-
公开(公告)号：CN111738287B
公开(公告)日：2021-03-26
申请号：CN202010259251.7
申请日：2020-04-03
Applicant: 南京林业大学
Abstract: 本发明公开了一种多模态信息融合的马尾松种子活性检测方法，首先对马尾松种子中的淀粉变化进行检测、并对马尾松种子环境中的二氧化碳浓度的变化进行检测，并融合马尾松种子质量、体积及湿度信息先建立种子活性的样本模板，再进行模板比对与更新，最终实现马尾松种子活性的分级检测。本发明将多种模态的信息融合进入马尾松种子的识别，并在一次测量的同时记录种子的各项活性指标；避免了传统方法中分别的多次不同试验，达成了马尾松种子活性检测的一次性快速化，大大节约了实验所需花费时间。
-
公开(公告)号：CN111242359A
公开(公告)日：2020-06-05
申请号：CN202010011980.0
申请日：2020-01-06
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于数据漂移的太阳辐射在线动态预测方法，属于光伏预测技术领域。将测量的L个样本分为两段，计算两段平均值I(u1)和I(u2)；|I(u1)-I(u2)|＞Td采用MB预测，若I(t)为连续发生的数据漂移，将X′(t)存储到DC中，若DC数据个数达上限，DC替换DA，并训练更新MA；若I(t)时第一次发生数据漂移，清空DC，并将X′(t)添加或替换到DB中，并训练更新MB；|I(u1)-I(u2)|≤Td采用MA预测，将X′(t)添加或替换到DA中，训练更新MA；输出结果进入下个循环。本发明实现太阳辐射在线动态预测和模型更新。
-
公开(公告)号：CN117152484B
公开(公告)日：2024-03-26
申请号：CN202310887250.0
申请日：2023-07-19
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/774 , G06V10/762 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种基于改进的YOLOv5s的小目标布匹瑕疵检测方法，属于机器视觉检测技术领域，获取小目标布匹瑕疵图像，建立初始的数据集；对小目标布匹瑕疵数据集进行聚类分析并得到聚类中心；将聚类中心值输入至YOLOv5s网络；在YOLOv5s网络引入CA注意力模块，使网络在更大区域内进行注意；采用BiFPN结构作为YOLOv5s网络模型的特征融合网络；采用Eiou损失函数代替原损失函数，不仅考虑了中心点距离和纵横比，而且还考虑了预测框与真实框宽度和高度的真实差异，提高了锚框的预测精度。结果表明，相较于原YOLOv5s算法，本发明在小目标布匹瑕疵检测上具有更强的特征提取能力和更高的检测精度。
-
公开(公告)号：CN117036899A
公开(公告)日：2023-11-10
申请号：CN202310812403.5
申请日：2023-07-03
Applicant: 南京林业大学
IPC: G06V10/82 , G06V10/764 , G06V10/56 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于改进Yolov7模型的废弃塑料瓶颜色分类方法。首先，获取不同颜色的塑料瓶图像，进行标签标注，构建初始数据集；采用图像处理方法扩充数据集，并划分训练集和测试集，得到最终的数据集；引入yolov7网络模型并加以改进，使用改进后的模型对数据集进行训练得到最终的塑料瓶颜色分类模型；利用最终的废弃塑料瓶分类模型对待检测图像进行检测，得到检测结果。本发明通过改进yolov7网络模型，降低了网络参数总量和计算复杂度，同时还提高了网络推理速度，而且提高模型的准确率和精度。
-
公开(公告)号：CN115273072A
公开(公告)日：2022-11-01
申请号：CN202210663984.6
申请日：2022-06-13
Applicant: 南京林业大学
IPC: G06V20/68 , G06V10/30 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G01N21/84 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于改进Yolov5s模型的苹果叶片病害检测方法，首先，获取苹果叶片不同病害的图像，进行标签标注，构建初始数据集；采用图像处理方法扩充数据集，并划分训练集和测试集，得到最终的数据集；引入yolov5s网络模型并加以改进，使用改进后的模型对数据集进行训练得到最终的苹果叶片病害检测模型；利用最终的苹果叶片病害检测模型对待检测图像进行检测，得到检测结果。本发明通过改进yolov5s网络模型和引入Attentive GAN算法，不仅在网络训练模型时增强网络学习特征的表达能力，提高模型的准确率和精度，而且能够在雨天情况下实现对苹果叶片病害的准确识别。
