-
公开(公告)号：CN114708538B
公开(公告)日：2024-07-26
申请号：CN202210379365.4
申请日：2022-04-12
申请人： 华南农业大学
IPC分类号： G06V20/40 , G06V20/17 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0499 , G06N3/084 , G06N3/096 , G06N3/045 , G06T7/73
摘要： 本发明公开了一种基于无人机的红火蚁蚁巢检测定位方法，包括：构建红火蚁蚁巢数据集；搭建特征提取网络，所述特征提取网络采用改进后的SSD网络；将特征提取网络连接特征强化网络，构建SSD‑特征强化网络；利用红火蚁蚁巢数据集，对SSD‑特征强化网络架构采用迁移学习的方法进行训练，得到训练好的红火蚁蚁巢检测模型；将整个红火蚁蚁巢检测模型移植到无人机内部，无人机在预设的飞行高度飞行时获取实时视频流，截取视频流中每帧图像，利用红火蚁蚁巢检测模型对每帧图像进行红火蚁蚁巢检测，输出红火蚁蚁巢位置信息和分布图。本方法能高效、准确地检测出红火蚁蚁巢，提高野外勘探效率，实现蚁巢检测的智能化。
-
公开(公告)号：CN117854710A
公开(公告)日：2024-04-09
申请号：CN202410053293.3
申请日：2024-01-15
申请人： 华南农业大学
摘要： 本发明公开了一种基于深度学习的糖尿病视网膜病变分级辅助诊断方法，包括以下步骤：S1、数据获取：采集彩色眼底图像数据集样本；S2、数据处理：对图像数据采用降采样和数据增强方法对图像数据集样本进行调整；S3、模型搭建：进行模型搭建，利用软阈值改进SE注意力机制构成特征选择和增强模块，并在网络中部引入极化自注意力机制。本发明通过在模型搭建中应用软阈值增强网络模型对病灶特征的提取能力，同时在网络中部引入极化自注意力模块来提高网络对于细粒度病灶特征的提取能力，并在模型训练中，采用伪标签的半监督学习方法，提高模型的泛化能力，为医生的诊断决策提供理论依据，并在医学图像处理等领域具有广泛的应用前景。
-
公开(公告)号：CN113159060B
公开(公告)日：2023-04-28
申请号：CN202110199295.X
申请日：2021-02-23
申请人： 华南农业大学
IPC分类号： G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明提供了一种农作物虫害检测方法及系统，该方法包括：S1，采集并处理待检测农作物虫害图像；S2，对待检测农作物虫害图像进行特征提取，提取到虫害的特征参数，根据虫害的特征参数获得分类特征；S3，将分类特征输入已训练好的深度学习检测模型，深度学习检测模型识别出虫害的类别；S4，判断虫害的类别是否满足预设报警类别；若是，则执行步骤S5；S5，发出警报，并输出虫害的名称和对应的防治措施。本发明可准确对农作物虫害进行识别检测，并给出相应的虫害防治措施，有效控制虫害对农作物的破坏，从而提高农产品的产量。
-
公开(公告)号：CN112507770A
公开(公告)日：2021-03-16
申请号：CN202010811336.1
申请日：2020-08-13
申请人： 华南农业大学
摘要： 本发明提供了一种水稻病虫害识别方法和系统，该方法包括：S1，采集稻田中的待识别水稻病虫害图像；S2，调用已训练好的深度学习识别模型对待识别水稻病虫害图像进行识别，并输出识别结果；S3，根据识别结果判断待识别水稻是否存在病虫害，若是，则发出报警提示，并输出病虫害的名称和对应的防治措施。本发明可准确对水稻病虫害进行识别，并给出相应的病虫害防治措施，有效控制水稻病虫害对水稻产量和质量的影响，减少农产品的经济损失。
-
公开(公告)号：CN117232523A
公开(公告)日：2023-12-15
申请号：CN202311185631.0
申请日：2023-09-13
申请人： 华南农业大学
IPC分类号： G01C21/20 , G01S17/88 , G06V20/56 , G06V20/64 , G06V10/25 , G06V10/30 , G06V10/36 , G06V10/762 , G06Q50/02 , G06V10/82 , G06V10/96
摘要： 本申请涉及果园机器人导航线规划方法、装置、设备及介质，方法包括：获取果园周围目标物体相对应的点云数据，基于高斯滤波算法以及直通滤波算法对目标物体的点云数据进行滤波处理，确定果树的点云数据；将果树的点云数据投影至二维平面，基于聚类算法对果树的二维点云数据进行聚类，确定果树的点云数据聚类簇，将各个点云数据聚类簇的平均值作为各个果树的坐标；基于树列划分算法对各个果树的坐标进行划分，确定果树树列中各个果树的坐标；基于最小二乘法对果树树列中各个果树相对应的坐标进行拟合处理，确定果树树列相对应的拟合线，根据所述激光雷达两侧果树树列相对应的拟合线确定导航线。本申请能够大大提高果园机器人的导航线规划精度。
-
公开(公告)号：CN114689038A
公开(公告)日：2022-07-01
申请号：CN202210378912.7
申请日：2022-04-12
申请人： 华南农业大学
IPC分类号： G01C21/00 , G01C21/20 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/82 , B25J11/00 , B25J9/16
