专利交易市场

本发明属于智能光伏巡检领域，公开了一种智能光伏热斑故障检测方法、系统、介质、设备及终端，方法包括：构建“教师+学生”协同训练的知识蒸馏模块，保证检测精度的同时提高了算法推理效率；设计了基于CSPHN的骨干网络以增强对待检测目标的特征表达能力；构建了BiMAF模型，采用并行的方法从全局和局部角度融合输入特征，进而加强对目标特征的聚合能力；同时，提出了CgT模块，使检测系统在各类恶劣环境下仍能及时发现热斑故障并对其加以排除和检修。本发明通过将无人机巡检技术，传感器技术及目标检测算法进行交叉融合，从而自动完成光伏电站大范围、快速、精细、智能化运行维护任务，提高了光伏电站发电效率的同时降低了光伏电站运维成本。

本发明公开了一种基于多尺度上下文与通道注意力协同的复杂场景下无人机安全巡查检测方法及装置，包括：通过无人机图像采集设备拍摄被检目标图像；将被检目标图像输入深度学习网络模型，输出目标类别、位置和置信度；其中，所述深度学习网络模型包括backbone特征提取网络、neck特征提取网络、分层密集残差注意力模块、多尺度上下文感知降采样模块和深度可分离检测头；所述backbone特征提取网络接收图像，输出多个尺度特征图；所述neck特征提取网络接收backbone输出，进行特征融合；所述深度可分离检测头接收neck输出，进行目标预测。本发明提高了计算效率和实时性。

本发明公开了一种基于小波与动态频率自适应的轻量化高空红外目标检测装置及方法，方法包括：步骤S1、使用搭载在无人机上的红外相机获取高空场景红外图像，生成高空红外目标检测数据集；步骤S2、将所述高空红外目标检测数据集中的高空红外图像输入特征深度学习网络模型得到高空目标定位特征图；步骤S3、使用小波卷积增强方法对所述高空目标定位特征图进行处理与拼接，得到高空融合特征；步骤S4、调整所述高空融合特征的通道维度后进行动态频率自适应滤波处理，得到高空红外目标检测结果。本发明通过小波增强卷积模块强化局部细节表征，结合动态频率自适应滤波抑制背景干扰，同时采用双分支频谱‑几何增强检测头优化定位精度。

本发明涉及地质测量和遥感技术领域，用于解决现有的地质测量中，无法将无人机和遥感技术相结合，导致地质测量方式缺乏完整的数据处理流程和综合分析能力，且传统的数据处理方法往往依赖于人工判断和处理，容易出现主观性和不一致性的问题，具体为基于无人机的地质测量与遥感数据融合管理系统，包括数据采集单元、云数据库、无人机地质测量分析单元、遥感地质测量分析单元、数据融合单元和显示终端。本发明，将无人机和遥感技术所获取的地质特征信息进行融合，充分利用无人机和遥感两种技术的优势，实现对地表地貌的全面分析，做到地质测量工作的高效、精确和可持续发展，为资源勘探、环境监测提供更好的支持和服务。

本申请提出了一种无人机巡检方法、装置、设备及存储介质，涉及计算机视觉、深度学习和人工智能技术领域，具体实现方案为：获取无人机的拍摄图像；从拍摄图像之中提取包括待检测物体的感兴趣区域；将包括待检测物体的感兴趣区域输入至缺陷检测模型以确定待检测物体的缺陷信息。根据本申请能够提高缺陷检测的准确度，进而，提高无人机巡检的可靠性。

本发明涉及无人机导航技术领域，揭露了一种基于图像匹配的无人机导航方法。所述方法包括以下步骤：获得精确区域原图集，对精确区域特征原图集进行边界融合操作，获得精确地貌原图，对无人机所在的位置进行实地测量，获得拍摄图像并进行计算，获得实时特征地貌图；根据实时特征地貌图与精确地貌原图进行匹配获得当前精确位置，接收精确地貌原图上设置的飞行路径或原始目标地点，成飞行路径导航图或生成飞行目标导航图，根据当前飞行区域进行分析，生成重叠导航区域并进行计算，对精确地貌原图进行修正操作。本发明结合GPS导航对GPS导航误差进行修正，也可进行无网导航，进行作业区域自主导航，定位精确。

本发明公开了一种输电线路防震锤缺陷检测方法，方法包括下述步骤：通过无人机设备采集输电线路防震锤图像并进行预处理，建立样本数据集；使用K‑means聚类算法对样本数据集进行聚类分析，预测锚框尺寸；构建缺陷检测网络；所述缺陷检测网络包括输入预处理网络、特征提取网络、特征融合网络和检测器；利用样本数据集以及预测的锚框尺寸，对缺陷检测网络进行训练，获得缺陷检测模型；采用缺陷检测模型对输电线路防震锤进行缺陷检测，得到检测结果。本发明解决了输电线路防震锤缺陷检测准确率低的问题，能够有效抵消噪声干扰并准确定位缺陷，具有高准确率、低时延和强鲁棒性的特点。

本发明请求保护一种基于区域聚类和特征注意力机制的航拍小目标检测方法。首先将从输入图像中提取到的候选目标的中心坐标作为聚类算法的输入特征。然后使用基于密度的DBSCAN聚类算法对这些目标进行聚类，随后根据聚类结果从图像中裁剪出这些区域，对裁剪出的区域进行中心填充处理来使其保持合理范围内的尺度和比率并将其与原始数据集合并得到新的扩充后的数据集。将扩充后的数据集放入改进后的单阶段目标检测网络RetinaNet中进行训练，用基于注意力机制的检测头进行最终的目标分类和定位。该方法可以达到数据增强的效果。此外，基于注意力机制的检测头可以去除分类和回归任务中无用信息的干扰，使网络能够自适应地关注更适当的信息进行分类和回归。

本发明提出一种无人机场景下基于多模态的开放词集目标检测方法，包括：从无人机设备获取待检测图像，利用特征提取主干网络生成图像的全局特征图，利用区域提议网络在特征图上生成位置先验框，将对象性分数较高的预测框标注为待识别目标；利用DETR目标检测模型结合位置先验信息和特征图对待识别目标进行定位和初步分类；对于分类置信度高于设定阈值的对象直接输出调整后的锚框与预测类别，否则利用CLIP多模态模型进行二次分类；通过设计包含拍摄条件的语言提示，减弱拍摄角度和多变天气情况等环境条件引起的干扰，提高多模态模型分类准确度。

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。