-
公开(公告)号:CN119888479A
公开(公告)日:2025-04-25
申请号:CN202411837018.7
申请日:2024-12-13
Applicant: 南京林业大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于改进YOLOv8的苹果叶片病害检测方法,包括以下步骤:(1)获取苹果叶片病虫害图像,根据病理特征进行预处理;(2)采用图像处理方法扩充数据集,并划分训练集和测试集;(3)构建改进的YOLOv8网络模型,使用改进后的模型对数据集进行训练,得到最终的苹果叶片病害检测模型;(4)利用最终的苹果叶片病害检测模型对图像进行检测,得到检测结果;本发明提高了检测精度。
-
公开(公告)号:CN112836658A
公开(公告)日:2021-05-25
申请号:CN202110171838.7
申请日:2021-02-08
Applicant: 南京林业大学
Abstract: 本发明公开一种基于迁移学习和稀疏损失函数的人脸识别方法,其特征在于:包括人脸数据库,该人脸数据库采用深度图像的组合,作为孪生神经网络模块的输入;孪生神经网络模块,该孪生神经网络模块中设置有卷积神经网络,用于提取人脸数据库输入的人脸的特征向量;将孪生神经网络模块提取到的人脸的特征向量,通过误差损失函数来计算输出的人脸特征向量的误差,并对孪生神经网络模块进行训练,使整个模型的误差越来越小。本发明通过孪生神经网络模块对这些组合进行训练,设计了新的稀疏损失函数,无论在正样本还是负样本的情况下,计算的误差将会在一定范围内,并且设计了边界参数,使得负样本的误差在边界之内,因此可快速准确的对人脸进行识别。
-
公开(公告)号:CN111242359B
公开(公告)日:2020-09-29
申请号:CN202010011980.0
申请日:2020-01-06
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于数据漂移的太阳辐射在线动态预测方法,属于光伏预测技术领域。将测量的L个样本分为两段,计算两段平均值I(u1)和I(u2);|I(u1)‑I(u2)|>Td采用MB预测,若I(t)为连续发生的数据漂移,将X′(t)存储到DC中,若DC数据个数达上限,DC替换DA,并训练更新MA;若I(t)时第一次发生数据漂移,清空DC,并将X′(t)添加或替换到DB中,并训练更新MB;|I(u1)‑I(u2)|≤Td采用MA预测,将X′(t)添加或替换到DA中,训练更新MA;输出结果进入下个循环。本发明实现太阳辐射在线动态预测和模型更新。
-
公开(公告)号:CN119958933A
公开(公告)日:2025-05-09
申请号:CN202510198040.X
申请日:2025-02-21
Applicant: 南京林业大学
Abstract: 一种烟草前处理及成分快速光谱检测一体化系统,包括光谱检测装置、烘干粉碎装置、中间储存装置和废料储存装置;烘干粉碎装置的壳体的出料口连接有小颗粒滤网控制阀,其关闭时只有小颗粒通过;中间储存装置的腔体内安装抽吸装置,出料口的两出料端分别连接废料储存装置和检测室;两出料端上有第一、二控制阀;废料储存装置与第一出料端连接;检测室是透明盒体,其两端分别连接检测室进料管和出料管;检测室在暗室的中部分和下部分之间;下部分内安装透射光源,透射光源的光线照向检测室;中部分内安装有光谱传感器,它竖直朝向检测室;检测室出料管上有气体滤网控制阀,其关闭时只允许气体通过;检测室出料管连接样品储存装置。
-
公开(公告)号:CN119863695A
公开(公告)日:2025-04-22
申请号:CN202411798413.9
申请日:2024-12-09
Applicant: 南京林业大学
IPC: G06V20/10 , G01N21/25 , G06V20/17 , G16C20/20 , G16C20/70 , G06V10/774 , G06V10/776 , G06V10/77 , G06V10/764 , G06V10/25 , G06N20/20 , G06N5/01
Abstract: 一种基于机载高光谱影像的银杏冠层叶绿素含量估测方法,首先,获取银杏叶用林冠层高光谱图像与叶绿素含量数据集。建立银杏叶用林冠层高光谱影像预估冠层叶绿素平均含量的快速预估模型,并用该模型以银杏叶用林冠层高光谱图像为输入,预测相应的叶绿素含量。模型建立过程为:首先使用多元散射校正MSC对图像预处理;其次对预处理后的光谱数据采用竞争性自适应重加权采样算法CARS进行特征波段选择;最后将筛选出来的特征波段光谱数据与实测叶绿素值代入XGBoost‑RF机器学习模型,建立高光谱估测叶绿素含量模型。本发明的方法是一种无损的快速检测技术,能够实时监测植物健康状况。
-
公开(公告)号:CN119559050A
公开(公告)日:2025-03-04
申请号:CN202411632250.7
申请日:2024-11-14
