-
公开(公告)号：CN107894974A
公开(公告)日：2018-04-10
申请号：CN201711061497.8
申请日：2017-11-02
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于标签路径和文本标点比特征融合的网页正文提取方法，主要通过构造标签路径的文本标点比和特征融合方法，提出一种新的特征值，从而将正文从网页中提取出来。本发明的特色在于定义了文本标点比特征对衡量标签路径的平均句子长度，同时结合了标签路径的位置及其内部复杂度，给出了一个较全面的特征值去判断正文内容。使用本发明可以不需要构造提取模版较精确地提取网页正文，同时适用范围广。
-
公开(公告)号：CN117557327A
公开(公告)日：2024-02-13
申请号：CN202311022587.1
申请日：2023-08-14
Applicant: 华南农业大学
IPC: G06Q30/0601 , G06F16/9535 , G06F16/9536 , G06N3/0464 , G06N3/08 , G06F18/21 , G06F18/214 , G06N20/00
Abstract: 本发明公开了一种基于改进图卷积神经网络的物品推荐方法，包括：1)采集用于推荐的用户‑物品交互数据集，并将其转化为原子文件；2)利用原子文件构建用户‑物品二部图，将用户‑物品二部图输送到改进图卷积神经网络进行参数学习，得到一个能够用于推荐的最优网络；3)通过最优网络即可为用户‑物品二部图中的任意用户推荐其可能感兴趣的物品，即将一个待推荐的用户‑物品二部图输入到该最优网络中，就会准确给出所有用户的推荐列表。本发明鲁棒性更强，推荐结果更稳定和准确，同时明确挖掘了用户和物品在用户‑物品二部图上的邻居信息，通过整合用户‑物品二部图上丰富的邻域信息，丰富了用户和物品节点的邻域关系，使得网络的推荐性能得到了进一步的提升。
-
公开(公告)号：CN114359644A
公开(公告)日：2022-04-15
申请号：CN202111583032.5
申请日：2021-12-22
Applicant: 华南农业大学
IPC: G06V10/771 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于改进VGG‑16网络的农作物病虫害识别方法，包括：S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；S2、将农作物病虫害图像数据中的图像输入到改进VGG‑16网络进行参数训练；S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别。本发明突破原有技术准确率较低、缺乏鲁棒性和自适应能力差等问题，鲁棒性更强，识别率更高，网络参数更少，自适应能力更强，识别速度更快，对图像中的农作物病虫害识别更加准确。
-
公开(公告)号：CN113887868A
公开(公告)日：2022-01-04
申请号：CN202111013269.X
申请日：2021-08-31
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于改进的神经网络实现食品风险评估的方法，包括步骤：1)获取样本食品数据集；2)对样本食品数据集进行预处理，将预处理后的样本数据集分为训练集和测试集；3)将训练集输入到改进的DCN网络模型中进行训练，训练完成后得到最优的改进DCN网络模型；4)将测试集输入到最优的改进DCN网络模型中进行测试，测试后得到样本食品的最终预测值，是每个样本食品所对应的风险评估预测分数。本发明将神经网络的特征提取技术和食品风险评估结合起来，通过决策树的残差计算方法和深度交叉网络中的特征交叉计算方法来挖掘数据特征，利用模型实现样本食品风险评估的预测，从而有效缓解食品风险预测耗费人工的问题。
-
公开(公告)号：CN108734694A
公开(公告)日：2018-11-02
申请号：CN201810309381.X
申请日：2018-04-09
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，包括步骤：对已经标注的甲状腺肿瘤超声图像进行数据增强，增加训练样本的个数和尺度；使用resnet-50网络模型对图像数据集进行特征提取；使用区域建议网络RPN生成建议窗口(proposals)，并映射到特征图上生成区域建议框；然后通过RoI pooling使得每个RoI生成固定尺寸的特征图；最后利用softmax Loss和softmax L1 Loss对分类概率和边框回归联合训练。本发明方法不需要手工进行肿瘤超声图像分割，能够端到端训练网络，并采用数据增强提高识别率。
-
Patent Agency Ranking
公开(公告)号：CN120072061A
公开(公告)日：2025-05-30
申请号：CN202411991848.5
申请日：2024-12-31
Applicant: 温氏食品集团股份有限公司 , 华南农业大学
IPC: G16B40/00 , G16B30/00 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N5/01
