-
公开(公告)号：CN111060671A
公开(公告)日：2020-04-24
申请号：CN201911388196.5
申请日：2019-12-30
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种集成式农业四情快速检测装置及其工作方法，该检测装置包括伸缩杆、安装在伸缩杆头部的转向杆、安装在转向杆头部的镜头相机、安装在转向杆中段的环境温湿度传感器、可拆卸安装在伸缩杆中段的操作终端支架、安装在操作终端支架中的操作终端、安装在伸缩杆底部的土壤墒情传感器以及套设在土壤墒情传感器外侧且与伸缩杆的尾部活动相连的保护套筒。本发明能够解决现有技术中存在的不足，提升植保工作效率，改善植保人员工作环境。
-
公开(公告)号：CN110414615A
公开(公告)日：2019-11-05
申请号：CN201910710621.1
申请日：2019-08-02
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及基于阶段性深度修复图像及改进Double-DQN技术的玉米草地贪夜蛾检测方法，与现有技术相比解决了不同虫龄玉米草地贪夜蛾难以精确检测的缺陷。本发明包括以下步骤：训练样本的收集；训练样本进行预处理；构造并训练不同虫龄玉米草地贪夜蛾图像检测模型；待检测玉米草地贪夜蛾图像以及相应的上下文信息的收集和预处理；不同虫龄的玉米草地贪夜蛾在玉米图像中具体位置的标记。本发明通过构建不同虫龄草地贪夜蛾边缘图模型与草地贪夜蛾图像深度修复模型融合实现大面积缺失的图像阶段性修复，在此基础上训练不同虫龄玉米草地贪夜蛾及相应上下文信息图像检测模型，提高了不同虫龄玉米草地贪夜蛾图像检测和识别能力。
-
公开(公告)号：CN107016680B
公开(公告)日：2019-07-09
申请号：CN201710103546.3
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种基于显著性检测的害虫图像背景去除方法，与现有技术相比解决了害虫图像分割效果差的缺陷。本发明包括以下步骤：对原始害虫图像进行多尺度超像素预处理；显著图的获得与融合计算，在单尺度下基于多特征相似度融合显著性检测得到显著图，并融合多尺度下的显著图得到最终的显著图；对显著图进行阈值分割得到二值图；将二值图与原始害虫图像进行掩码处理得到去除背景后的害虫图像。本发明使用多特征相似度融合方法计算相似度，不仅考虑到图像的颜色信息还考虑到了图像的纹理信息，由此得到更准确的显著图，图像分割结果也更理想。
-
公开(公告)号：CN107255647A
公开(公告)日：2017-10-17
申请号：CN201710324918.5
申请日：2017-05-10
Applicant: 中国科学院合肥物质科学研究院
IPC: G01N23/207 , G06N3/08
CPC classification number: G01N23/2076 , G01N2223/0568 , G01N2223/1016 , G06N3/08
Abstract: 本发明涉及基于X射线荧光光谱和深度对抗学习的土壤微量元素含量分析预测方法，与现有技术相比解决了土壤微量成分分析工作量大、耗时长的缺陷。本发明包括以下步骤：土壤样本的获取和预处理；构造基于生成网络和预测网络的深度对抗模型；对训练样本的X射线荧光光谱数据进行预处理；测试样本的微量元素成分含量的预测。本发明利用X射线荧光光谱与土壤成分之间的映射关系，结合深度对抗学习结构模型来进行土壤微量元素成分分析预测，满足土壤微量元素预测的精度要求。
-
公开(公告)号：CN107194418A
公开(公告)日：2017-09-22
申请号：CN201710325110.9
申请日：2017-05-10
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/6269 , G06K9/00657 , G06K9/4671 , G06K9/66
Abstract: 本发明涉及一种基于对抗特征学习的水稻蚜虫检测方法，与现有技术相比解决了水稻蚜虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：水稻蚜虫图像的收集和预处理；获得水稻蚜虫图像检测模型；待检测水稻图像的收集和预处理；蚜虫在图像中具体位置的标记，将待检测图像输入训练完成后的水稻蚜虫图像检测模型，进行水稻蚜虫的检测，定位并标记出蚜虫在图像中具体位置。本发明通过图像判别网络模型与图像生成网络模型之间的对抗训练，提高了图像判别网络模型的识别能力，提高了水稻蚜虫识别率。
-
Patent Agency Ranking
公开(公告)号：CN107179291A
公开(公告)日：2017-09-19
申请号：CN201710325019.7
申请日：2017-05-10
Applicant: 中国科学院合肥物质科学研究院
IPC: G01N21/3586 , G06F19/00
Abstract: 本发明涉及基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法，与现有技术相比解决了无法对土壤成分进行大批量综合分析概括的缺陷。本发明包括以下步骤：土壤样本的获取和预处理；构造基于深度自动编码器的预测模型,在模型构造上采用去噪自动编码器和压缩编码器堆叠形成深度自动编码器预测模型；深度自动编码器预测模型的训练，将训练样本的太赫兹光谱数据输入深度自动编码器预测模型，完成对深度自动编码器预测模型的训练；土壤重金属元素含量的预测。本发明通过深度自动编码器的结构模型并结合太赫兹光谱来进行土壤重金属元素成分分析预测。
-
公开(公告)号：CN107016406A
公开(公告)日：2017-08-04
申请号：CN201710103547.8
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/6256 , G06N3/0454
Abstract: 本发明涉及基于生成式对抗网络的病虫害图像生成方法，与现有技术相比解决了病虫害图像采样图像少的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；基于深度卷积神经网络模型来构造判别网络和生成网络；对判别网络和生成网络进行训练；根据训练好的生成网络生成病虫害图像。本发明能够根据已有的少量病虫害图像生成大量的类似真实的病虫害图像，为病虫害图像识别提供了样本图像，解决了实际中田间病虫害图像比较少且获取成本高的难题。
-
公开(公告)号：CN106997475A
公开(公告)日：2017-08-01
申请号：CN201710103222.X
申请日：2017-02-24
Applicant: 中国科学院合肥物质科学研究院
CPC classification number: G06K9/6256 , G06K9/4652 , G06K9/629 , G06N3/04
Abstract: 本发明涉及一种基于并行卷积神经网络的害虫图像识别方法，与现有技术相比解决了害虫图像样本数量少导致害虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；构造并训练并行卷积神经网络模型；对待测图像进行收集和预处理；将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。本发明通过构造的并行卷积神经网络在样本数量不充裕的情况下使得网络训练更充分，并使得分类能力更强的特征发挥的作用更大。
-
公开(公告)号：CN104123721B
公开(公告)日：2017-08-01
申请号：CN201410314811.9
申请日：2014-07-02
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明所述的一种基于视频流图像分布式动态特征技术的鱼群投喂自动控制方法，与现有技术相比解决了现有的投喂自动控制方法中没有合理利用鱼群特征信息的问题。本发明包括以下步骤：初始图像获取并处理；阈值化处理；帧差分析；特征分析；计算面积变化率和鱼群进食速度；根据面积变化率和鱼群进食速度控制投饵机状态。本发明通过实时图像处理的方法对鱼群进食参数进行识别分析，控制下位机投饵。
-
公开(公告)号：CN104102922B
公开(公告)日：2017-08-01
申请号：CN201410337565.9
申请日：2014-07-15
Applicant: 中国科学院合肥物质科学研究院 , 安徽省农业科学院农业经济与信息研究所
IPC: G06K9/62
Abstract: 本发明提供一种基于上下文感知字典学习的害虫图像分类方法，包括以下步骤：将已知类别的害虫图像的上下文感知信息添加到害虫图像样本库，得到若干类训练样本，构造学习函数，利用训练样本完成害虫图像过完备字典的学习；将待分类害虫图像进行预处理，得到测试样本；将测试样本进行稀疏表示维数约简处理；将经过稀疏表示维数约简后的测试样本读入稀疏表示分类器，根据通过学习得到的过完备字典，计算测试样本与各类训练样本上下文感知信息的残差；对测试样本与各类训练样本上下文感知信息的残差进行分析，判定测试样本的类别。本发明能够提高复杂场景中的害虫图像分类的精度和效率，提升传统农作物害虫诊断模式。
-
-
-
-
-
-
-
-
-
Search Results
146
records
(took 0.077 seconds)
