-
公开(公告)号:CN116363109A
公开(公告)日:2023-06-30
申请号:CN202310358020.5
申请日:2023-03-31
IPC分类号: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0455
摘要: 本发明公开一种基于改进DETR模型的木材缺陷检测方法,属于智能识别木材的技术领域,本发明采用DETR模型进行木材缺陷检测,基于无参的离散傅里叶变换进行图片特征的交互,取代了原有DETR中的自注意力层,极大降低了参数量;并且改变了原有DETR中生成目标查询向量的方式,加快了收敛速度,简化了计算的复杂度。本发明具有较好的木材缺陷定位以及分类能力,大大降低了生产成本,实现了木材等级分类的高度自动化,提升了产品质量。
-
公开(公告)号:CN116612068A
公开(公告)日:2023-08-18
申请号:CN202310359313.5
申请日:2023-03-31
IPC分类号: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0455
摘要: 一种基于改进DINO网络模型的木材表面缺陷检测方法,涉及基于深度学习的木板原材料表面缺陷检测的技术领域,包括:实地采集木材表面缺陷数据集;对数据集进行预处理;对数据集进行标注、数据增强和划分;设计基于改进DINO的木材表面缺陷检测模型;利用训练集、验证集对DINO模型进行训练和验证;根据实验结果进行模型调优;利用调优好的模型进行木材缺陷检测。本发明有效提高了木材表面缺陷检测的识别准确率和识别效率,同时模型可以在极少训练轮数下达到收敛,极大降低了模型训练时间,并且模型具有较低的计算量,易于工业现场的木材缺陷实时检测。
-
公开(公告)号:CN118628403A
公开(公告)日:2024-09-10
申请号:CN202410829268.X
申请日:2024-06-25
IPC分类号: G06T5/73 , G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/08
摘要: 本发明属于信息技术的图像编码技术领域,更具体地,涉及一种木板图像去模糊的方法、装置及计算机可读存储介质。该方法包括获取模糊图像数据集,将数据集划分为训练集、验证集和测试集;使用Transformer架构作为骨干网络结合前馈神经网络,构建木板图像去模糊模型;基于训练集,对所述木板图像去模糊模型进行训练,并基于验证集,对训练好的木板图像去模糊模型进行验证;基于测试集,采用训练好的木板图像去模糊模型进行去模糊处理,得到红外图像去模糊结果。本发明解决现有技术中在图像恢复过程中,图像的边缘信息容易丢失,由于这些原因,模糊图像不能恢复出很好的结果的问题。
-
公开(公告)号:CN118520394A
公开(公告)日:2024-08-20
申请号:CN202410589830.6
申请日:2024-05-13
IPC分类号: G06F18/2433 , G06F18/15 , G06F18/213 , G06N3/0442 , G06N3/045 , G06N3/084 , G01S19/37 , G06N3/048
摘要: 本发明涉及农机运动识别技术领域,具体涉及一种由轨迹分布特征驱动的农机运动模式识别算法、装置、设备及存储介质。该方法包括以下步骤:获取农机运动轨迹原始数据,得到轨迹数据集合;对轨迹数据集合进行数据清洗,将其中的时空重复点、离散点和漂移点移除;计算数据清洗后的轨迹数据集合中每个轨迹点的运动特征和分布特征,并将运动特征和分布特征作为输入特征;分布特征包括密度特征和平行特征;利用深度学习模型从输入特征中提取深层特征,并对农机运动轨迹点进行识别。本发明通过将运动、分布特征与深度学习模型相结合,能够有效提高农机轨迹点的识别准确率,获得更加准确的农机运动模式识别结果。
-
公开(公告)号:CN118429837A
公开(公告)日:2024-08-02
申请号:CN202410523193.2
申请日:2024-04-28
IPC分类号: G06V20/17 , G06V10/40 , G06V10/766 , G06V10/774 , G06V10/764
摘要: 本发明属于图像识别与处理技术领域,更具体地,涉及一种基于近地遥感与改进YOLOv8s的玉米植株检测方法、装置及计算机可读存储介质,包括通过近地遥感技术获取待处理图像;对待处理图像进行重建,得到重建图像;对重建图像进行自适应切割,适应模型能够处理的最佳尺寸;当重建图像不能被整个切割时,将不足部分使用空白图层填充,最终得到自适应图像;对自适应图像进行标注、数据划分和格式导出,得到数据集;建立玉米植株检测模型,并进行训练;将数据集输入玉米植株检测模型进行检测。本发明解决现有技术中传统模型使用的CIoU计算较为复杂,收敛速度慢,对于小目标检测以及密集目标检测并不能有效地检测。
-
公开(公告)号:CN117975442A
公开(公告)日:2024-05-03
申请号:CN202410167173.6
申请日:2024-02-06
IPC分类号: G06V20/68 , G06V10/25 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0495 , G06N3/082
