-
公开(公告)号：CN116106280A
公开(公告)日：2023-05-12
申请号：CN202310009357.5
申请日：2023-01-03
Applicant: 安徽农业大学
IPC: G01N21/64
Abstract: 本发明公开了基于结构光视觉的植物三维叶绿素荧光成像系统，包括：步骤S1：搭建三维叶绿素荧光成像系统；步骤S2：红色滤波片模式下切换测量光光源、光化光光源、饱和脉冲光源、远红光光源，采集不同状态下植物的叶绿素荧光图像；步骤S3：打开普通白光光源，红色、绿色、蓝色滤波片模式下依次采集植物的单通道图像，融合获得植物的三通道彩色图像；步骤S4：关闭所有光源，中性滤波片模式下采集被植物调制后的双频十二步相移条纹图像，重构出植物的三维点云模型；步骤S5：利用叶绿素荧光图像、三通道彩色图像对植物三维点云模型进行逐像素渲染，实现植物三维叶绿素荧光成像。
-
公开(公告)号：CN110717507B
公开(公告)日：2023-03-14
申请号：CN201910808140.4
申请日：2019-08-29
Applicant: 安徽农业大学 , 合肥汉亚信息技术有限公司
Abstract: 本发明公开了一种基于APDJ算法的土壤墒情传感器优化布局方法，提出了改进的Dijkstra算法即（APDJ算法），开展了土壤墒情传感器优化布局的应用。在确保传感网络全覆盖的基础上，实时采集各传感节点的土壤墒情数据，运用AP聚类算法得到聚类中心，以聚类中心作为Dijkstra算法搜索最短路径的起点，无线传感网络的汇聚点为终点，通过改进的Dijkstra算法以数据相异性最大和距离最短为目标搜索最佳路径，最终得到一条由6个传感器节点构成的最佳布点路径，以该路径布置传感器，采集的数据冗余度最低，使传感器数量由25个减少到6个，有效降低了数据的冗余度，节约了系统成本，较好地解决了传感器的优化布局问题。
-
公开(公告)号：CN114548265A
公开(公告)日：2022-05-27
申请号：CN202210157494.9
申请日：2022-02-21
Applicant: 安徽农业大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质，属于图像增强技术领域。基于层级式SwinT网络作为叶片区域提取模块的特征提取网络，设计多阶段重叠式嵌入和分层级特征下采样模块优化SwinT的图像嵌入方式和渐进式层级结构，根据重构特征图生成显著图并提取叶片区域。将叶片区域提取模块集成到图像生成模型，通过设计背景损失函数引导图像生成模型仅在叶片区域生成病斑，实现叶片病害图像数据集的有效增强。本发明能够提升生成作物叶片病害图像的生成效率与质量，显著提高作物叶片病害识别模型的准确率和鲁棒性，具有计算代价低、所需的训练数据量小、收敛快速且稳定等特点。
-
公开(公告)号：CN113607669A
公开(公告)日：2021-11-05
申请号：CN202110871418.X
申请日：2021-07-30
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于迁移学习的土壤养分光谱检测方法，涉及土壤分析技术领域，通过降低环境因素的影响提高野外原位土土壤光谱数据检测的准确性；结合迁移学习方法，利用已有实验室干土土壤光谱数据，通过光谱变换减少原位土和干土的光谱的数据分布差异，提高土壤养分回归预测模型的准确性；从而提高野外原位土土壤养分含量实时检测的准确性。设置的检测系统缩小了仪器体积、简化了仪器构造组成，方便野外携带、操作，通过钻头取土装置采集土壤样本，通过微型光谱仪芯片获取土壤光谱数据并进行光谱变换，通过回归模型检测土壤养分含量。
-
公开(公告)号：CN109117743A
公开(公告)日：2019-01-01
申请号：CN201810805980.0
申请日：2018-07-20
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于深度卷积的小麦赤霉病的检测方法，包括如下步骤：S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到目标数据；S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像进行预处理；S3、基于预处理的数据运用深度卷积神经网络对数据进行训练；S4、基于训练的结果来分析深度卷积神经网络模型的分类效果；本发明利用高光谱成像技术对小麦赤霉病进行早期的快速和无破坏检测，提高了对被测小麦区域分类结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN109035231A
公开(公告)日：2018-12-18
申请号：CN201810805085.9
申请日：2018-07-20
Applicant: 安徽农业大学
CPC classification number: G06T7/0002 , G06K9/6268 , G06N3/0454 , G06T7/0012 , G06T2207/20081 , G06T2207/20104
