专利交易市场

本发明公开了一种测绘无人机用的采集图像识别方法及系统，通过无人机搭载的多模态传感器获取目标测绘区域的测绘图像数据和测绘点云数据，同时利用时间相机捕捉动态目标的运动信号，生成事件流数据；对所述测绘图像数据进行直方图均衡化和多尺度增强，对所述测绘点云数据进行体素滤波和曲面重建；利用小波包分解提取所述预处理采集数据中图像的频域特征，并与事件流数据中的运动轨迹特征进行融合；将所述混合特征向量输入轻量化自适应模型中，通过注意力机制动态调整不同模态的权重，输出目标测绘区域的测绘结果。能更全面细致地描述图像在不同频率和方向上的信息，有效提升了测绘的效率。

一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法和装置，其方法包括：(1)定制化设定航高、航速、路径以及机载相机倾角等航线规划参数；(2)采集堤坝全域的图像；(3)针对初始帧遥感红外热图像，进行畸变矫正、降噪的预处理操作；随后将遥感红外热图像转换至HSV(Hue，Saturation,Value)颜色空间；(4)将图像初步分割为“热斑”与“冷斑”，即二值图像；(5)依据目标坝体温度场状态，自动化、智能化地判断疑似渗漏区域：(6)提取二值图像中的温度极值并计算极差，评估疑似渗漏区域的真实性；(7)针对经步骤(6)处理得到的二值图像，首先采用图像形态学处理算法，填补空洞并进一步减少噪点；随后采用面积筛选算法，自适应地消除二值图像中与实际温度分布情况不尽相符的碎片化温度区域，得到边界连续且平滑的“热斑”或“冷斑”；(8)逐帧提取后续各帧遥感红外热图像，重复步骤(3)至步骤(7)，直至自适应地处理完成所有图像；(9)采用基于小波变换的异源图像融合算法，逐帧融合可见光图像与二值图像；随后采用图像拼接算法，拼接各帧融合图像，构建出一张覆盖目标堤坝全域的综合图像，定位渗漏区域的空间位置。

一种多维图像数据库的构建方法，属于农业信息化技术领域，包括以下步骤：步骤1、西兰花花球多维图像数据的划分策略；步骤2、西兰花花球多维图像数据的采集装置选择与设计；步骤3、构建西兰花花球多维图像数据。本发明还提供了一种多维图像数据库的构建装置。本发明旨在获取花球的多维图像数据，以用于训练和验证基于YOLOv8的目标检测模型，使得该模型能满足在多种实际应用场景下花球的检测精度，同时检验算法模型的泛化能力，这对于提升视觉系统在多样化条件下的鲁棒性至关重要，并为空地协作的西兰花选择性采收机器人系统的研发、应用和推广提供了关键技术支持。

基于改进YOLOv5神经网络与无人机视频结合的裂缝快速检测方法，包括：利用无人机拍摄目标结构表面视频，逐帧提取视频中的图像，通过标记获得训练与验证数据集；基于YOLOv5算法模型，引入SSA(麻雀搜索算法)对模型中原有的K‑means算法进行替换改进，并用制作完成的数据集对改进后的模型进行训练；利用训练完成后的模型对无人机拍摄得到的新视频进行逐帧图像识别，最终检出视频中裂缝的位置。本发明将YOLOv5与SSA算法相结合，精准识别目标裂缝，通过视频输入实现裂缝检测，具有效率高、精度高、成本低、鲁棒性强等优点。

一种无人机航拍图像中物体的聚类方法，能实现对存在于多视角航拍图像中的物体的聚类，使目标检测结果的语义更加清晰，解决了无人机巡检中图像结果无法映射到实际物体的问题，包括：(1)根据物体在图像中的标记框，裁剪出一大一小两张子图；(2)分别配对每组子图作为中‑环双流孪生神经网络的输入；(3)通过神经网络的输出和物体在各自对应的子图中心经纬度坐标计算得到相似度距离，相似度距离小于阈值的图像对认为是距离可达的；(4)传递距离可达性，得到内部元素互相距离可达的图像集合，作为聚类结果。本发明具有以下优点：方法普适性强；准确度高；计算效率高；结果简洁。

本发明公开了一种基于生长模型的输电线走廊树障隐患超前检测方法，包括：提取输电走廊激光点云中的电力线点与植被点；分割植被点获取单木点云和信息；利用树木样方数据和理查德方程拟合得到树木生长模型；通过生长模型得到树木当前树龄；利用生长模型预测给定时间点的树木高度；获取电力线安全缓冲区并分段；构建单木和电力线分段包围盒；先测试包围盒是否相交，如果相交再进行点距离遍历计算找到树障隐患；获取树障位置、种类及发生时间点。本发明的优点是：1、预测了树木生长高度，将树障隐患检测从被动巡视转变为主动超前检测。2、通过基于包围盒的两步检测算法大幅度提高了潜在树障隐患的检测效率。

