-
公开(公告)号：CN119904747A
公开(公告)日：2025-04-29
申请号：CN202411963203.0
申请日：2024-12-30
Applicant: 安徽大学
Abstract: 本发明涉及一种基于提示学习的农作物病害识别方法，包括：获取农作物病害图像数据集；构建提示学习模型；将训练集输入提示学习模型进行训练；采用动态校准策略进行动态校准；校准后的提示向量通过动量缓冲机制进行更新，替换调整后的提示向量，得到更新后的提示学习模型；将待识别的农作物病害图像输入更新后的提示学习模型，得到识别结果。本发明首次将提示学习引入农作物病害识别任务，有效融合不同层次的特征信息，显著提升模型对基类的识别精度和新类的泛化性能；动态校准策略提升模型的域泛化能力，无需额外训练数据，利用CLIP模型中的跨模态知识在测试时对结果直接调优，有效解决传统熵最小化方法存在的特征偏移和性能衰减问题。
-
公开(公告)号：CN119785221A
公开(公告)日：2025-04-08
申请号：CN202411983904.0
申请日：2024-12-31
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/40 , G06V10/54 , G06V10/56 , G06N20/00 , G06N3/126 , G06V10/774 , G06V10/764 , G06N5/01
Abstract: 本发明涉及基于多时相多特征与可解释性机器学习算法相结合的小麦赤霉病遥感预测方法，与现有技术相比解决了难以基于多时多特征相结合提升赤霉病预测精度的缺陷。本发明包括以下步骤：单时相和多时相数据的获取及预处理；构建多时相特征；小麦赤霉病最优特征的筛选；小麦赤霉病预测模型的构建和训练；待预测遥感影像的获取；小麦赤霉病遥感预测结果的获得。本发明结合了小麦的多时相和多特征，基于模拟退火算法寻找最优的XGBoost超参数训练模型，且获得理性的分类模型，实现了小麦赤霉病遥感影像的精准预测。
-
公开(公告)号：CN119671930A
公开(公告)日：2025-03-21
申请号：CN202411427034.9
申请日：2024-10-14
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/82 , G06V10/764 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种融合图像高频信息的玉米叶片病害识别方法，与现有技术相比解决了深度模型在识别复杂背景下玉米叶病害图像上难以学习到高频细节信息特征的缺陷。本发明包括以下步骤：获取玉米叶片图像并进行预处理；构建玉米叶片病害识别模型；玉米叶片病害识别模型的训练；待识别玉米叶片图像的获取；玉米叶片图像识别结果的获得。本发明将图像高频信息融合到轻量级MobileNetV3‑Large网络中，提出了一种融合图像高频信息的玉米叶病害识别模型，该模型具有更好的拟合能力，提高了对复杂环境下玉米叶病害的识别性能。
-
公开(公告)号：CN119323739A
公开(公告)日：2025-01-17
申请号：CN202411367941.9
申请日：2024-09-29
Applicant: 安徽大学
IPC: G06V20/17 , G06V10/82 , G06V10/774 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种基于改进U‑Net的无人机影像松材线虫病疫木识别方法，包括：通过无人机获取林区影像并进行预处理；对预处理后的影像数据和标注影像数据进行数据增强；对U‑Net网络模型进行改进，得到改进后的U‑Net网络模型；将训练集输入改进后的U‑Net网络模型中进行训练；将待识别的图像输入改进后的U‑Net网络模型，得到识别结果。本发明充分利用Swin Transformer编码器弥补U‑Net网络模型本身在捕获长距离依赖上的缺陷，提高松材线虫病感病疫木识别的精度；将U‑Net网络模型的瓶颈层替换成空洞空间金字塔池化模块，充分捕获了不同尺度的图像特征，增大感受野，充分利用上下文信息，减少特征信息损失，捕获更多有价值信息，提高松材线虫病感病疫木识别的精度。
-
公开(公告)号：CN118887555A
公开(公告)日：2024-11-01
申请号：CN202410890885.0
申请日：2024-07-04
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/30 , G06T7/11 , G06V10/774 , G06V10/764 , G06V20/70
Abstract: 本发明涉及一种基于U‑Net的湖泊围网养殖区自动提取方法，包括：选择高精度的遥感数据源并进行预处理；得到组合后的SAR影像；构建湖泊围网数据集；采用U‑Net模型构建湖泊围网提取模型，将湖泊围网数据集划分为训练集和验证集，将训练集输入湖泊围网提取模型进行训练；对待提取的湖泊SAR影像进行提取，得到湖泊围网初步提取结果；对初步提取结果进行处理，得到湖泊围网最终提取结果。本发明采用的U‑Net网络结构极大降低了网络参数设置的复杂度，具有局部感知和参数共享特点，显著降低了模型的复杂度，减少了权值数量，网络本身具有特征提取功能，可有效从样本中学习相应特征，避免复杂的特征提取过程；能够及时、快速、准确地实现湖泊围网养殖区的自动提取。
-
Patent Agency Ranking
公开(公告)号：CN117576467B