摘要: 本发明属于果蔬检测特定计算机模型的技术领域,更具体地,涉及一种基于改进YOLOv5s的轻量化番茄成熟度检测系统及方法。所述系统包括骨干网络、颈部结构和头部结构;所述骨干网络中包括Ghostconv模块、C3Ghost模块和SPPF模块,将原C3模块内部的Bott leneck模块替换为GhostBott leneck模块;所述颈部结构的PANet使用加权双向特征金字塔网络BiFPN进行代替;所述头部结构使用EIoU损失函数替换CIoU损失函数。本发明解决了现有技术中YOLOv5s模型的PANet结构在特征融合过程中未考虑到不同特征信息在融合过程中的不同贡献,且没有横向连接充分融合特征信息,导致多尺度特征的表达能力减弱,检测精度降低的问题。
-
公开(公告)号:CN117591938A
公开(公告)日:2024-02-23
申请号:CN202311615499.2
申请日:2023-11-28
IPC分类号: G06F18/241 , G06F18/25 , G06F18/213 , G06F18/10 , G06F18/214 , G06N3/08 , G06N3/0442 , G06N3/0464
摘要: 本发明属于基于特定计算模型的农机轨迹识别技术领域,更具体地,涉及一种基于神经网络的农机轨迹时空特性提取与行为识别方法。所述方法包括采集农机GNSS轨迹点得到轨迹数据集合,并对数据进行清洗操作;计算出数据清洗后的农机GNSS轨迹每个轨迹点的特征,并将特征与速度、方向进行组合;通过神经网络模型对GNSS轨迹提取时空特征;将提取的时间特征和空间特征通过特征拼接操作实现特征融合;基于特征拼接后的融合特征,通过线性分类器对每个GNSS轨迹进行田间和道路的分类。本发明解决了现有技术中在深层特征提取上具有困难,忽略轨迹数据间的空间关系,并且调参复杂,难以实现准确且实时的田间‑道路行为识别的问题。
-
公开(公告)号:CN118014965A
公开(公告)日:2024-05-10
申请号:CN202410181512.6
申请日:2024-02-18
IPC分类号: G06T7/00 , G06V10/44 , G06V10/80 , G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/08
摘要: 本发明属于图像分析的技术领域,更具体地,涉及一种无参考木板图像质量评估方法。所述方法包括获取制作木板的现场原始图像数据,进行主观评分形成数据集,并对数据集划分为训练集和测试集;构建无参考木板图像质量评估模型;所述评估模型包括CNN模块、位置编码模块、Transformer编码器和图像质量评估输出模块;将数据集输入无参考木板图像质量评估模型进行训练及优化。本发明解决了现有技术中木板表面的复杂性和多样性使得在全局和局部层面同时捕捉图像特征更加困难,以及对木板质量的自动化评估准确性和效率较低的问题。
-
公开(公告)号:CN117788450A
公开(公告)日:2024-03-29
申请号:CN202311871060.6
申请日:2023-12-29
IPC分类号: G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/084
摘要: 本发明属于遥感图像检测特定计算机模型的技术领域,涉及一种基于Transformer与DCN的遥感图像变化检测方法及装置。该方法包括:基于遥感图像数据构建样本集,该样本集中包含时相图和标签图;基于Transformer和动态卷积构建图像变化检测模型,并将时相图输入图像变化检测模型,以得到变化预测图;基于标签图及变化预测图计算图像变化检测模型的交叉熵损失值,并基于交叉熵损失值优化图像变化检测模型的参数,以得到图像变化检测目标模型;利用图像变化检测目标模型对待检测的遥感图像进行变化检测。本发明解决了现有遥感影像变化检测技术由于忽略与任务不相关变化的影响导致的漏报和误报问题,以提高检测精度和鲁棒性。
-
公开(公告)号:CN117475299A
公开(公告)日:2024-01-30
申请号:CN202311283629.7
申请日:2023-09-28
申请人: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院) , 山东山科智控数字化科技有限公司 , 山东省农业科学院
IPC分类号: G06V20/10 , G06V10/25 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/0464 , G06N3/045 , G06N3/084
摘要: 本发明属于输电通道检测特定计算机模型的技术领域,更具体地,涉及一种基于YOLOv8的玉米叶片虫害区域检测方法。所述方法包括构建数据集;对数据集的玉米虫害区域图片进行预处理:使用轻量级注释工具“labelme”进行多边形标注,将虫害区域分为3个类别;将预处理后的玉米虫害区域图片输入Poly‑YOLOv8虫害区域检测模型的骨干网络进行特征提取后经颈部网络进行特征融合,最后输入改进的解耦检测头生成检测结果;将经训练和测试后的Poly‑YOLOv8虫害区域检测模型对玉米虫害区域进行实时监测。本发明解决了现有技术中忽略了叶片上虫害区域的检测,基于实例分割的虫害区域检测无法有效定位叶片边界,进而导致精确度不足的问题。
-
-
-
-
-
-
-
-
-