申请/专利权人：南京信息工程大学

申请日：2024-04-01

公开（公告）日：2024-07-05

公开（公告）号：CN118298301A

主分类号：G06V20/10

分类号：G06V20/10;G06V10/44;G06V10/52;G06V10/774;G06V10/82;G06N3/0464;G06N3/086

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了基于差分进化和多尺度神经网络的湖泊叶绿素反演方法，包括：采集湖泊图像及叶绿素浓度标签，构建多尺度卷积神经网络模型，包括模型的一维卷积部分、全连接层部分、激活函数部分、输出层部分；初始化差分进化算法；运行差分进化算法优化多尺度卷积神经网络，评估种群中每个个体的适应度、选择下一代个体，应用交叉和变异操作，更新种群；选择最佳个体，创建最佳的多尺度叶绿素反演模型，训练和测试最佳的多尺度叶绿素反演模型；读取湖泊高光谱图像输入最佳多尺度叶绿素反演模型，预测每个像素点的叶绿素浓度，输出湖泊叶绿素浓度热力图。本发明所设计的方法更好地反映水体中的叶绿素浓度，提高反演精度和鲁棒性。

主权项：1.基于差分进化和多尺度神经网络的湖泊叶绿素反演方法，其特征在于，针对目标湖泊，执行如下步骤S1-步骤S6，完成对目标湖泊中叶绿素浓度的预测；步骤S1：采集湖泊图像，以及对应的叶绿素浓度数据，将湖泊图像划分为训练集和测试集；步骤S2：构建多尺度卷积神经网络模型，多尺度卷积神经网络模型以湖泊图像为输入，通过一维卷积部分、全连接层部分、激活函数部分、输出层部分，输出湖泊图像中各像素点的叶绿素浓度预测；步骤S3：将多尺度卷积神经网络模型的学习率作为差分进化算法中的个体，以预设数量的个体构成种群；初始化差分进化算法，包括算法所需操作符、适应度函数、初始种群数量和变异概率；步骤S4：运行差分进化算法优化多尺度卷积神经网络模型，评估种群中每个个体的适应度、选择下一代个体、应用交叉和变异操作，更新种群，获得最优学习率；步骤S5：基于最优学习率，构建最佳的多尺度卷积神经网络模型，将训练集中的湖泊图像输入最佳的多尺度卷积神经网络模型，对其进行训练，获得训练好的多尺度卷积神经网络模型；步骤S6：针对目标湖泊，将湖泊图像输入训练好的多尺度卷积神经网络模型，完成湖泊图像中每个像素点的叶绿素浓度预测，并生成热力图。

全文数据：

权利要求：

百度查询： 南京信息工程大学 基于差分进化和多尺度神经网络的湖泊叶绿素反演方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD