-
公开(公告)号：CN119338805A
公开(公告)日：2025-01-21
申请号：CN202411865597.6
申请日：2024-12-18
Applicant: 安徽农业大学
IPC: G06T7/00 , G01N21/88 , G01N21/892 , G01N21/25 , G06V20/68 , G06V20/40 , G06V10/40 , G06V10/52 , G06V10/77 , G06V10/82 , G06V10/94 , G06V10/96 , G06N3/0464 , G06N3/0495 , G06N3/092 , G06N3/096 , G06N3/006 , G06F9/50
Abstract: 本发明属于果实病害检测分析领域，具体提供了面向果实病害检测的多源教师蒸馏及熵减分布平台系统，包括以下模块：集成设备模块利用集成式设备采集目标果实的影像数据；数据处理模块对所述高光谱图像和视频分别进行智能光谱信息增强处理；模型部署模块将针对高光谱图像数据的模型蒸馏得到可部署边缘端的模型；病害检测模块通过总控协调不同数据类型的边缘端拆分教师模型，得到由多个边缘端拆分得到的子模型，利用子模型对传送带上的果实进行病害质量检测任务。本发明通过集成式设备采集果实的高光谱图像和视频，并发送到各个边缘设备进行预处理，再通过总控协调不同数据类型的边缘端进行蒸馏模型的拆分，并将其量化部署在边缘设备上实行检测。
-
公开(公告)号：CN118522444B
公开(公告)日：2024-12-06
申请号：CN202410979917.4
申请日：2024-07-22
Applicant: 安徽农业大学
IPC: G16H50/20 , G16H50/70 , G16B40/00 , G16B30/00 , G16B50/30 , G06F18/15 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明属于计算机辅助疾病诊断领域，具体是基于多模态协同表示学习的piRNA‑疾病关联的识别方法，该方法通过融合piRNA‑disease关联信息以及piRNA和疾病的多源相似性信息构建综合的异构网络；将异构网络表示学习模块、关联网络表示学习模块和多视图表示学习模块的特征进行融合，构建一个集成多模态的piRNA‑disease关联对特征表示，基于全连接神经网络来预测piRNA与疾病之间的关联置信度。本发明充分挖掘了来自piRNA和疾病的五种多源相似性信息；从不同视角引入了三种协同表示学习模块，通过各模块之间的相互作用与补充，使得MCRL‑PDA能够更加精确的捕获piRNA与疾病之间的复杂关系。本发明多源相似性融合和多模块表示学习的方法可以有效提高MCRL‑PDA识别不同实体间复杂关系的能力。
-
公开(公告)号：CN118522444A
公开(公告)日：2024-08-20
申请号：CN202410979917.4
申请日：2024-07-22
Applicant: 安徽农业大学
IPC: G16H50/20 , G16H50/70 , G16B40/00 , G16B30/00 , G16B50/30 , G06F18/15 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明属于计算机辅助疾病诊断领域，具体是基于多模态协同表示学习的piRNA‑疾病关联的识别方法，该方法通过融合piRNA‑disease关联信息以及piRNA和疾病的多源相似性信息构建综合的异构网络；将异构网络表示学习模块、关联网络表示学习模块和多视图表示学习模块的特征进行融合，构建一个集成多模态的piRNA‑disease关联对特征表示，基于全连接神经网络来预测piRNA与疾病之间的关联置信度。本发明充分挖掘了来自piRNA和疾病的五种多源相似性信息；从不同视角引入了三种协同表示学习模块，通过各模块之间的相互作用与补充，使得MCRL‑PDA能够更加精确的捕获piRNA与疾病之间的复杂关系。本发明多源相似性融合和多模块表示学习的方法可以有效提高MCRL‑PDA识别不同实体间复杂关系的能力。
-
公开(公告)号：CN117975172B
公开(公告)日：2024-07-09
申请号：CN202410373070.5
申请日：2024-03-29
Applicant: 安徽农业大学
IPC: G06V10/764 , G06N3/0464 , G06N3/096 , G06V10/40 , G06V10/766 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种整株豆荚识别模型构建与训练方法及系统，属于智能检测技术领域。包括单个豆荚提取与类别匹配、虚拟离体和整株豆荚数据集生成和豆荚识别模型构建与训练。标注获得离体和整株豆荚图像数据集，从离体豆荚训练集中提取单个豆荚并利用其生成虚拟离体和整株豆荚数据集，搭建豆荚识别模型，并使用多阶段迁移学习方法采用虚拟和真实豆荚数据集通过从离体到整株豆荚数据的训练来获得整株豆荚识别模型。本发明较于现有技术，优点在于：生成的虚拟数据集能够丰富豆荚特征，显著减少豆荚标注工作量，并避免重叠遮挡场景下豆荚标注困难等问题；提出的整株豆荚识别模型具有较强的特征提取能力，提升了复杂场景下豆荚识别精度。
-
公开(公告)号：CN117975172A
公开(公告)日：2024-05-03
申请号：CN202410373070.5
申请日：2024-03-29
Applicant: 安徽农业大学
IPC: G06V10/764 , G06N3/0464 , G06N3/096 , G06V10/40 , G06V10/766 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种整株豆荚识别模型构建与训练方法及系统，属于智能检测技术领域。包括单个豆荚提取与类别匹配、虚拟离体和整株豆荚数据集生成和豆荚识别模型构建与训练。标注获得离体和整株豆荚图像数据集，从离体豆荚训练集中提取单个豆荚并利用其生成虚拟离体和整株豆荚数据集，搭建豆荚识别模型，并使用多阶段迁移学习方法采用虚拟和真实豆荚数据集通过从离体到整株豆荚数据的训练来获得整株豆荚识别模型。本发明较于现有技术，优点在于：生成的虚拟数据集能够丰富豆荚特征，显著减少豆荚标注工作量，并避免重叠遮挡场景下豆荚标注困难等问题；提出的整株豆荚识别模型具有较强的特征提取能力，提升了复杂场景下豆荚识别精度。
-
Patent Agency Ranking
公开(公告)号：CN111167045B
公开(公告)日：2024-04-09
申请号：CN202010036363.6
申请日：2020-01-14
Applicant: 安徽农业大学
Abstract: 本发明属于智能灭火技术领域，尤其涉及一种基于双机器人协作的竹林灭火系统及其控制方法。所述基于双机器人协作的竹林灭火系统包括隔离带制作机器人和灭火机器人；所述隔离带制作机器人用于竹子的定向砍伐以制作防火隔离带，包括定向伐竹模块、小型履带智能移动平台、第一测距模块、相机除尘装置、第一温度监控模块、第一电池模块以及第一控制模块；所述灭火机器人包括大型履带智能移动平台、灭火模块、相机防尘及除尘复合装置、第二温度监控模块、第二测距模块、第二控制模块、第二电池模块。本发明提供的双机器人灭火系统通过隔离带制作机器人的伐竹与灭火机器人的灭火相互配合，可以保证机器人本身的安全，提高了系统的可靠性。
-
-
公开(公告)号：CN117035044B
公开(公告)日：2024-01-12
申请号：CN202311291335.9
申请日：2023-10-08
Applicant: 安徽农业大学
IPC: G06N3/082 , G06N3/0464 , G06N3/063 , G06V10/82 , G06V10/774
Abstract: 本发明公开了一种基于输出激活映射的过滤器剪枝方法，包括以下步骤：S1：设定超参数；S2：预训练初始模型得到基线模型，作为当前需要剪枝的模型；S3：对当前需要剪枝的模型运行基于相关性和冗余度的过滤器综合评价准则；S4：根据每个卷积层的过滤器排名，修剪每层相应数量的贡献较小的过滤器；S5：对剪枝后的模型进行再训练以此恢复精度下降；S6：判断每层剩余过滤器的数量是否已经达到每层需要保留的过滤器的数量，直至模型剪枝完毕。还公开了一种基于输出激活映射的过滤器剪枝方法的图像分类系统及其边缘设备。本发明从相关性和冗余度两个方面综合评价过滤器贡献以此进行过(56)对比文件Zi Wang et al..Convolutional NeuralNetwork Pruning with StructuralRedundancy Reduction《.arxiv.org》.2021,第1-10页.HongFang Zhou et al..Featureselection based on conditional mutualinformation: minimum conditionalrelevance and minimum conditionalredundancy《.Applied Intelligence》.2019,第883-896页.陈程军;毛莺池;王绎超.基于激活-熵的分层迭代剪枝策略的CNN模型压缩.计算机应用.2020,(05),全文.夏海峰;袁晓彤.模型压缩中的对抗鲁棒性实验分析.陕西师范大学学报(自然科学版).2020,(02),全文.严阳春 等.基于权重关联性的卷积神经网络模型剪枝方法《.小型微型计算机系统》.2021,第42卷第1500-1504页.宋非洋 等.基于MobileNetV3的结构性剪枝优化《.自动化与信息工程》.2019,第40卷第20-25页.
-
公开(公告)号：CN117115668A
公开(公告)日：2023-11-24
申请号：CN202311374559.6
申请日：2023-10-23
Applicant: 安徽农业大学
IPC: G06V20/10 , G06N3/0455 , G06N3/0464 , G06V10/26 , G06V10/44 , G06V10/52 , G06V10/82
Abstract: 本发明公开了一种作物冠层表型信息提取方法、电子设备及存储介质，属于图像处理技术领域。本发明采用编码器‑解码器架构设计语义分割模型，融合基于多维权重聚合的动态卷积神经网络与基于级联自注意力的作物特征提取网络，增强对环境因素和作物生长分布差异的鲁棒性。在编、解码器连接处引入作物上下文信息提取模块，并联有效的空洞卷积组合捕获作物冠层像素点与其邻域像素点特征以辅助分类决策，提升模型对作物冠层像素与背景像素的辨别能力。构建作物多尺度特征聚合模块优化解码器结构，提升模型对由于作物特性或基因型导致的小尺度作物个体识别效果，以兼顾更多作物品种的表型提取。本发明能够提升作物冠层表型信息的提取效率与精度。
-
公开(公告)号：CN109511356B
公开(公告)日：2023-10-24
申请号：CN201910015198.3
申请日：2019-01-08
Applicant: 安徽农业大学
IPC: A01D34/64 , A01D34/00 , A01D34/82 , A01D43/063 , A01D43/14 , B25J5/00 , B25J9/16 , B25J11/00 , B25J19/04
Abstract: 本发明公开了一种基于深度视觉的智能除草机器人，属于智能机器人技术领域，其包括工控机、动力模块、小车主体、履带行驶轮、液压爪和除草设备，所述小车主体上安装有受行驶轮驱动装置驱动的履带行驶轮，液压爪和除草设备通过用于调整二者姿态的除草机械臂装置安装在小车主体上，行驶轮驱动装置、液压爪和除草设备均由动力模块提供动力且均受工控机控制，还包括用于测量杂草、农作物和小车主体三者相对位置关系的深度相机模块，本发明的有益效果是：通过单机械臂的交互操作就可以实现双机械臂的交互功能，同时采用精准化除草的方式，在保证除草效率和精度的前提下，有效降低了对农作物的二次伤害，大大推进了智能除草机器人的应用与发展。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.029 seconds)
