-
公开(公告)号：CN111178197B
公开(公告)日：2023-04-07
申请号：CN201911320756.3
申请日：2019-12-19
Applicant: 华南农业大学
Abstract: 本发明提供的基于Mask R‑CNN和Soft‑NMS融合的群养粘连猪实例分割方法，包括建立群养粘连猪视频和图像数据集；构建基于Mask R‑CNN的分割网络，包括基础骨干网络、RPN网络和三分支网络；通过基础骨干网络对图像数据集进行多尺度特征的提取，得到特征映射；基于特征映射，RPN生成感兴趣区域RoIs，并对RoIs进行目标分类以及回归，利用Soft‑NMS去除冗余的检测框，获取最好的目标RoIs；对每个目标RoIs进行双线性插值操作，将每个RoIs处理为相同大小；利用三分支网络实现对相同大小的RoIs进行检测、分类和分割操作。本发明提供的群养粘连猪实例分割方法，针对猪只重叠、粘连及其他复杂环境导致目标猪只漏检问题，在基本的Mask R‑CNN框架上采用Soft‑NMS算法代替传统的NMS算法，能有效降低粘连猪的漏检率。
-
公开(公告)号：CN111340719B
公开(公告)日：2023-03-31
申请号：CN202010090793.6
申请日：2020-02-13
Applicant: 华南农业大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于全连接自动编码机的瞬态图像的数据增强方法，该发明首先基于瞬态信号的数据分布特点，通过对数变换进行数据转换，将瞬态图像数据转换到新的数据域。然后基于自主设计的全连接自动编码机网络结构，利用自动编码机的自动编码功能，学习出瞬态图像的数据特征。并且通过设置网络结构及相关损失函数、正则化项等，自动编码机不仅能正确学习瞬态图像潜在特征，也能防止过拟合。本发明方法结合了瞬态图像的数据分布，并利用了全连接自动编码机在数据特征方面的优良特性，较好地提取了瞬态图像的数据特征，并减少了原始数据的噪声，增强了表达瞬态图像的数据的准确率和稳定性。
-
公开(公告)号：CN107527356B
公开(公告)日：2020-12-11
申请号：CN201710600951.6
申请日：2017-07-21
Applicant: 华南农业大学
Abstract: 本发明克服了现有的视频跟踪算法存在计算速度不高与鲁棒性不足二选一的技术缺陷，提出了新的一种基于懒交互方式的视频跟踪方法。本发明主要创新在于当目标部分遮挡和光照变化明显时，通过判定分块异常情况，提出了基于懒交互分块重采样的目标跟踪方法。其中，分块异常的判定主要分为三种情况：一是，分块远离跟踪目标；二是，正样本与负样本的比例失衡；三是，分块可跟踪的置信度值太低。通过这些条件，可将异常分块筛选出来，进行重新建模和跟踪。因要对多个分块进行跟踪，本发明引入KCF算法作为基本跟踪算子以保证跟踪的效率。本发明能够最大限度保证重采样本的鲁棒性，以达到跟踪效果的延续性和正确性，同时还能保证较高的计算速度。
-
公开(公告)号：CN105719247B
公开(公告)日：2019-05-17
申请号：CN201610025389.4
申请日：2016-01-13
Applicant: 华南农业大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于特征学习的单幅图像去雾方法，首先通过稀疏自动编码机对有雾图像进行多尺度的纹理结构特征提取，与此同时，抽取各种与雾相关的颜色特征。然后，采用多层神经网络进行样本训练，学习得到雾天条件下纹理结构特征及颜色特征与场景深度间的映射关系，并估算出有雾图像的场景深度图。在此基础上，利用场景深度图近似地估算出透射率图。该透射率能图有效反映了有雾图像中各个局部区域的雾气浓度。最后，结合大气散射模型，根据透射率图进一步复原出无雾图像。本方法能够对有雾图像进行复原，得到更高质量的无雾图像，并且与现有的去雾方法相比，具有更好的场景普适能力。
-
公开(公告)号：CN103413120B
公开(公告)日：2016-07-20
申请号：CN201310317400.0
申请日：2013-07-25
Applicant: 华南农业大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于物体整体性和局部性识别的跟踪方法，基于局部性信息的识别把各候选区域进行超像素分割，根据物体局部表征的特征，为超像素赋予不同的权值，提出加权相似度量，计算各候选目标区域置信度。基于整体性的识别将物体性度量引入到当前帧的目标物体检测部分，选取色彩、边缘和超像素作为物体性度量的三个线索，给出各自的评分规则，结合这三个线索和基于局部性信息的识别计算置信度对扩展区域中的所有候选目标区域进行评分，根据评分确定目标区域。本发明方法可以较好地描述动态变化的跟踪场景中的目标物体，结合物体性度量使目标区域更好收敛于目标物体，减少背景出现在目标区域中，增强了跟踪的准确率和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN105678338A
公开(公告)日：2016-06-15
申请号：CN201610024953.0