Abstract: 本发明公开了一种基于深度循环的小麦赤霉病的检测方法，包括如下步骤:S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到目标数据；S2、对目标数据进行二维图像的重塑来作为灰度图像，并基于灰度图像进行预处理；S3、基于预处理的数据运用深度循环神经网络对数据进行训练；S4、基于训练的结果来分析深度循环神经网络模型的分类效果；本发明利用高光谱成像技术对小麦赤霉病进行早期的快速和无破坏检测，提高了对被测小麦区域分类结果的准确性。
-
公开(公告)号：CN107527326A
公开(公告)日：2017-12-29
申请号：CN201710707181.5
申请日：2017-08-17
Applicant: 安徽农业大学
CPC classification number: G06T5/002 , G06K9/4604 , G06K9/6223 , G06T7/11 , G06T7/136 , G06T7/194 , G06T2207/10036
Abstract: 本发明公开了一种基于高光谱成像的小麦赤霉病诊断方法，包括以下步骤：S1、采集小麦麦穗高光谱图像，并对上述高光谱图像进行去除噪声处理得到目标数据；S2、对目标数据进行第一次主成分分析得出第一分析结果，并基于第一分析结果提取出特征数据；S3、基于特征数据对目标数据进行第二次主成分分析并得出第二分析结果；S4、基于第一分析结果和第二分析结果分析小麦赤霉病害等级。本发明主要解决了利用高光谱成像技术对小麦赤霉病进行检测的难题；本发明利用高光谱成像技术对小麦赤霉病进行检测，提高了对被测小麦区域检测结果的有效性和准确性。
-
公开(公告)号：CN105628204B
公开(公告)日：2017-09-15
申请号：CN201610116511.9
申请日：2016-03-02
Applicant: 安徽农业大学
IPC: G01J3/28
Abstract: 本发明公开了一种自动调节的高光谱成像系统，包括：图像采集设备、载物台、光源设备、驱动设备、传动设备、传感器设备和主控单元；主控单元，与图像采集设备、传感器设备和驱动设备连接，获取被测对象的图像数据和光谱信息，分析图像数据中各像素的平均光谱反射系数的均方根值和标准差，计算出最佳位置系数值，并通过传感器设备获取最佳位置系数值对应的光源设备和载物台的空间位置信息；主控单元控制驱动设备驱动传动设备动作，调整光源设备的光源照射角度、光源设备的高度和载物台的高度位于最佳位置系数值对应的空间位置。
-
公开(公告)号：CN119905141A
公开(公告)日：2025-04-29
申请号：CN202510406936.2
申请日：2025-04-02
Applicant: 安徽农业大学
IPC: G16B20/00 , G16B40/00 , G06N3/0455 , G16H50/70
Abstract: 本发明适用于lncRNA与疾病关联预测领域，具体提供了一种基于KAN网络的lncRNA‑疾病关联预测方法，包括以下步骤：融合lncRNA‑disease关联网络信息、lncRNA和疾病的多种相似性信息构建综合的异构网络；构建基于多头注意力机制的Transformer特征提取器，用于捕获来自lncRNA和disease节点的全局序列化特征；构建基于异构图网络的GraphSAGE特征提取器，用于捕获lncRNA和disease节点的拓扑结构特征；融合全局序列化特征和拓扑结构特征得到综合的lncRNA‑disease关联对特征信息；构建一个用于预测lncRNA和疾病之间关联分数的KAN网络。该方法结合Transformer提取全局序列特征、GraphSAGE挖掘异构网络拓扑信息，并通过KAN网络建模非线性关系，充分挖掘了lncRNA和疾病的多层次信息，提高了lncRNA和疾病之间关联预测的精准性。
-
公开(公告)号：CN119415934A
公开(公告)日：2025-02-11
申请号：CN202510028071.0
申请日：2025-01-08
Applicant: 安徽农业大学
IPC: G06F18/213 , G06N3/006 , G06N3/0475 , G06N3/094 , G06F18/10 , G06F18/22 , G01N21/359
Abstract: 本发明适用于近红外光谱建模分析领域，提供了一种近红外光谱建模的特征模式生成与协同优化方法，包括：获取样本近红外光谱数据并进行预处理操作，利用转换方法将一维近红外光谱数据转换为二维结构数据；在已有的二维结构数据的基础上，利用生成技术生成更多的二维结构数据；针对不同的特征模式，利用不同的神经网络进行深度特征的提取，并利用交叉自适应注意力机制与特征协同构建方法构建最佳最小特征模式集；根据最佳最小特征模式集搭建模型，使用协同优化损失函数对模型进行优化，最终实现对近红外光谱数据的高效建模和准确分析。本发明显著提高了近红外光谱建模在物质成分含量分析中的精确度。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.024 seconds)