公开(公告)日：2024-04-26
申请号：CN202311560242.1
申请日：2023-11-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/20 , G06V10/82 , G06V10/44 , G06V10/56 , G06V10/77 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06V10/80 , G06N3/08 , G06N3/045
Abstract: 本发明涉及一种融合频率域和空间域信息的农作物病害图像识别方法，与现有技术相比解决了难以在复杂环境下实现农作物病害检测的缺陷。本发明包括以下步骤：农作物病害图像的获取及预处理；双分支病害图像识别模型的构建；双分支病害图像识别模型的训练；待识别农作物病害图像的获取；农作物病害图像识别结果的获得。本发明结合图像频率域信息与空间域信息提出了双分支的深度神经网络用于农作物病害识别，频率分支接受频域信息作为输入用于提取丰富的农作物病害频率分量特征，可变形注意力Transformer分支擅长于表征全局特征并且有选择的关注农作物病害局部区域特征，融合方法MSAF更好的融合农作物病害频率特征和空间特征。
-
公开(公告)号：CN117523412A
公开(公告)日：2024-02-06
申请号：CN202311543030.2
申请日：2023-11-20
Applicant: 安徽大学
IPC: G06V20/13 , G06V20/10 , G06V10/764
Abstract: 本发明涉及一种基于改进GWCCI指数的大豆遥感制图方法，包括：获得研究区Sentinel‑2影像，筛选出高晴空覆盖率的合成影像；得到仅包含耕地信息的合成影像；筛选出其中适合提取大豆的两种指数参与构建改进版GWCCI指数，确定改进版GWCCI指数的数学形式，并将其命名为GWCCI2指数；构建不同作物类型的GWCCI2时序图，确定大豆提取的最佳时相t；确定大豆提取的最佳阈值δ；根据最佳阈值δ判断每个像素是否属于大豆种植区。本发明提出了新的GWCCI2指数，该指数同时反映了作物的叶绿素含量及冠层水分含量，增强了大豆在结荚期内与其他作物间的差异，其对于大豆的敏感度要高于原始GWCCI指数，更加适用于种植区分散、大豆与其他作物交错混杂种植普遍情况下的大豆种植区提取。
-
公开(公告)号：CN117218429A
公开(公告)日：2023-12-12
申请号：CN202311178205.4
申请日：2023-09-13
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/77
Abstract: 本发明涉及一种基于双分支网络的光谱‑空间注意力机制的高光谱图像分类方法，包括：输入高光谱图像数据立方体；使用主成分分析将高光谱图像的光谱维数降维，对于要分类的像素，将其封装成相邻区域块作为光谱子网络的输入；在每个特定像素周围创建一个相邻区域来收集空间信息，并作为空间子网络的输入；得到一维光谱特征；得到一维空间特征；通过融合层对一维光谱特征和一维空间特征进行融合和平衡，使用softmax回归层来预测每一类地物的概率分布。本发明通过对高光谱图像作为研究对象，在有限样本的前提下提高高光谱图像的有效特征表示，既保证了分类精度，又减少了网络模型的参数个数和计算量；充分利用了光谱信息和空间信息，以取得更好的分类结果。
-
公开(公告)号：CN117173571A
公开(公告)日：2023-12-05
申请号：CN202311147718.9
申请日：2023-09-07
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/774 , G06V10/42 , G06V10/80
Abstract: 本发明涉及一种基于YOLOv8的大田麦穗检测方法，包括：获取麦穗数据集；对YOLOv8网络模型进行改进，得到改进后的YOLOv8网络模型；将训练集输入改进后的YOLOv8网络模型中进行训练，得到训练后的YOLOv8网络模型；对训练后的YOLOv8网络模型进行评价；将待检测的麦穗图片输入训练后的YOLOv8网络模型，训练后的YOLOv8网络模型输出最终检测结果。本发明通过在YOLOv8网络模型中引入AFPN，首先通过结合两个不同分辨率的低级特征来启动融合过程，然后将高级特征纳入融合过程，最终融合主干的顶级特征，可以避免非相邻层次之间存在较大的语义差距；引入深度可分离卷积模块，则可以降低模型参数量、模型大小，加快检测速度。
-
公开(公告)号：CN107103306A
公开(公告)日：2017-08-29
申请号：CN201710362043.8
申请日：2017-05-22
Applicant: 安徽大学
CPC classification number: G06K9/00657 , G06K9/4619 , G06K9/6269
Abstract: 本发明涉及基于小波分析与支持向量机的冬小麦白粉病遥感监测方法，与现有技术相比解决了小麦白粉病难以监测预报的缺陷。本发明包括以下步骤：数据获取；遥感数据的预处理；建模特征的选择；支持向量机模型的建立；获得遥感监测结果。本发明利用环境星遥感数据经过小波变换及特征筛选后，结合SVM算法建立的监测模型，实时准确获取大面积小麦白粉病发生的空间分布特征，为白粉病防治提供依据。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.04 seconds)