-
Patent Agency Ranking
公开(公告)号：CN112766229A
公开(公告)日：2021-05-07
申请号：CN202110171946.4
申请日：2021-02-08
Applicant: 南京林业大学
Abstract: 本发明公开一种基于注意力机制的人脸点云图像智能识别系统，包括点云数据转化模块、特征提取模块、注意力机制模块、图像融合模块、数据集样本划分以及孪生神经网络模块。本发明中提出将点云数据转化为人脸深度图，并对深度图进行特征提取，加入注意力机制，能够更好地提取出反映人脸的特征区域；本发明提出对数据样本划分为正样本和负样本，并使用孪生神经网络模块对正负样本进行训练，利用对比损失函数能够更好地对人脸特征向量进行误差计算，最后找到最接近的人脸类别，能够更加准确、迅速地进行人脸识别。
-
公开(公告)号：CN111738287A
公开(公告)日：2020-10-02
申请号：CN202010259251.7
申请日：2020-04-03
Applicant: 南京林业大学
Abstract: 本发明公开了一种多模态信息融合的马尾松种子活性检测方法，首先对马尾松种子中的淀粉变化进行检测、并对马尾松种子环境中的二氧化碳浓度的变化进行检测，并融合马尾松种子质量、体积及湿度信息先建立种子活性的样本模板，再进行模板比对与更新，最终实现马尾松种子活性的分级检测。本发明将多种模态的信息融合进入马尾松种子的识别，并在一次测量的同时记录种子的各项活性指标；避免了传统方法中分别的多次不同试验，达成了马尾松种子活性检测的一次性快速化，大大节约了实验所需花费时间。
-
公开(公告)号：CN120001547A
公开(公告)日：2025-05-16
申请号：CN202510223375.2
申请日：2025-02-26
Applicant: 南京林业大学
Abstract: 一种基于抽吸式清料的多种类小颗粒种子图像采集系统，包括摄像机、料盘和清料装置；料盘的出料口摄像机在料盘上方，料盘表面是水平的，镜头竖直朝向料盘表面；料盘连接振动装置；料盘的出料口连接清料装置。清料装置是抽吸式清料装置；清料装置包括吸头、清料通道、旋风分离器和涡轮风扇；料盘的出料口料盘表面的周围有物料阻挡结构，出料口开在物料阻挡结构上；吸头的前端连接于出料口；吸头的后端通过清料通道连接旋风分离器的进风口；旋风分离器的排风口连接涡轮风扇的吸风口；旋风分离器底部的出料口连接种子容器；清料通道的截面是圆形的，清料通道与旋风分离器的进风口之间通过圆形转矩形的转接头连接，转接头两端面之间平滑过渡。
-
公开(公告)号：CN119924022A
公开(公告)日：2025-05-06
申请号：CN202510215590.8
申请日：2025-02-26
Applicant: 南京林业大学
Abstract: 一种滚刷式便携种絮分离装置，包括种絮分离仓、收集仓、离心风机和收集包；种絮分离仓的进风口连接吸嘴；种絮分离仓的种子出口连接收集仓的种子进口；种絮分离仓的出风口通过风管连接离心风机的吸气口；离心风机的吹气口连接三通阀的进风口，三通阀的两个出风口分别通过排絮管道连接收集包的进风口和通过循环管道连接种絮分离仓的循环口；种絮分离仓包括分离仓壳体以及和安装在分离仓壳体的腔体内的两个平行的刷滚；种絮分离仓的进风口和出风口分别开在分离仓壳体的前后两侧的中部位置，进风口和出风口的轴线都垂直于辊筒的轴线；在分离仓壳体的底面开有长方形的种子出口；收集仓可拆卸地连接于种絮分离仓的下方；刷滚是由辊筒外连接梳齿构成。
-
公开(公告)号：CN119856611A
公开(公告)日：2025-04-22
申请号：CN202510220989.5
申请日：2025-02-26
Applicant: 南京林业大学
Abstract: 一种带絮小种子性状测量的前置预处理装置，包括供料模块、种絮分离模块、种子收集模块、循环切换结构和毛絮处理机构；供料模块的出料口连接种絮分离模块的进料口；种絮分离模块的种子出口连接种子收集模块的种子进口；种絮分离模块的毛絮出口连接有循环切换结构，在循环切换结构的作用下，毛絮出口分别连接毛絮处理机构的进料口、种絮分离模块的进料口；种絮分离模块是旋风分离器；分离筒体上部的切向进料管的端口即为种絮分离模块的进料口，分离筒体顶部的上盖中间开口即为毛絮出口，分离锥体底部的开口即为种子出口；在旋风分离器的筒体的内壁表面连接有导流叶片；各个导流叶片在筒体的内形成螺旋角为25°～35°的连续涡流通道。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.021 seconds)
