专利交易市场

本发明涉及环境监测技术领域，公开了基于深度学习的无人机协同采样水质监测方法及系统，该系统通过深度学习预测水质时空分布与异常区域，动态规划多无人机协同采样任务和优化路径。本发明构建了一个从数据获取、深度学习预测、任务规划调度、无人机执行到数据管理分析的完整闭环系统。整个系统能够实时反馈无人机采集的数据，并将其重新输入到深度学习模型中进行迭代学习和更新，形成一个持续优化、自我适应的智能监测体系。这种动态自适应能力使得系统在面对复杂多变的水质环境时，能够持续提升预测精度和决策质量，确保监测数据全面、准确且具有时效性。

一种基于深度学习的浮游藻类微生物检测方法，包括以下步骤：步骤1：对原始训练数据的预处理，将数据集整理为无标注样本和有标注样本，在有标注样本中选择硅藻、绿藻和蓝藻作为目标类别，格式符合COCO格式要求；步骤2：图像分类快速推理的混合神经网络结构的建立，结合注意力偏置和可变形卷积，使用该骨干网络来进行实现特征的提取，结合对小目标、密集性效果更好的Deformable DETR检测模型；步骤3：将有标注数据集作为网络的输入；步骤4：网络的训练：先利用大量无标注样本进行了预训练；使用有标注的来自硅藻门、绿藻门和蓝藻门的数据集来完成藻类目标检测的下游任务。本发明实现快速且高精度的浮游藻类目标检测。

本发明提供了一种基于深度学习的混凝土裂缝深度预测模型、方法及应用，该混凝土裂缝深度预测模型优化了语义分割网络的架构以得到更高图像质量的裂缝分割图像，优化了特征提取层和特征融合层的架构，通过多个CNN模型的联用和SENet的筛选获取更有价值和代表性的融合特征，将融合特征送入由多个分类器组成的异质集成网络中进行分别的预测后加权得到高精准度的裂缝深度预测结果，该混凝土裂缝深度预测模型特别适用于裂缝分割和裂缝深度检测场景中，相较于其他模型而言具有检测结果更加准确的优势。

本发明公开了一种基于深度学习的低频大地电磁强干扰压制方法及系统，该方法包括：构建低频段的含噪信号样本；搭建DnCNN‑GRU深度学习模型，并利用含噪信号样本进行模型训练得到低频主成分信号提取模型；基于低频主成分提取模型提取大地电磁实测信号中的低频主成分信号，再滤除低频主成分信号分离出高频含噪信号；对高频含噪信号进行噪声压制得到高频含噪信号的噪声轮廓，进而去除噪声得到无噪的高频有效信号；将低频主成分信号和高频有效信号进行合并拼接得到降噪后的大地电磁信号。本发明通过DnCNN‑GRU网络准确提取大地电磁信号中的低频主成分信号，有效避免低频信号的损失，提高去噪效率以及精度，避免有效信号的过度去除。