本发明涉及智能决策技术领域，提出一种微小目标的特征识别方法，包括：对目标图像进行卷积操作，得到各个卷积层级的堆叠集合；从所述各个卷积层级的堆叠集合中筛选出目标卷积层，并根据预设的感受野系数集合对所述目标卷积层进行空洞卷积，得到空洞网络堆叠集合，将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到目标卷积层对应的融合网络层；依次将各个目标卷积层对应的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合；对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；最后，对注意力增强特征网络层的堆叠集合进行特征识别。本发明可以提高微小目标的识别效果。

本发明公开了一种基于锚框最优聚类的YOLOv5园林异常目标识别方法，包括：采集园林垃圾样本图像，并对园林垃圾样本图像进行标注，构建园林垃圾图像数据集；利用改进的K‑means算法对园林垃圾图像数据集进行锚框聚类，得到最优的9个锚框；根据最优的9个锚框设置YOLOv5网络模型的锚框尺寸，并对YOLOv5网络模型进行训练，得到训练好的YOLOv5网络模型，利用训练好的YOLOv5网络模型实现园林垃圾识别。在智慧园林场景中，利用本发明的方法，可以将无人机拍摄的视频和图片信息中的粘连的垃圾精准的识别出来，提高了垃圾识别的召回率和准确率，大大减轻了园林中人力和物力的投入，减少了人工巡检的工作。

本发明公开了一种基于无人机运动状态的DeepSort园林垃圾统计方法，所述方法包括：1）针对模糊图像，判断模糊区域对目标垃圾的影响，预测下一帧预测框，减少垃圾的多检，提高统计的准确率。2）针对无人机采集数据时出现突然上升、下降、加速、减速情况，改进预测框与检测框的匹配方法，提高匹配的准确率，降低垃圾的多检率。在智慧园林场景中，利用本发明的技术方案，可实现对无人机拍摄的视频信息中的垃圾进行精准统计，大大减少了在园林管理中人力物力的投入，完善了园林管理系统和保洁人员的考核标准。

本发明公开了一种基于无人机与深度学习网络的桥梁支座病害识别方法及系统，所述方法包括：规划无人机巡检任务路线；无人机执行巡检任务，并采集目标桥梁的支座图像，以形成支座图像集；对支座图像集进行预处理，以获取标注图像集；构建并训练基于Real‑ESRGAN网络的图像增强模型，将标注图像集输入到训练后的图像增强模型中，以生成超分图像集；构建基于YOLOv8网络的病害识别模型，通过超分图像集训练所述病害识别模型，以识别并定位支座损伤。本发明通过Real‑ESRGAN网络对图像进行超分辨率增强，极大增强了图像质量和病害识别的精确度，并且通过YOLOv8网络的快速和准确的目标检测能力，能够快速识别和定位桥梁支座损伤。

本发明实施例提供一种基于无人机的水库安全智能巡检方法以及系统，属于智能巡检技术领域。该方法包括：确定目标水库并利用目标无人机对目标水库进行数据采集获得目标水库在目标无人机的初始位置下对应的初始图像数据和初始测距数据；对初始图像数据进行目标识别获得目标水库的目标异常物体；根据初始图像数据进行边缘识别获得目标水库的目标边缘信息；根据目标边缘信息获得目标水库在初始位置下的初始面积信息；根据初始面积信息确定目标水库的第一水位信息；根据初始测距数据和初始位置确定目标水库的第二水位信息；根据第一水位信息和第二水位信息确定目标水库的目标水位信息；根据目标异常物体和目标水位信息确定目标水库的目标巡检结果。

本发明公开了一种基于改进残差网络的无人机异常行为识别方法，包括：将无人机的图像分为训练集和测试集，构建改进的残差网络模型，对训练集进行特征提取、网络训练。通过测试集验证准确率后，进行无人机的图像分类，将提取后的信息特征代入改进孤立森林算法中进行异常行为识别。对飞行特征参数进行提取和预处理，通过随机斜率超平面来分割数据集构建孤立树，从而建立孤立森林。将样本数据遍历孤立树，通过基于相对质量的方法，并代入威胁系数作为权重，计算出样本的异常得分，从而判定出无人机异常行为。本发明的优点是：提高了准确率，缩短了训练时间，降低模型时间复杂度,加快判别时间。提高了检测数据集异常得分的鲁棒性。