-
公开(公告)号：CN112837077B
公开(公告)日：2024-07-12
申请号：CN202110211634.1
申请日：2021-02-25
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06Q30/018 , G06F21/64 , G06F21/62 , G06F16/27
摘要： 本发明公开一种食品追溯健康码的方法及系统，方法包括追溯部分和协同监管部分，协同监管步骤与追溯过程步骤并行；所述追溯步骤包括获取初始化追溯产品信息以及初始化产品健康码状态，进而初始化当前追溯数字资产；获取数字资产流通；及获取数字资产流通的末端管控，并注销单个追溯码的流通性；所述协同监管步骤包括获取追溯产品的产品协同质量反馈；根据质量反馈情况自动执行智能合约，控制追溯产品的健康状态反馈。系统包括生产模块，流通模块，消费模块，监管方模块，检测方模块。本发明通过多方维护健康状态池，缓解监管资源稀缺的压力，以及在问题产品出现的情况下，能够第一时间防止认定问题产品所造成的二次伤害。
-
公开(公告)号：CN107016405B
公开(公告)日：2019-08-30
申请号：CN201710103514.3
申请日：2017-02-24
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种基于分级预测卷积神经网络的害虫图像分类方法，与现有技术相比解决了害虫图像分类正确率低的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；对图像样本数据进行标注；训练基于分级预测卷积神经网络的分类模型；对待测图像进行预处理；基于分级模型自动进行害虫图像分类。本发明采用了分级预测框架，先预测图像的分割结果然后再结合整体图像，共同进行最终的分类预测。
-
公开(公告)号：CN106997475B
公开(公告)日：2019-08-13
申请号：CN201710103222.X
申请日：2017-02-24
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种基于并行卷积神经网络的害虫图像识别方法，与现有技术相比解决了害虫图像样本数量少导致害虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；构造并训练并行卷积神经网络模型；对待测图像进行收集和预处理；将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。本发明通过构造的并行卷积神经网络在样本数量不充裕的情况下使得网络训练更充分，并使得分类能力更强的特征发挥的作用更大。
-
公开(公告)号：CN107025431B
公开(公告)日：2019-06-18
申请号：CN201710105763.6
申请日：2017-02-24
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及基于深度特征与多核Boosting学习相结合的害虫图像识别方法，与现有技术相比解决了害虫图像识别率低的缺陷。本发明包括以下步骤：获取自然图像集；害虫图像的收集、标记和预处理；利用训练集的样本形成块级特征；利用多核Boosting学习的SVM训练多核分类框架；将测试集的样本形成块级特征后，输入训练完成后的多核分类框架中，进行害虫图像的自动识别。本发明利用了害虫图像的多层深度特征并与多核Boosting学习相结合进行害虫的图像识别，提高了害虫识别的准确率。
-
公开(公告)号：CN105488536B
公开(公告)日：2019-03-05
申请号：CN201510923464.4
申请日：2015-12-10
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G06K9/62
摘要： 本发明涉及一种基于多特征深度学习技术的农田害虫图像识别方法，与现有技术相比解决了复杂环境条件下害虫图像识别性能差的缺陷。本发明包括以下步骤：针对大规模害虫图像样本进行多特征提取，提取大规模害虫图像样本的颜色特征、纹理特征、形状特征、尺度不变特征转换特征和方向梯度直方图特征；多特征深度学习，对不同类型特征分别进行非监督字典训练，获得不同类型特征的稀疏表示；训练样本的多特征表示，通过结合不同类型特征，构建害虫图像样本的多特征表示形式‑多特征稀疏编码直方图；构建多核学习分类器，通过学习害虫图像正负样本的稀疏编码直方图构建多核分类器，实现害虫图像的分类。本发明提高了害虫识别的准确率。
-