摘要： 本发明公开了一种基于机器视觉的果实检测定位与果园地图构建方法，该方法利用采用搭载有RGBD相机的移动机器人实现水果果实目标检测、计数以及采摘定位，同时将视觉里程计信息以及激光雷达的点云信息数据进行融合，采用非线性优化方法实现用于果园环境中的SLAM建图与定位；之后基于多线程编程方法将两个线程融合，从而实现应用于实际果园环境中的移动机器人实时果实检测定位与全局建图与自定位，并基于构建完成的果园语义地图实现移动机器人在果园中的全局路径规划功能。依靠该方法能够实现智能化果园巡航、智能化果园产量预估以及采摘机器人果园环境感知等应用领域，能够较好地助力传统果园种植产业向自动化、智能化方向转型升级。
-
公开(公告)号：CN114463741A
公开(公告)日：2022-05-10
申请号：CN202210108805.2
申请日：2022-01-28
申请人： 华南农业大学
IPC分类号： G06V20/68 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明针对现有技术的局限性，提出了一种基于深度学习的荔枝病虫害识别方法。该方法运用了深度学习训练的结果，能够自动识别多种荔枝病虫害，解决传统人工识别病虫害方法效率低下、识别效果不佳等问题；方案中使用的荔枝病虫害识别模型在轻量型卷积神经网络ShuffleNetV2的基础上引入了注意力机制SimAM、使用了激活函数Hardswish，并在全连接层中采用了Dropout正则化方法；该荔枝病虫害识别模型不仅能够有效提取重要特征，抑制非重要特征的干扰，提高网络分类识别性能，而且不额外增加网络模型参数数量，降低了模型的存储和计算开销。
-
公开(公告)号：CN114689038B
公开(公告)日：2024-10-22
申请号：CN202210378912.7
申请日：2022-04-12
申请人： 华南农业大学
IPC分类号： G01C21/00 , G01C21/20 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/82 , B25J11/00 , B25J9/16
摘要： 本发明公开了一种基于机器视觉的果实检测定位与果园地图构建方法，该方法利用采用搭载有RGBD相机的移动机器人实现水果果实目标检测、计数以及采摘定位，同时将视觉里程计信息以及激光雷达的点云信息数据进行融合，采用非线性优化方法实现用于果园环境中的SLAM建图与定位；之后基于多线程编程方法将两个线程融合，从而实现应用于实际果园环境中的移动机器人实时果实检测定位与全局建图与自定位，并基于构建完成的果园语义地图实现移动机器人在果园中的全局路径规划功能。依靠该方法能够实现智能化果园巡航、智能化果园产量预估以及采摘机器人果园环境感知等应用领域，能够较好地助力传统果园种植产业向自动化、智能化方向转型升级。
-
公开(公告)号：CN117058669A
公开(公告)日：2023-11-14
申请号：CN202311061583.4
申请日：2023-08-23
申请人： 华南农业大学
IPC分类号： G06V20/68 , G06V10/82 , G06V10/764 , G06V10/80 , G06V10/52 , G06V10/422 , G06V10/56 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种基于深度学习的荔枝果实识别方法，包括以下步骤S1、获取荔枝图像作为样本图像；S2、对获取的荔枝图像进行预处理；S3、对预处理后的图像进行标注、构建荔枝数据集以及将数据集划分；S4、构建基于深度学习的荔枝识别模型；S5、将训练集输入步骤S4中所构建的荔枝识别模型中，并训练荔枝识别模型；S6、将待识别图像输入到步骤S5中经过训练后的荔枝识别模型中，获得待识别图像的荔枝识别结果。本发明能够自动识别自然环境下不同成熟度的荔枝，解决传统荔枝识别方法识别效果不佳的问题，方案中使用的荔枝识别模型在基于深度学习的YOLOv8的基础上引入了FasterNet模块和EMA注意力机制，能够有效提取重要特征，提高网络识别性能。
-
公开(公告)号：CN117333694A
公开(公告)日：2024-01-02
申请号：CN202311170454.9
申请日：2023-09-11
申请人： 华南农业大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N3/045 , G06N3/0499 , G06V10/762 , G06V10/25
摘要： 本申请涉及基于深度学习的农作物害虫检测方法、装置、设备及介质，方法包括：采集在不同光照下各种类别的农作物害虫图像，对训练集中的各个农作物害虫图像中的农作物害虫位置添加锚点，基于聚类算法对锚点进行聚类以拟合所述训练集的尺度，确定农作物害虫检测模型的不同尺度的训练集；将农作物害虫检测模型的骨干网络更新为ShuffleNet v2模块，将深度可分离卷积神经网络更新至颈部网络的Conv模块中，并将Cross卷积神经网络更新至C3模块中的Botttlenet中，以及将ECA注意机制添加至骨干网络中，以完成农作物害虫检测模型的更新；将待检测农作物害虫图像输入至训练好的农作物害虫检测模型，确定待检测农作物害虫图像中农作物害虫的类别及位置。本申请能够大大提高检测效率。
-
-
-
-
-
-
-
-
-
搜索结果
26 条记录 (耗时 0.026 秒)
