训练好的模型既可以对多年的影像直接进行分类，又可以很好的解决由于空间跨度上导致的作物光谱等特征的差异性问题；
2、效率得到了质的提升：传统的方法对一个省级区域的作物进行人工提取，7人团队需要至少1-2个月时间，使用深度学习模型，单人单机在一天时间即可完成，精度也远远超过了人工的目视解译精度；
3、完全解决了大面积区域监测遇到的特征无法复用的问题及深层特征无法人为无法有效挖掘的困难；
4、使用神经网络模型，完全颠覆了传统的遥感影像的分类体系，可以将其推广到多地物类别的分割中，扩展性更强，使得遥感在农业保险大面积普查中可以发挥更大的作用；
5、实现了样本的复用和特征的永久性使用，针对省区域内的一种作物只需要建立一套模型即可一直使用，解决了时相对分类的影响。
总之，本发明提供的一种基于深度学习模型的农业保险查勘验标技术方法具有高效率、高精度和省时省人工的优点。
附图说明
图1是本发明提供的一种基于深度学习模型的农业保险查勘验标技术方法的流程图；
图2是本发明实施例中的部分样本和标签示意图；
图3是本发明实施例中的模型分类的整体结果和部分放大示意图。
具体实施方式
本发明的核心是提供一种基于深度学习模型的农业保险查勘验标技术方法。
下面结合附图对本发明的内容作进一步说明：
一种基于深度学习模型的农业保险查勘验标技术方法，如图1所示，包括下述步骤：
1）对研究区域的影像预分类：先根据农作物在遥感影像上特有的光谱曲线特征，对研究区域的作物进行主观性的预判分类，得出初步的分类结果，针对分类过程中不太确定的区域进行标注，作为后期外业采样的一个重点验证区域；
2）样方的采集：协保人员对大面积的承保区域进行样方的采集（包括正样本和负样本，即目标作物和其他类别），50m×50m大小，对区域进行标绘并使用手机进行现场拍照，需要打开GPS位置信息以便收集位置信息，采集的样方要均匀且达到一定的密度，确保每25平方公里至少有1-2个样方，并对预分类中不确定的区域进行现场查看和标签复验；
3）外业数据的预处理和复查：将外业采样的样本数据从服务器后台导出，使用python语言编写代码对外业采集的照片坐标信息进行提取，生成shapefile文件，使用GIS（Geographic Information System，地理信息系统）软件叠加到已有的卫星影像上，此外，采集的样方也要叠加到影像上，对数据进行属性标签的复查；
4）对研究区域内的多波段影像（指三个波段以上）进行PCA（Principal ComponentAnalysis，主成分分析）变换，将变换得到的前三个主成分，进而去除噪声的同时，更好的保留了影像的信息且达到降维的目的；对经过PCA变换后的卫星影像进行切割：将用来制作样本的卫星影像切割成5-6块3000×3000大小，以便后期标签和数据的一一对应；
5）根据采集的样本对影像进行分类并验证精度：从采集的样本数据中随机抽取60%作为ROI（Region Of Interesting），根据ROI提取作物的光谱特征和空间特征，然后根据特征空间对切块后的卫星影像进行分类，从剩余40%中的样本中随机抽取20%的样本对分类的结果计算混淆矩阵，重复修正使其分类能够达到95%以上，重复对每块数据进行相同的操作，即，保证作物属性标签达到外业实地调查的正确性；
6）对分类的影像进行裁剪并制作样本数据集：对分类前的原始影像数据和对应的分类后标签数据编写代码进行随机切分成256 ×256 像素大小的20000个样本，如图2所示，并在切割的过程中为了保证样本更具有普遍性，对每个小块进行加噪声、增强亮度等处理，同时，要做到影像数据与标签数据的绝对一致性，n的取值可以根据模型的需求生成5000~50000范围内不同的样本数据集；
7）将生成的样本数据和标签喂入改进后的U-net模型：将随机生成的样本的70%按照每批次16个进行分批训练模型，观察模型的训练精度和损失函数的误差变化，经过不断的修改批次和迭代次数及优化函数、学习率等参数，最终模型的训练精度达到了94.3%；
8）使用测试数据对训练好的模型进行评价：对训练好的数据使用剩余的20%的数据集进行精度验证，精度达到了93.7%，满足精度要求；
9）使用训练好的模型对其他区域及其他年份的数据进行分类：省内其他区域的卫星影像数据进行分类，以验证模型在空间上的普适性，最终分类精度达到了92.5%，满足项目的需求；同时，通过对其他年份的数据进行分类，精度在91.8%，很好的验证了模型在时间跨度上的适用性；从图3中可以看出田间道路边界提取比较清晰，分类精度较高。
根据上述具体实施方式可见，本发明提供的一种基于深度学习模型的农业保险查勘验标技术方法具有高效率、高精度和省时省人工的优点。
Claims (5)
1.一种基于深度学习模型的农业保险查勘验标技术方法，其特征在于：具体步骤如下；
1）、研究区域的影像预分类：先根据遥感影像上的特有光谱曲线特征对研究区域的作物进行主观性的预判分类，得出初步的分类结果，并对不确定的区域进行标注；
2）、样方的采集：对承包区域进行样方的采集，对区域进行标绘并进行现场拍照，现场拍照需要采集GPS位置信息，对步骤1)中的不确定区域进行现场查看和标签复验；
3）、外业数据的预处理和可疑区域的复查：从服务器后台导出外业采样的样本数据，对数据的坐标信息进行提取，并叠加到已有的卫星影像，将步骤2）中采集的样方也叠加到已有的卫星影像上，然后对数据进行属性标签的复查；
4)、对研究区域内的影像进行变换切割：将研究区域内的多波段影像进行PCA变换，然后制作成样本并切割成长宽3000像素大小的5-6块，块之间的重叠率不大于50%；
5）、根据采集的样本对影像进行分类并验证精度：从采集的样本数据中随机抽取60%作为ROI，根据ROI提取作物的光谱特征和空间特征，然后根据特征空间对切块后的卫星影像进行分类，从剩余40%中的样本中随机抽取20%的样本对分类的结果计算混淆矩阵，重复修正使其分类准确率能够达到95%以上，重复对每块数据进行相同的操作，即保证作物属性标签达到外业实地调查的正确性；