Applicant: 南京林业大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 一种银杏叶用林冠层近地遥感影像超分辨率重建方法,步骤包括:(一)采集不同高度下的银杏多光谱遥感图像,通过对齐真实的LR图像与HR图像创建数据集;(二)采用超分辨率重建模型从低分辨率的遥感图像的中恢复出高分辨率图像;超分辨率重建模型RTGAN以SRGAN模型为基线模型;RTGAN由生成器网络和判别器网络组成,在生成器网络中整合由多个连续的残差块构成的MDRB,并使用U‑Trans判别器作为判别网络;生成器网络通过多层非线性变换和特征提取,将LR图像映射为SR图像;判别器网络评估生成图像的质量和真实性,区分真实HR图像和生成的SR图像;最终判别器网络不能区分上述两种图像,获得高质量的SR图像。
-
公开(公告)号:CN115273072B
公开(公告)日:2023-05-19
申请号:CN202210663984.6
申请日:2022-06-13
Applicant: 南京林业大学
IPC: G06V20/68 , G06V10/30 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G01N21/84 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/082
Abstract: 本发明公开一种基于改进Yolov5s模型的苹果叶片病害检测方法,首先,获取苹果叶片不同病害的图像,进行标签标注,构建初始数据集;采用图像处理方法扩充数据集,并划分训练集和测试集,得到最终的数据集;引入Yolov5s模型并加以改进,使用改进后的模型对数据集进行训练得到最终的苹果叶片病害检测模型;利用最终的苹果叶片病害检测模型对待检测图像进行检测,得到检测结果。本发明通过改进Yolov5s模型和引入Attentive GAN算法,不仅在网络训练模型时增强网络学习特征的表达能力,提高模型的准确率和精度,而且能够在雨天情况下实现对苹果叶片病害的准确识别。
-
公开(公告)号:CN119559393A
公开(公告)日:2025-03-04
申请号:CN202411625752.7
申请日:2024-11-14
Applicant: 南京林业大学
IPC: G06V10/26 , G06V20/10 , G06V20/17 , G06V10/77 , G06V10/44 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 一种真实场景下的银杏叶用经济林冠层语义分割方法,该方法采用语义分割模型对低空无人机采集到的叶用银杏冠层正射影像进行处理,从复杂背景中区分出叶用银杏冠层。所述语义分割模型是Haar_UNet;Haar_UNet是对UNet分割网络的改进,改进方法是在保留UNet分割网络的编码和解码器的网络框架下:用哈尔小波下采样模块替换编码层的最大池化下采样层,将原始图像信息分解为低频子带与高频子带,利用高频信息能够无损还原的特点进行后续的特征提取与重构;在特征通道的升维与降维运算后嵌入SENet注意力机制模块;在每层编码器下采样前嵌入Multi grid空洞卷积模块。试验结果表明Haar_UNet模型具有较高的分割识别精度。
-
公开(公告)号:CN117152484A
公开(公告)日:2023-12-01
申请号:CN202310887250.0
申请日:2023-07-19
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/774 , G06V10/762 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种改进YOLOv5s的小目标布匹瑕疵检测方法,属于机器视觉检测技术领域,获取小目标布匹瑕疵图像,建立初始的数据集;对小目标布匹瑕疵数据集进行聚类分析并得到聚类中心;将聚类中心值输入至YOLOv5s网络;在YOLOv5s网络引入CA注意力模块,使网络在更大区域内进行注意;采用BiFPN结构作为YOLOv5s网络模型的特征融合网络;采用Eiou损失函数代替原损失函数,不仅考虑了中心点距离和纵横比,而且还考虑了预测框与真实框宽度和高度的真实差异,提高了锚框的预测精度。结果表明,相较于原YOLOv5s算法,本发明在小目标布匹瑕疵检测上具有更强的特征提取能力和更高的检测精度。
-
公开(公告)号:CN112836658B
公开(公告)日:2022-03-25
申请号:CN202110171838.7
申请日:2021-02-08
Applicant: 南京林业大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06N3/08
Abstract: 本发明公开一种基于迁移学习和稀疏损失函数的人脸识别方法,其特征在于:包括人脸数据库,该人脸数据库采用深度图像的组合,作为孪生神经网络模块的输入;孪生神经网络模块,该孪生神经网络模块中设置有卷积神经网络,用于提取人脸数据库输入的人脸的特征向量;将孪生神经网络模块提取到的人脸的特征向量,通过误差损失函数来计算输出的人脸特征向量的误差,并对孪生神经网络模块进行训练,使整个模型的误差越来越小。本发明通过孪生神经网络模块对这些组合进行训练,设计了新的稀疏损失函数,无论在正样本还是负样本的情况下,计算的误差将会在一定范围内,并且设计了边界参数,使得负样本的误差在边界之内,因此可快速准确的对人脸进行识别。
-
-
-
-
-
-
-
-
-