申请日：2016-01-13
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于局部特征学习的目标跟踪方法，将目标物体和背景分解成大量的具有尺度和形状不变性的局部单元，将其作为目标和背景分类模型的训练样本，采用深度学习的方式，从训练样本中学习出目标物体以及背景的局部表达。再判断出图像中每个特定区域属于目标物体的置信度，实现目标物体的准确定位。因这种由大量样本学习得出的局部表达具有高度的目标识别能力，该跟踪方法对目标形变、目标遮挡等情况具有较高的适应能力。更新物体表观模型时，抽取出目标置信度较高的局部区域作为模型的训练样本，并对模型进行更新。本方法在目标跟踪的过程中，不断更新表观模型，学习目标物体的关键特征，在外观变化较大的情景下能够取得更好的跟踪效果。
-
公开(公告)号：CN103413323B
公开(公告)日：2016-01-20
申请号：CN201310317408.7
申请日：2013-07-25
Applicant: 华南农业大学
IPC: G06T7/20
Abstract: 本发明公开了一种基于部件级表观模型的物体跟踪方法，是基于中层视觉线索部件级更新表观模型的方法，通过对图像进行超像素分割，以超像素描述跟踪物体的目标部件，利用目标部件的信息构造物体特征池建立和更新物体的表观模型，该模型能够准确的表达形变、遮挡等情况下的运动物体。更新物体表观模型时，用新跟踪帧的部件替换特征池中将被替换的部分部件集，建立目标物体部件的特征补集，将特征补集作为新跟踪帧的部件描述信息加入特征池，再根据新的特征池建立表观模型实现表观模型的更新。本法随着对物体跟踪的进行，更新表观模型信息集中被跟踪物体的信息，物体表观模型更加全面，在指导跟踪严重遮挡、变形等外观变化较大时能够取得更好的效果。
-
公开(公告)号：CN119864049A
公开(公告)日：2025-04-22
申请号：CN202411766400.3
申请日：2024-12-04
Applicant: 华南农业大学 , 温氏食品集团股份有限公司
Abstract: 本发明公开了一种基于多尺度感知和时域动态增强的鸡群声音事件检测方法，包括：基于鸡群声音数据进行随机筛选并标记，获取带标签的标准数据集；将标准数据集中的声音信号进行预处理，获取频谱图；截取频谱图中含有鸡群声音的频谱图片段，将频谱图片段经过梅尔滤波器组转换为梅尔频谱图；构建深度特征提取器，利用深度特征提取器提取梅尔频谱图的声音深度特征；构建帧级别声音分类器，对声音深度特征进行处理与分析，获得鸡群声音事件的时域分布。本发明能够在长时间、多噪音的养殖环境中，精确且快速地提取鸡群声音事件的时域分布。
-
公开(公告)号：CN119516249A
公开(公告)日：2025-02-25
申请号：CN202411464089.7
申请日：2024-10-21
Applicant: 华南农业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06V10/774 , G06V10/776 , G06V10/40 , G06V10/30 , G06V10/75 , G06T7/00
Abstract: 本发明公开了一种基于变分自编码器与去噪网络的多类别缺陷检测方法及装置，方法包括：获取工业产品表面缺陷图像并进行预处理，构建训练集和验证集；方法的训练过程分为两个阶段：第一阶段，将预处理后的训练图像输入变分自编码器进行训练，学习图像的特征分布，并通过重建图像来捕捉正常图像的特征。第二阶段，利用去噪网络与特征引导模块在变分自编码器的特征空间中对图像特征进行二次重建，从而增强模型的重建能力和多类别重建能力；在推理阶段，通过特征提取器提取原始图像与重建图像的多尺度特征，进行特征比对，生成异常评分图。本发明在增强变分自编码器重建能力的同时保留正常信息，有效减少重建失败而导致的缺陷漏检。
-
公开(公告)号：CN115050376B
公开(公告)日：2025-01-07
申请号：CN202210654424.4
申请日：2022-06-10
Applicant: 华南农业大学
IPC: G10L17/26 , G10L17/02 , G10L17/04 , G10L17/14 , G10L21/0232
Abstract: 本发明公开了一种基于Transformer声谱图特征学习的母牛发情检测方法及装置，方法包括：将采集母牛声音数据分割为等时长的声音片段并进行降噪；对降噪后的声音片段进行标注；将所有降噪后的声音片段转换为梅尔声谱图并进行数据增强；构建基于Transformer的声谱图特征学习模型，利用多头自注意力机制对数据增强后的梅尔声谱图进行学习，获取梅尔声谱图的深度特征；构建基于通道注意力机制的母牛发情声音事件检测模型，以梅尔声谱图的深度特征为输入，通过深度学习对深度特征中的时域线索进行分类并串联，实现母牛发情声音事件检测，最终输出发情事件发生的时刻和概率。本发明利用注意力机制对母牛的声音事件进行识别与定位，实现基于声音信号的母牛发情事件检测。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.032 seconds)
