-
公开(公告)号：CN107122922A
公开(公告)日：2017-09-01
申请号：CN201710371669.5
申请日：2017-05-23
申请人： 哈尔滨工业大学
摘要： 一种基于排序学习的农机深松作业质量评价方法，解决了现有对农机深松作业质量的评价未采用客观的评价体系的问题。所述方法包括：采集多台农机在一次深松作业中的作业数据的步骤：作业数据包括多个等间隔时间节点和农机的深耕犁在每个时间节点下的经度、纬度、三轴加速度、三轴角速度和耕地深度数据；对农机作业数据进行预处理的步骤；从预处理后的作业数据中提取作业特征值，并将特征值与其对应的标签值作为训练样本集的步骤：特征值包括地块轨迹规整度、农机单位里程内的不良作业行为数量和耕地深度稳定值；采用排序学习法对训练样本集进行训练得到最优农机深松作业质量评价模型的步骤。采用该模型对农机的深松作业质量进行评价的步骤。
-
公开(公告)号：CN107067043A
公开(公告)日：2017-08-18
申请号：CN201710379786.6
申请日：2017-05-25
申请人： 哈尔滨工业大学
摘要： 一种农作物病虫害检测方法，涉及一种农作物病虫害的检测方法。本发明为了解决现有的针对于农作物病虫害的智能检测准确率不高的问题和分类精度波动大的问题。本发明首先将具有明确标签的可见光农作物病虫害图像进行预处理，然后搭建十八层网络结构的卷积神经网络，用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练，得到训练好的卷积神经网络，并对具有明确标签的可见光农作物病虫害图像的特征进行提取；利用提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型；对新上传的农作物病虫害可见光图片特征提取，再用训练好的支持向量机模型对提取到的特征进行分类。本发明适用于农作物的病虫害检测。
-
公开(公告)号：CN110120042A
公开(公告)日：2019-08-13
申请号：CN201910400617.5
申请日：2019-05-13
申请人： 哈尔滨工业大学
摘要： 一种基于SLIC超像素和自动阈值分割的农作物图像病虫害区域提取方法，涉及基于图像处理的农作物病虫害检测领域。本发明通过对上传图像信息进行图像预处理，然后根据SLIC超像素分割算法将图像分割为若干超像素区域，从而提取病虫害叶片的边缘信息；以分割为超像素的图片为基础，通过直方图相交法合并超像素区域，从而将农作物叶片从背景干扰中提取出来。最后通过对叶片进行像素点遍历，利用叶片图像中正常区域与病虫害区域图像纹理相差较大的原理，设置自动阈值迭代将病虫害区域与健康区域分割开，具有较高的提取精度和效率。
-
公开(公告)号：CN106989664A
公开(公告)日：2017-07-28
申请号：CN201710379117.9
申请日：2017-05-25
申请人： 哈尔滨工业大学
IPC分类号： G01B7/26
CPC分类号： G01B7/26
摘要： 基于单元格扫描和GPS轨迹插值的土地深松合格率获取方法，本发明涉及土地深松合格率获取方法。本发明的目的是为了解决现有方法计算土地深松合格率精度低，且存在作弊的问题。过程为：步骤一：数据采集：通过安装在农机设备上的GPS定位装置和深松传感器每隔固定时间采集农机经纬度坐标和深松作业深度；步骤二：坐标转换：将采集的农机经纬度坐标按照高斯投影变换转换为平面直角坐标系下的XY坐标；步骤三：分段插值；步骤四：构建外切矩形；步骤五：扫描，获取土地深松合格率M÷N×100％。本发明用于土地深松合格率领域。
-
公开(公告)号：CN110120042B
公开(公告)日：2023-07-14
申请号：CN201910400617.5
申请日：2019-05-13
申请人： 哈尔滨工业大学
摘要： 一种基于SLIC超像素和自动阈值分割的农作物图像病虫害区域提取方法，涉及基于图像处理的农作物病虫害检测领域。本发明通过对上传图像信息进行图像预处理，然后根据SLIC超像素分割算法将图像分割为若干超像素区域，从而提取病虫害叶片的边缘信息；以分割为超像素的图片为基础，通过直方图相交法合并超像素区域，从而将农作物叶片从背景干扰中提取出来。最后通过对叶片进行像素点遍历，利用叶片图像中正常区域与病虫害区域图像纹理相差较大的原理，设置自动阈值迭代将病虫害区域与健康区域分割开，具有较高的提取精度和效率。
-
公开(公告)号：CN107067043B
公开(公告)日：2020-07-24
申请号：CN201710379786.6
申请日：2017-05-25
申请人： 哈尔滨工业大学
摘要： 一种农作物病虫害检测方法，涉及一种农作物病虫害的检测方法。本发明为了解决现有的针对于农作物病虫害的智能检测准确率不高的问题和分类精度波动大的问题。本发明首先将具有明确标签的可见光农作物病虫害图像进行预处理，然后搭建十八层网络结构的卷积神经网络，用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练，得到训练好的卷积神经网络，并对具有明确标签的可见光农作物病虫害图像的特征进行提取；利用提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型；对新上传的农作物病虫害可见光图片特征提取，再用训练好的支持向量机模型对提取到的特征进行分类。本发明适用于农作物的病虫害检测。
-
公开(公告)号：CN107122922B
公开(公告)日：2020-06-16
申请号：CN201710371669.5
申请日：2017-05-23
申请人： 哈尔滨工业大学
摘要： 一种基于排序学习的农机深松作业质量评价方法，解决了现有对农机深松作业质量的评价未采用客观的评价体系的问题。所述方法包括：采集多台农机在一次深松作业中的作业数据的步骤：作业数据包括多个等间隔时间节点和农机的深耕犁在每个时间节点下的经度、纬度、三轴加速度、三轴角速度和耕地深度数据；对农机作业数据进行预处理的步骤；从预处理后的作业数据中提取作业特征值，并将特征值与其对应的标签值作为训练样本集的步骤：特征值包括地块轨迹规整度、农机单位里程内的不良作业行为数量和耕地深度稳定值；采用排序学习法对训练样本集进行训练得到最优农机深松作业质量评价模型的步骤。采用该模型对农机的深松作业质量进行评价的步骤。
-
公开(公告)号：CN107220617A
公开(公告)日：2017-09-29
申请号：CN201710379076.3
申请日：2017-05-25
申请人： 哈尔滨工业大学
CPC分类号： G06K9/00335 , G06F3/011 , G06K9/00362 , G06K9/6269
摘要： 人体姿态识别系统及方法，属于智能控制与看护的人体姿态识别技术领域。本发明是为了解决在图像视频识别人体运动姿态时，人体与背景特征差异不明显，难以识别，同时面向区域的识别无法有效实时跟踪目标的问题。本发明所述的人体姿态识别系统及方法，对采集的信息进行预处理，生成较为纯净可用的数据流。对纯净有用的数据流进行逐帧特征提取，作为后续训练的输入样本。利用提取的特征训练分类器。用相同采集模块采集信息，并输入训练好的分类器进行分类识别。识别准确率达到了98％，适用于一切采用腕部和腿部收集人体运动信息的设备。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.028 秒)