公开(公告)号：CN105403177B
公开(公告)日：2019-01-01
申请号：CN201510908172.3
申请日：2015-12-07
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G01B11/28
摘要： 本发明公开了一种基于视频检测的叶面积指数的检测方法，通过对目标图像进行二值化处理，对绿色点和偏绿色点进行突出显示，然后根据二值化图像进行绿色覆盖度的计算，智能化程度高，且，通过第一模型的设置，可以根据需要对绿色尤其是偏绿色的定义进行调节，灵活程度高。本发明中，获得绿色覆盖度后，结合多幅图像的绿色覆盖度计算获得综合覆盖度，并根据综合覆盖度和株高计算叶面积指数，充分考虑到了植株生长过程中，其叶面积与其高度紧密相连的关系，有利于提高叶面积计算的合理性与准确性。本发明中，通过对多幅二值化图像的绿色覆盖度Rn进行综合运算，可以避免单一二值化图像由于对应的目标图像的拍摄角度不全、光线误差导致的图像失真误差。
-
公开(公告)号：CN108375546A
公开(公告)日：2018-08-07
申请号：CN201810096735.7
申请日：2018-01-31
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明提供一种基于可见/近红外光谱技术的化肥在线多点检测装置及其检测方法，包括光谱检测系统、数据处理显示单元、样品传送带，以及沿长度方向布置在样品传送带上方的多个光纤探头，多个光纤探头通过光纤连接单元将采集到的光谱信号输送至光谱检测系统，光谱检测系统将光谱信号进行分光和光电转换后送入数据处理显示单元中进行定量分析。采用多探头分布于传送带不同位置检测样品，光纤探头可以自动实现光谱仪暗背景、参考光谱的测量，降低了装置受外界环境的干扰，并采用两个不同波段的光谱仪测量，共同提高了装置对化肥质量的检测精度。
-
公开(公告)号：CN108051466A
公开(公告)日：2018-05-18
申请号：CN201711360843.2
申请日：2017-12-17
申请人： 中国科学院合肥物质科学研究院
IPC分类号： G01N23/223
摘要： 本发明提供一种基于X射线荧光光谱分析的化肥成分无损定量检测方法，首先根据化肥样本的X射线荧光光谱选取校正集样品，对校正集样品分别进行标准化学方法测试，在对样本集化肥样本的X射线荧光光谱进行本底扣除和重叠谱分解的基础上，建立非线性动态校正模型，解决化肥样品的基体效应校正问题，通过该校正模型可对未知化肥样品的成分含量进行准确、快速地测定。本发明可快速、准确、无污染地同时检测出化肥中多种有益元素成分和有害元素成分；与传统的X射线荧光光谱分析方法相比较，节省了标准样品的制备和定标步骤，而非线性多元校正方法的使用同时保证了预测精度，可为化肥生产和运输过程中的质量监控提供有效技术支撑。
-
公开(公告)号：CN107567788A
公开(公告)日：2018-01-12
申请号：CN201710105703.4
申请日：2017-02-26
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明公开了一种用于有机肥施肥作业的高地隙式智能农用装备，包括有底盘，固定设置于底盘上端面上的动力装置、肥料箱和减速箱，固定设置于底盘下端面的下料通道、活塞端朝下的犁铧驱动缸和覆土板驱动缸，连接于犁铧驱动缸活塞端上的犁铧和连接于覆土板驱动缸活塞端上的覆土板；肥料箱内设置有排肥器，排肥箱的底端与下料通道连通。本发明与现有技术相比能够针对大面积、高工作量的野外复杂恶劣环境下的农田进行有机肥开沟、施肥、覆土一体化作业。且本发明操作简便，可在农作物两侧同时进行作业，适用于大面积田地操作，具有工作效率高、劳动成本低的特点。
-
公开(公告)号：CN104077612B
公开(公告)日：2017-09-22
申请号：CN201410337582.2
申请日：2014-07-15
申请人： 中国科学院合肥物质科学研究院
摘要： 本发明涉及一种基于多特征稀疏表示技术的害虫图像识别方法，与现有技术相比解决了害虫图像识别方法在复杂现实环境中识别能力较差的缺陷。本发明包括以下步骤：害虫图像的多特征提取；构建多特征训练样本矩阵；多特征融合学习；多特征融合识别。本发明提高了害虫识别的准确率。利用害虫图像的颜色特征、形状特征以及纹理特征分别构造相应的特征训练样本矩阵，结合稀疏表示识别框架，通过融合颜色、形状、纹理三种特征下的识别结果，实现了不同特征的有效融合。
-
-
-
-
-
-
-
-
-
搜索结果
142 条记录 (耗时 0.048 秒)