6）、对分类的影像进行裁剪并制作样本数据集：对分类前的原始影像数据和对应的分类后标签数据编写代码进行随机切分成256×256像素大小的20000个样本，并在切割的过程中为了保证样本更具有普遍性，对每个小块加入高斯噪声处理，并对影像进行2%线性拉伸进行增强亮度处理，同时，保证影像数据与标签数据的绝对一致性；
7）、将生成的样本数据和标签喂入改进后的U-net模型：将随机生成的样本的60%按照每批次16个进行分批训练模型，观察模型的训练精度和损失函数的误差变化，再使用20%的样本数据验证模型中的超参数，使其精度要求大于90%；
8）使用测试数据对训练好的模型进行评价：对步骤7）中训练好的数据模型，使用剩余的20%的数据集进行精度验证，若精度大于90%，满足精度要求，进行下一步操作，否则重复步骤7）和步骤8）过程；
9）使用训练好的模型对其他区域及其他年份的数据进行分类：其他区域的卫星影像数据进行分类，以验证模型在空间上的普适性，同时，通过对其他年份的数据进行分类，验证模型在时间跨度上的适用性，若精度要求大于90%，则满足精度要求，否则重复步骤7）、步骤8)和步骤9) 过程。
2.根据权利要求1所述的一种基于深度学习模型的农业保险查勘验标技术方法，其特征在于：所述步骤2）中的样方大小为50m×50m，采集的样方要均匀分布。
3.根据权利要求1所述的一种基于深度学习模型的农业保险查勘验标技术方法，其特征在于：所述步骤3）中的样本数据导出后，使用python语言编写代码对外业采集的照片坐标信息进行提取，生成shapefile文件，使用GIS软件叠加到已有的卫星影像上。
4.根据权利要求1所述的一种基于深度学习模型的农业保险查勘验标技术方法，其特征在于：所述步骤7）中的验证U-net模型超参数包括连续的修改批次和迭代次数以及优化函数、学习率。
5.根据权利要求1所述的一种基于深度学习模型的农业保险查勘验标技术方法，其特征在于：所述步骤4）中多波段影像是指三个或三个波段以上，将多波段影像经过PCA变换后，保留前三个主成分并去除噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244910.7A CN110084125B (zh) | 2019-03-28 | 2019-03-28 | 一种基于深度学习的农业保险查勘技术方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244910.7A CN110084125B (zh) | 2019-03-28 | 2019-03-28 | 一种基于深度学习的农业保险查勘技术方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084125A true CN110084125A (zh) | 2019-08-02 |
| CN110084125B CN110084125B (zh) | 2023-05-26 |
Family
ID=67413777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910244910.7A Active CN110084125B (zh) | 2019-03-28 | 2019-03-28 | 一种基于深度学习的农业保险查勘技术方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084125B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464816A (zh) * | 2020-11-27 | 2021-03-09 | 南京特殊教育师范学院 | 基于二次迁移学习的地方手语识别方法、装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2305389C1 (ru) * | 2006-02-08 | 2007-09-10 | Государственное научное учреждение Всероссийский научно-исследовательский институт гидротехники и мелиорации им. А.Н. Костякова Российской академии сельскохозяйственных наук | Способ размещения контрольных делянок на учетной площади при определении урожайности сельскохозяйственных культур на полях круглой формы, орошаемых дождевальными машинами кругового действия |
| CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
-
2019
- 2019-03-28 CN CN201910244910.7A patent/CN110084125B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2305389C1 (ru) * | 2006-02-08 | 2007-09-10 | Государственное научное учреждение Всероссийский научно-исследовательский институт гидротехники и мелиорации им. А.Н. Костякова Российской академии сельскохозяйственных наук | Способ размещения контрольных делянок на учетной площади при определении урожайности сельскохозяйственных культур на полях круглой формы, орошаемых дождевальными машинами кругового действия |
| CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
Non-Patent Citations (1)
| Title |
|---|
| 祝晓坤: "基于深度学习的WorldView-3城市目标分类应用研究", 《测绘通报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464816A (zh) * | 2020-11-27 | 2021-03-09 | 南京特殊教育师范学院 | 基于二次迁移学习的地方手语识别方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084125B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Development of image recognition software based on artificial intelligence algorithm for the efficient sorting of apple fruit | |
| CN111742329A (zh) | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 | |
| CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
| CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
| CN105719188A (zh) | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
| CN113011350A (zh) | 一种地域图像的识别处理方法、装置及电子设备 | |
| CN107292314A (zh) | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 | |
| Li et al. | SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation | |
| CN117058446B (zh) | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 | |
| CN107730553A (zh) | 一种基于伪真值搜寻法的弱监督物体检测方法 | |
| CN113780200A (zh) | 基于计算机视觉的路面多种病害面积检测及定位方法 | |
| CN107704840A (zh) | 一种基于深度学习的遥感图像道路检测方法 | |
| CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
| CN104680185A (zh) | 基于边界点重分类的高光谱图像分类方法 | |
| CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
| CN113158891A (zh) | 一种基于全局特征匹配的跨摄像头行人重识别方法 | |
| Weaver et al. | From leaves to labels: Building modular machine learning networks for rapid herbarium specimen analysis with LeafMachine2 | |
| CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
| CN112906627B (zh) | 一种基于语义分割的青花椒识别方法 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN113077438B (zh) | 针对多细胞核彩色图像的细胞核区域提取方法及成像方法 | |
| CN110084125A (zh) | 一种基于深度学习的农业保险查勘技术方法 | |
| Helmholz et al. | Semi-automatic quality control of topographic data sets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230615 Address after: No. 61, Building 1, Yard 1, Chengbei Road, Zhengzhou City, Henan Province, 450000 Patentee after: Xu Bo Address before: 450000 building 7, jinkezhihuigu, 500m north of the intersection of Hongyuan road and Hongbao Road, Xingda road street, Jinshui District, Zhengzhou City, Henan Province Patentee before: Guozhi Heng Beidou Hao Nianjing Agricultural Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |