CN110751639A - 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 - Google Patents
一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 Download PDFInfo
- Publication number
- CN110751639A CN110751639A CN201910983753.1A CN201910983753A CN110751639A CN 110751639 A CN110751639 A CN 110751639A CN 201910983753 A CN201910983753 A CN 201910983753A CN 110751639 A CN110751639 A CN 110751639A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- disaster
- lodging
- assessment
- 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.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 42
- 235000009566 rice Nutrition 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 41
- 238000005520 cutting process Methods 0.000 claims abstract description 18
- 238000012790 confirmation Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 238000013500 data storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法,属于水稻倒伏定损领域,本发明提供了一种能够能够匹配农户信息、定量定损、实操性强、自动化程度高的基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法。本发明中,快拼软件用于对无人机影像进行快速拼接;影像数据加载模块用于加载拼接后的完整无人机影像,多边形绘制模块用于根据农户信息,在拼接后的影像上绘制权利地块,裁剪模块用于依据绘制的多边形进行剪裁,灾情识别模块根据深度学习算法分割出受灾区域,灾情统计模块用于统计受灾比例;确认单输出模块用于输出受灾评估定损报告。本发明主要用于水稻倒伏的评估定损。
Description
技术领域
本发明属于水稻倒伏定损领域,具体涉及一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法。
背景技术
农作物倒伏在农业生产中是造成产量减少、农作物质量降低的主要原因,目前对于农作物倒伏定损的研究较少。在公开号为CN108169138A的专利文献中记载了一种基于无人机对倒伏灾害遥感定损的方法,其采用热红外图像,利用颜色特征、纹理特征、温度特征构建倒伏区域的判别模型,识别倒伏区域和非倒伏区域。这种方法由于采用热红外影像,要求无人机采集数据时的航高不能过高,对航拍的影像要求较高,给实地作业带来了很大的不便,而且文献中只提出了一种识别方法,没有形成一整套的全流程的系统,受干扰因素过多,极大地限制了方法的应用场景,且该方法分析过程十分复杂,受控因素过多,难以实际操作,对定损带来很多障碍。
因此,就需要一种能够匹配农户信息、定量定损、实操性强、自动化程度高的基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法。
发明内容
本发明针对现有的定损方法不能自动匹配农户信息、不能定量定损、实操性差、自动化程度低的缺陷,提供了一种能够能够匹配农户信息、定量定损、实操性强、自动化程度高的基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法。
本发明所涉及的一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法的技术方案如下:
本发明所涉及的一种基于深度学习的水稻倒伏智能评估定损系统,它包括影像快拼模块、影像编辑模块、灾情处理模块和确认单输出模块,所述影像快拼模块包括快拼软件,所述快拼软件用于对无人机影像进行快速拼接,形成完整倒伏影像;所述影像编辑功能模块包括影像数据加载模块、多边形绘制模块、边缘清除模块、裁剪模块和影像数据存储模块,所述影像数据加载模块用于加载拼接后的完整倒伏影像,所述多边形绘制模块用于根据农户信息在拼接后的倒伏影像上绘制权利地块边界,所述边缘清除模块用于清除绘制的权利地块边界以外的图像,所述裁剪模块用于将清除边缘后的倒伏影像依据预设农户地块标准进行剪裁,所述影像数据存储模块用于将剪裁后的倒伏影像进行储存;所述灾情处理模块包括灾情识别模块和灾情统计模块,所述灾情识别模块用于对剪裁后得到的权利地块区域影像进行识别,识别出权利地块区域内的水稻倒伏区域;所述灾情统计模块用于根据灾情识别的受灾影像与原始影像比对,统计受灾比例;所述确认单输出模块用于根据农户信息与受灾影像匹配,进而输出受灾评估定损报告。
