-
公开(公告)号：CN114998708A
公开(公告)日：2022-09-02
申请号：CN202210657359.0
申请日：2022-06-10
Applicant: 安徽农业大学
IPC: G06V10/84 , G06V10/82 , G06V10/774 , G06V10/58 , G06V10/25 , G06T7/90 , G06T7/40 , G06T7/13 , G06N3/04 , G06K9/00 , G06F17/16 , G01N21/25
Abstract: 本发明公开了一种基于图谱信号的茶叶种类识别方法和装置，该方法包括：1获取不同种类茶叶样本的高光谱图像，并对高光谱图像进行黑白板校正；2对校正后的高光谱图像提取感兴趣区域的平均光谱信号和图像信号；3基于茶叶样本的平均光谱信号进行马尔可夫转换域编码，得到编码图像；4将茶叶样本的图像信号进行一级冗余离散小波分解，得到四个子带图像；5基于有效信息最多的三个子带图像建立小波组合图像；6通过3个1×1的卷积核融合编码图像和小波组合图像，再利用AlexNet模型进行训练测试，得到茶叶种类的识别结果。本发明通过编码图像和小波组合图像获取更多的茶叶样本信息，从而能提高茶叶种类的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN115062656B
公开(公告)日：2023-08-11
申请号：CN202210658122.4
申请日：2022-06-10
Applicant: 安徽农业大学
IPC: G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于电子鼻信号空间域的茶多酚含量预测方法和装置，该方法包括：1、获取茶叶样本的电子鼻信号并测量茶多酚含量；2、提取茶叶样本电子鼻信号平稳状态时的响应值作为茶叶样本电子鼻信号特征；3、基于茶叶样本的茶多酚含量，利用最大信息系数对茶叶样本电子鼻信号特征进行优选，得到对应的茶叶样本优选电子鼻信号；4、通过编码转换方法将茶叶样本优选电子鼻信号转化为空间域图像；5、基于卷积神经网格CNN对空间域图像进行训练测试，得到茶多酚含量的预测结果。本发明能将电子鼻信号的一维时间序列转化为二维图像，并能挖掘电子鼻信号的空间域特征，同时，利用CNN网络能实现茶多酚含量的及时准确预测。
-
公开(公告)号：CN114998708B
公开(公告)日：2023-09-26
申请号：CN202210657359.0
申请日：2022-06-10
Applicant: 安徽农业大学
IPC: G06V10/84 , G06V10/82 , G06V10/774 , G06V10/58 , G06V10/25 , G06T7/90 , G06T7/40 , G06T7/13 , G06N3/0464 , G06F18/10 , G06F17/16 , G01N21/25
Abstract: 本发明公开了一种基于图谱信号的茶叶种类识别方法和装置，该方法包括：1获取不同种类茶叶样本的高光谱图像，并对高光谱图像进行黑白板校正；2对校正后的高光谱图像提取感兴趣区域的平均光谱信号和图像信号；3基于茶叶样本的平均光谱信号进行马尔可夫转换域编码，得到编码图像；4将茶叶样本的图像信号进行一级冗余离散小波分解，得到四个子带图像；5基于有效信息最多的三个子带图像建立小波组合图像；6通过3个1×1的卷积核融合编码图像和小波组合图像，再利用AlexNet模型进行训练测试，得到茶叶种类的识别结果。本发明通过编码图像和小波组合图像获取更多的茶叶样本信息，从而能提高茶叶种类的识别精度。
-
公开(公告)号：CN115062656A
公开(公告)日：2022-09-16
申请号：CN202210658122.4
申请日：2022-06-10
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于电子鼻信号空间域的茶多酚含量预测方法和装置，该方法包括：1、获取茶叶样本的电子鼻信号并测量茶多酚含量；2、提取茶叶样本电子鼻信号平稳状态时的响应值作为茶叶样本电子鼻信号特征；3、基于茶叶样本的茶多酚含量，利用最大信息系数对茶叶样本电子鼻信号特征进行优选，得到对应的茶叶样本优选电子鼻信号；4、通过编码转换方法将茶叶样本优选电子鼻信号转化为空间域图像；5、基于卷积神经网格CNN对空间域图像进行训练测试，得到茶多酚含量的预测结果。本发明能将电子鼻信号的一维时间序列转化为二维图像，并能挖掘电子鼻信号的空间域特征，同时，利用CNN网络能实现茶多酚含量的及时准确预测。
-
公开(公告)号：CN112287886A
公开(公告)日：2021-01-29
申请号：CN202011308778.0
申请日：2020-11-19
Applicant: 安徽农业大学
Abstract: 本发明提出基于高光谱图像融合图谱特征的小麦植株氮含量估测方法。本发明的方法是采集小麦冠层高光谱图像和地面小麦植株氮含量；首先提取光谱反射率并计算植被指数、位置和形状特征；然后提取主成分高光谱图像并利用卷积神经网络提取深层特征；再次利用随机森林算法、相关系数分析法确定优选的特征，利用并行融合策略针对优选的特征构建新的融合图谱特征；最后建立基于融合图谱特征的支持向量回归模型预测小麦植株氮含量。本发明的方法估测精度高、模型的泛化力强，适用于小麦全生育期，同时也是目前第一次提出综合高光谱图像的植被指数、位置和形状特征、深层特征构建融合图谱特征估测小麦植株氮含量的方法。
-
公开(公告)号：CN112287886B
公开(公告)日：2023-09-22
申请号：CN202011308778.0
申请日：2020-11-19
Applicant: 安徽农业大学
Abstract: 本发明提出基于高光谱图像融合图谱特征的小麦植株氮含量估测方法。本发明的方法是采集小麦冠层高光谱图像和地面小麦植株氮含量；首先提取光谱反射率并计算植被指数、位置和形状特征；然后提取主成分高光谱图像并利用卷积神经网络提取深层特征；再次利用随机森林算法、相关系数分析法确定优选的特征，利用并行融合策略针对优选的特征构建新的融合图谱特征；最后建立基于融合图谱特征的支持向量回归模型预测小麦植株氮含量。本发明的方法估测精度高、模型的泛化力强，适用于小麦全生育期，同时也是目前第一次提出综合高光谱图像的植被指数、位置和形状特征、深层特征构建融合图谱特征估测小麦植株氮含量的方法。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