Abstract: 本发明涉及育种表型预测技术领域，公开了一种面向基因序列数据的育种表型预测方法及系统，方法包括获取基因型数据和表型数据构建数据集；将数据集划分为训练集和测试集；构建卷积算子空间、池化算子空间和神经网络节点，为神经网络节点分配卷积算子和池化算子，生成神经网络结构；将神经网络结构转换为树形数据结构并利用深度优先搜索算法进行优化，生成可执行的神经网络模型；利用训练集，对可执行的神经网络模型进行训练，并使用模因算法对经过训练的神经网络模型进行优化，得到最优的育种表型预测模型；将测试集数据输入最优的育种表型预测模型进行处理，得到育种表型预测结果。本发明在复杂性状的育种表型预测中显著提高了预测精度。
-
公开(公告)号：CN120072060A
公开(公告)日：2025-05-30
申请号：CN202411991842.8
申请日：2024-12-31
Applicant: 广东工贸职业技术学院 , 华南农业大学 , 暨南大学
IPC: G16B40/00 , G06F18/241 , G06F18/214 , G06N3/043 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/0442 , G06N3/084 , G06N3/094
Abstract: 本发明涉及氨基酸序列分类技术领域，公开了一种基于机器学习的氨基酸序列数据分类方法及系统，方法包括获取氨基酸序列数据，并将所述氨基酸序列数据划分为训练集和测试集；对训练集依次进行标准化和生物特征编码处理，得到标准化的氨基酸序列数据以及生物特征；构建用于氨基酸序列数据分类的分类模型，以及用于对所述分类模型进行训练优化的生成对抗网络、优化器和损失函数，对所述分类模型进行训练，直至达到训练轮数，得到训练好的分类模型；将测试集的的氨基酸序列数据输入训练好的分类模型进行分类处理，得到氨基酸序列数据分类结果。本发明实现了对氨基酸序列数据的高效及准确分类，从而提高了多功能治疗肽分类的准确性，提升了分类效率。
-
公开(公告)号：CN120071236A
公开(公告)日：2025-05-30
申请号：CN202411950601.9
申请日：2024-12-27
Applicant: 云浮市物联网研究院有限公司 , 华南农业大学
IPC: G06V20/52 , G06V20/40 , G06V40/20 , G06V10/25 , G06V10/26 , G06V10/44 , G06V10/62 , G06V10/74 , G06V10/82 , G06N3/0464 , G06Q50/02 , G08B21/18 , G08B25/08 , H04M1/72421
Abstract: 本发明涉及一种基于多目标分割与追踪的监测系统与方法，属于家禽健康监测技术领域，本发明通过YOLOv8‑seg的实例分割技术实现像素级分割，能够准确描绘出每只猪只的轮廓信息，极大提高了个体识别的精确性。此外，通过上下文信息编码器提供的前景和背景信息，系统可以更好地区分猪只之间的差异，在遮挡、光照变化等复杂情况下仍能稳定追踪个体，有效避免了传统方法中的识别误差。
-
公开(公告)号：CN114359644B
公开(公告)日：2024-04-16
申请号：CN202111583032.5
申请日：2021-12-22
Applicant: 华南农业大学
IPC: G06V10/771 , G06V20/10 , G06V10/82 , G06N3/045 , G06N3/0464 , G06V10/44
Abstract: 本发明公开了一种基于改进VGG‑16网络的农作物病虫害识别方法，包括：S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；S2、将农作物病虫害图像数据中的图像输入到改进VGG‑16网络进行参数训练；S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别。本发明突破原有技术准确率较低、缺乏鲁棒性和自适应能力差等问题，鲁棒性更强，识别率更高，网络参数更少，自适应能力更强，识别速度更快，对图像中的农作物病虫害识别更加准确。
-
公开(公告)号：CN111199207B
公开(公告)日：2023-06-20
申请号：CN201911404612.6
申请日：2019-12-31
Applicant: 华南农业大学
IPC: G06V40/20 , G06V10/82 , G06V10/77 , G06N3/0464
Abstract: 本发明公开了一种基于深度残差神经网络的二维多人体姿态估计方法，包括步骤：1)获取基础人体姿态估计训练数据集2)将获取的图片送入预训练的深度残差神经网络，生成对应的特征向量；3)将特征向量通过两个方向的多次卷积操作生成两个分支的特征映射，生成关节点置信场和部位亲和场；4)计算真实图片的关节点置信场和部位亲和力场，组合成为真实图片的特征映射，将步骤3)中的特征映射与真实图片的特征映射之间均方误差，做网络的训练；重复步骤1)‑步骤3)，生成训练后图片的关节点置信场和部位亲和力场；5)使用步骤4)中生成的关节点置信场和部位亲和场进行关节点的计算和关节点连接。本发明可以很好地应付复杂的姿态变换并且推广到多人姿态估计。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.02 seconds)