进一步地:所述快拼软件具体是软件Pix4DMapper。
一种基于所述的基于深度学习的水稻倒伏智能评估定损系统的评估定损方法,它包括以下步骤:
步骤一、获取无人机影像;
步骤二、所述快拼软件对有重叠度的无人机遥感序列影像进行快速拼接,形成包含农户全体地块信息的完整倒伏影像;
步骤三、所述影像数据加载模块加载拼接后的完整倒伏影像,所述多边形绘制模块用于根据所述完整倒伏影像绘制边缘,所述边缘清除模块清除绘制的边缘与所述完整倒伏影像不吻合的线条,所述裁剪模块将清除边缘后的倒伏影像依据预设农户地块标准进行剪裁,所述影像数据存储模块将剪裁后的倒伏影像进行储存;
步骤四、所述灾情识别模块对剪裁后得到的权利地块区域影像进行识别,识别出权利地块区域内的水稻倒伏区域;
步骤五、所述灾情统计模块将筛选后的受灾影像与农户进行匹配,并将受灾影像与倒伏影像比对,统计受灾比例;
步骤六、所述确认单输出模块根据农户信息与受灾影像匹配,进而输出受灾评估定损报告。
进一步地:在步骤四中,将所述剪裁后的倒伏影像传给灾情识别模块,所述灾情识别模块根据送入影像的大小进行分块,分为固定大小的子块,分别把每一个子块送入卷积神经网络模型中对水稻倒伏区域进行识别预测,规定预测结果中的第一像素区域代表倒伏区域,规定第二像素区域代表其他区域。
进一步地:在步骤五中,根据受灾影像边缘区域的像素值自动去除影像中存留的黑色边缘后统计受灾面积比例。
进一步地:在步骤六中,所述受灾评估定损报告包括农户信息、受灾面积和受灾影像。
本发明所涉及的一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法的有益效果是:
本发明所涉及的一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法,操作便捷,系统完善,结构简单明了,且对于无人机航拍的影像没有过高的要求,只要清楚即可,且能够将倒伏情况与农户信息结合,生成的受灾评估定损报告无需进一步分析,直接即可定性和定量分析受灾情况,实操性强,不易受到操作人员的干扰,不会因为无人机行高不能够达到要求而影响分析结果。
附图说明
图1为一种基于深度学习的水稻倒伏智能评估定损系统的功能模块示意图;
图2为图1中水稻倒伏的评估定损方法的工作流程图。
具体实施方式
下面结合实施例对本发明的技术方案做进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
实施例1
结合图1和图2说明本实施例,在本实施例中,本实施例所涉及的一种基于深度学习的水稻倒伏智能评估定损系统,它包括影像快拼模块、影像编辑模块、灾情处理模块和确认单输出模块,所述影像快拼功能模块是通过调用快拼软件实现无人机影像的快速拼接;所述影像快拼模块包括快拼软件,所述快拼软件用于对无人机影像进行快速拼接,形成完整倒伏影像;所述影像编辑功能模块包括影像数据加载模块、多边形绘制模块、边缘清除模块、裁剪模块和影像数据存储模块,可以实现农户地块的精确划定;所述影像数据加载模块用于加载拼接后的完整倒伏影像,所述多边形绘制模块用于根据农户信息在拼接后的倒伏影像上绘制权利地块边界,所述边缘清除模块用于清除绘制的权利地块边界以外的图像,所述裁剪模块用于将清除边缘后的倒伏影像依据预设农户地块标准进行剪裁,所述影像数据存储模块用于将剪裁后的倒伏影像进行储存;所述灾情处理模块包括灾情识别模块和灾情统计模块,所述灾情识别模块用于对剪裁后得到的权利地块区域影像进行识别,根据预设灾情阈值筛选受灾影像,识别出权利地块区域内的水稻倒伏区域;所述灾情统计模块用于根据灾情识别的受灾影像与原始影像比对,统计受灾比例;所述确认单输出模块用于根据农户信息与受灾影像匹配,进而输出受灾评估定损报告。所述快拼软件具体是软件Pix4DMapper。
实施例2
结合实施例1说明本实施例,在本实施例中,本实施例所涉及的一种基于所述的基于深度学习的水稻倒伏智能评估定损系统的评估定损方法,它包括以下步骤:
步骤一、获取无人机影像;
步骤二、所述快拼软件对有重叠度的无人机遥感序列影像进行快速拼接,调用无人机影像快拼软件,无人机飞行结束后获得具有一定重叠度的无人机遥感序列影像,根据序列影像的重叠区域进行快速拼接,获得一幅包含农户全体地块的整幅影像;
步骤三、所述影像数据加载模块加载拼接后的完整倒伏影像,所述多边形绘制模块用于根据所述完整倒伏影像绘制边缘,所述边缘清除模块清除绘制的边缘与所述完整倒伏影像不吻合的线条,所述裁剪模块将清除边缘后的倒伏影像依据预设农户地块标准进行剪裁,所述影像数据存储模块将剪裁后的倒伏影像进行储存;
步骤四、所述灾情识别模块对剪裁后得到的权利地块区域影像进行识别,识别出权利地块区域内的水稻倒伏区域;将所述剪裁后的倒伏影像传给灾情识别模块,所述灾情识别模块自动识别水稻倒伏的受灾区域,根据送入影像的大小进行分块,分为固定大小的子块,分别把每一个子块送入卷积神经网络模型中对水稻倒伏区域进行识别预测,规定预测结果中的第一像素区域代表倒伏区域,规定第二像素区域代表其他区域;并生成水稻受灾图;将上一步保存的农户权利地块影像传给灾情识别模块,功能模块根据送入影像的大小进行分块,分为固定大小的子块,分别把每一个子块送入卷积神经网络模型中对水稻倒伏区域进行识别预测,预测结果像素(255,0,0)红色区域代表倒伏区域,像素(0,0,0)黑色区域代表其他区域;全部子块预测完毕后,采用叠加策略避免子块拼接过程中产生缝隙;
步骤五、所述灾情统计模块将筛选后的受灾影像与农户进行匹配,并将受灾影像与倒伏影像比对,统计受灾比例;根据受灾影像边缘区域的像素值自动去除影像中存留的黑色边缘后统计受灾面积比例;根据步骤四获得的水稻受灾图,自动统计水稻受灾面积比例;根据步骤三和步骤四中截取的农户权利地块影像和水稻受灾影像,由于截取的影像可能存在不规则形状,保存的是以多边形的外接矩形,边缘处存在多余的黑边;统计时,根据影像边缘区域的像素值,自动去除影像中存留的黑色边缘,统计受灾面积比例;
步骤六、所述确认单输出模块根据农户信息与受灾影像匹配,进而输出受灾评估定损报告;根据步骤五确定的水稻受灾比例自动输出水稻受灾情况报告;根据受灾影像、灾情统计文件和用户输入的其他信息,自动生成包含农户信息、受灾面积、受灾影像的统计报告。
Claims (6)
1.一种基于深度学习的水稻倒伏智能评估定损系统,其特征在于,它包括影像快拼模块、影像编辑模块、灾情处理模块和确认单输出模块,所述影像快拼模块包括快拼软件,所述快拼软件用于对无人机影像进行快速拼接,形成完整倒伏影像;所述影像编辑功能模块包括影像数据加载模块、多边形绘制模块、边缘清除模块、裁剪模块和影像数据存储模块,所述影像数据加载模块用于加载拼接后的完整倒伏影像,所述多边形绘制模块用于根据农户信息在拼接后的倒伏影像上绘制权利地块边界,所述边缘清除模块用于清除绘制的权利地块边界以外的图像,所述裁剪模块用于将清除边缘后的倒伏影像依据预设农户地块标准进行剪裁,所述影像数据存储模块用于将剪裁后的倒伏影像进行储存;所述灾情处理模块包括灾情识别模块和灾情统计模块,所述灾情识别模块用于对剪裁后得到的权利地块区域影像进行识别,识别出权利地块区域内的水稻倒伏区域;所述灾情统计模块用于根据灾情识别的受灾影像与原始影像比对,统计受灾比例;所述确认单输出模块用于根据农户信息与受灾影像匹配,进而输出受灾评估定损报告。
2.根据权利要求1所述的一种基于深度学习的水稻倒伏智能评估定损系统,其特征在于,所述快拼软件具体是软件Pix4DMapper。
3.一种基于权利要求1所述的基于深度学习的水稻倒伏智能评估定损系统的评估定损方法,其特征在于,它包括以下步骤:
步骤一、获取无人机影像;
步骤二、所述快拼软件对有重叠度的无人机遥感序列影像进行快速拼接,形成包含农户全体地块信息的完整倒伏影像;
步骤三、所述影像数据加载模块加载拼接后的完整倒伏影像,所述多边形绘制模块用于根据所述完整倒伏影像绘制边缘,所述边缘清除模块清除绘制的边缘与所述完整倒伏影像不吻合的线条,所述裁剪模块将清除边缘后的倒伏影像依据预设农户地块标准进行剪裁,所述影像数据存储模块将剪裁后的倒伏影像进行储存;
步骤四、所述灾情识别模块对剪裁后得到的权利地块区域影像进行识别,识别出权利地块区域内的水稻倒伏区域;
步骤五、所述灾情统计模块将筛选后的受灾影像与农户进行匹配,并将受灾影像与倒伏影像比对,统计受灾比例;
步骤六、所述确认单输出模块根据农户信息与受灾影像匹配,进而输出受灾评估定损报告。
4.根据权利要求3所述的一种基于深度学习的水稻倒伏智能评估定损系统的评估定损方法,其特征在于,在步骤四中,将所述剪裁后的倒伏影像传给灾情识别模块,所述灾情识别模块根据送入影像的大小进行分块,分为固定大小的子块,分别把每一个子块送入卷积神经网络模型中对水稻倒伏区域进行识别预测,规定预测结果中的第一像素区域代表倒伏区域,规定第二像素区域代表其他区域。
5.根据权利要求3所述的一种基于深度学习的水稻倒伏智能评估定损系统的评估定损方法,其特征在于,在步骤五中,根据受灾影像边缘区域的像素值自动去除影像中存留的黑色边缘后统计受灾面积比例。
6.根据权利要求3所述的一种基于深度学习的水稻倒伏智能评估定损系统的评估定损方法,其特征在于,在步骤六中,所述受灾评估定损报告包括农户信息、受灾面积和受灾影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983753.1A CN110751639A (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983753.1A CN110751639A (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751639A true CN110751639A (zh) | 2020-02-04 |
Family
ID=69278573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910983753.1A Pending CN110751639A (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751639A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652893A (zh) * | 2020-04-22 | 2020-09-11 | 中国科学院城市环境研究所 | 一种评估台风对城市树木生态系统损失的方法及其设备 |
CN112712038A (zh) * | 2020-12-31 | 2021-04-27 | 武汉珈和科技有限公司 | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 |
CN112712038B (zh) * | 2020-12-31 | 2024-05-28 | 武汉珈和科技有限公司 | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1653487A (zh) * | 2002-05-10 | 2005-08-10 | 比特波伊斯有限责任公司 | 具有边绘制单元的图形引擎以及合并有该图形引擎的电子装置及存储器 |
US20130330001A1 (en) * | 2012-06-06 | 2013-12-12 | Apple Inc. | Image Fusion Using Intensity Mapping Functions |
CN104574339A (zh) * | 2015-02-09 | 2015-04-29 | 上海安威士科技股份有限公司 | 一种用于视频监控的多尺度柱面投影全景图像生成方法 |
CN106327551A (zh) * | 2016-08-30 | 2017-01-11 | 华侨大学 | 基于边缘检测和图像拼接的书画自动配框方法 |
CN106504189A (zh) * | 2016-11-29 | 2017-03-15 | 福建四创软件有限公司 | 一种基于gis的海洋受灾面积提取方法 |
CN108447123A (zh) * | 2018-03-27 | 2018-08-24 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路走廊地质灾害勘测方法和系统 |
CN109214270A (zh) * | 2018-07-13 | 2019-01-15 | 中国地质调查局南京地质调查中心 | 基于无人机影像的疑似违法违规用地信息快速提取方法 |
CN109544579A (zh) * | 2018-11-01 | 2019-03-29 | 上海理工大学 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
CN109813286A (zh) * | 2019-01-28 | 2019-05-28 | 中科光启空间信息技术有限公司 | 一种基于无人机的倒伏灾害遥感定损方法 |
CN109977924A (zh) * | 2019-04-15 | 2019-07-05 | 北京麦飞科技有限公司 | 针对农作物的无人机机上实时图像处理方法及系统 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
-
2019
- 2019-10-16 CN CN201910983753.1A patent/CN110751639A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1653487A (zh) * | 2002-05-10 | 2005-08-10 | 比特波伊斯有限责任公司 | 具有边绘制单元的图形引擎以及合并有该图形引擎的电子装置及存储器 |
US20130330001A1 (en) * | 2012-06-06 | 2013-12-12 | Apple Inc. | Image Fusion Using Intensity Mapping Functions |
CN104574339A (zh) * | 2015-02-09 | 2015-04-29 | 上海安威士科技股份有限公司 | 一种用于视频监控的多尺度柱面投影全景图像生成方法 |
CN106327551A (zh) * | 2016-08-30 | 2017-01-11 | 华侨大学 | 基于边缘检测和图像拼接的书画自动配框方法 |
CN106504189A (zh) * | 2016-11-29 | 2017-03-15 | 福建四创软件有限公司 | 一种基于gis的海洋受灾面积提取方法 |
CN108447123A (zh) * | 2018-03-27 | 2018-08-24 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路走廊地质灾害勘测方法和系统 |
CN109214270A (zh) * | 2018-07-13 | 2019-01-15 | 中国地质调查局南京地质调查中心 | 基于无人机影像的疑似违法违规用地信息快速提取方法 |
CN109544579A (zh) * | 2018-11-01 | 2019-03-29 | 上海理工大学 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
CN109813286A (zh) * | 2019-01-28 | 2019-05-28 | 中科光启空间信息技术有限公司 | 一种基于无人机的倒伏灾害遥感定损方法 |
CN109977924A (zh) * | 2019-04-15 | 2019-07-05 | 北京麦飞科技有限公司 | 针对农作物的无人机机上实时图像处理方法及系统 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
Non-Patent Citations (1)
Title |
---|
祝思君: "基于深度学习的无人机遥感图像目标识别方法研究", 《信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652893A (zh) * | 2020-04-22 | 2020-09-11 | 中国科学院城市环境研究所 | 一种评估台风对城市树木生态系统损失的方法及其设备 |
CN112712038A (zh) * | 2020-12-31 | 2021-04-27 | 武汉珈和科技有限公司 | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 |
CN112712038B (zh) * | 2020-12-31 | 2024-05-28 | 武汉珈和科技有限公司 | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102462572B1 (ko) | 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법 | |
US11131994B2 (en) | Debugging an autonomous driving machine learning model | |
CN108369635B (zh) | 用于航空图像获取与分析的方法 | |
CN110084094B (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
Bargoti et al. | A pipeline for trunk detection in trellis structured apple orchards | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
EP2124194B1 (en) | Method of detecting objects | |
CN115170792B (zh) | 红外图像处理方法、装置及设备、存储介质 | |
CN109297978B (zh) | 基于双目成像的电力线路无人机巡检及缺陷智能诊断系统 | |
Passos et al. | Automatic detection of Aedes aegypti breeding grounds based on deep networks with spatio-temporal consistency | |
CN110751639A (zh) | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 | |
CN114037671A (zh) | 一种基于改进Faster RCNN的显微高光谱白细胞检测方法 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN116188872A (zh) | 一种林业病虫害自动识别方法及装置 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN115546191A (zh) | 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
Castellucci et al. | Pole and crossarm identification in distribution power line images | |
CN113989684A (zh) | 一种机巡缺陷图片图像标注定级方法及缺陷定级系统 | |
CN116883951B (zh) | 基于多源信息感知的高速施工员识别方法、装置及其应用 | |
CN117315552B (zh) | 一种大规模农作物巡检方法、装置及存储介质 | |
CN117116065B (zh) | 一种智慧道路车流管控方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |
|
RJ01 | Rejection of invention patent application after publication |