-
公开(公告)号：CN119832106A
公开(公告)日：2025-04-15
申请号：CN202411901420.7
申请日：2024-12-23
Applicant: 江南大学
Abstract: 本申请涉及一种遥感数据重建方法、装置、计算机设备和存储介质。所述方法包括：获取农作物的光学遥感数据，并根据光学数据缺失规律生成NDVI时间序列修复数据集；调用周期插值生成对抗网络对NDVI时间序列修复数据集进行重建，得到高时间分辨率的NDVI时间序列；对高时间分辨率的NDVI时间序列进行图像数据可视化处理，得到重建后的NDVI图像时间序列。通过对光学遥感数据的修复、重建与可视化处理，提升了农作物生长监测的准确性和实用性。
-
公开(公告)号：CN112884050B
公开(公告)日：2024-04-12
申请号：CN202110213004.8
申请日：2021-02-26
Applicant: 江南大学
IPC: G06Q10/0639 , G06F18/2113 , G06F18/214 , G06F18/231 , G06F18/22 , G06Q50/04
Abstract: 本发明公开了一种基于无监督主动学习的品质检测方法，涉及光谱技术领域，该方法对光谱特征进行聚类分析实现多样性划分得到多个样本簇，从每个样本簇中利用局部线性重建算法选出特征集合元素，从而选出了具有代表性的特征样本产品，然后再给特征样本产品打上品质参数标签，从而可以减少有标记样本的数量，减少破坏性理化实验，同时融合了样本多样性和代表性的选择标准，可以有效地提高品质预测模型的精度，可以减少建模难度，提高建模效率和精度，有利于优化品质检测结果。
-
-
公开(公告)号：CN115965609A
公开(公告)日：2023-04-14
申请号：CN202310001505.9
申请日：2023-01-03
Applicant: 江南大学
IPC: G06T7/00 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/096
Abstract: 本申请公开了一种利用知识蒸馏的陶瓷基板瑕疵智能检测方法，涉及深度学习目标检测领域，该方法综合高分辨率样本图像和低分辨率样本图像分别输入教师网络模型得到的特征图计算教师网络模型的总损失函数来训练教师网络模型，然后基于知识蒸馏的方法利用教师网络模型指导训练学生网络模型，综合高低分辨率样本图像输入教师网络模型得到的融合特征以及低分辨率样本图像输入学生网络模型的特征图计算学生网络模型的总损失函数，最终指导学生网络模型训练得到瑕疵检测模型，即便是针对低分辨率的待测图像也能实现较高的检测准确率，从而可以在检测速度和检测准确率上都有较优表现，对陶瓷基板的瑕疵检测效率高。
-
公开(公告)号：CN114596273B
公开(公告)日：2022-11-25
申请号：CN202210202582.6
申请日：2022-03-02
Applicant: 江南大学
IPC: G06T7/00 , G06T7/60 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种利用YOLOV4网络的陶瓷基板多种瑕疵智能检测方法，涉及深度学习目标检测领域，该方法基于YOLOV4网络构建智能检测模型进行陶瓷基板的多种瑕疵智能检测，本申请针对陶瓷基板的瑕疵的特点优化了损失函数的计算方法，损失函数中的置信度损失函数基于梯度均衡机制利用所有单元网格内的预测框与对应真实框的置信度计算得到，从而可以使得训练得到的智能检测模型在保证检测准确性的同时，较高提升了瑕疵的检出率，能够对陶瓷基板瑕疵进行高效、快速而准确地检测。
-
Patent Agency Ranking
公开(公告)号：CN115096868A
公开(公告)日：2022-09-23
申请号：CN202210697993.7
申请日：2022-06-20
Applicant: 江南大学
IPC: G01N21/65 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本申请公开了一种基于拉曼散射成像技术的重组牛肉检测系统，涉及食品无损检测技术领域，该系统中点激光器发出入射激光照射在待检测牛肉的表面，处理组件通过拉曼光谱成像仪和相机组件采集原始拉曼散射图像并进行图像预处理得到待识别图像输入牛肉检测模型，位置编码层对待识别图像提取包含拉曼光谱信息特征以及不同空间偏移距离的相对位置特征的特征向量输入Transformer编码器利用内置的注意力机制挖掘提取得到包含偏移维度权重信息的待分类特征最终由多层感知机头输出检测分类结果；该系统可以准确高效的实现重组牛肉无损检测，且能够自动学习不同数据特征之间的权重贡献信息，极大地提高了模型的分类精度，且拥有良好的鲁棒性。
-
公开(公告)号：CN114998893A
公开(公告)日：2022-09-02
申请号：CN202210665138.8
申请日：2022-06-14
Applicant: 江南大学
Abstract: 本发明涉及一种基于半监督迁移学习的食品品质无损检测模型构建方法，包括：获取只含有标签样本的源域数据集和含有第一预设比例的样本为有标签样本、第二预设比例的样本为无标签样本的目标域数据集，使用源域数据集训练食品品质检测模型，保留食品品质检测模型的通用层Z，截去Z后的品质检测层A和输出层B；在Z后接入重构区C并使用无监督学习训练C得到训练完成的重构区C’，在C’后接入输出层D并使用有监督学习训练D得到训练完成的输出层D’，得到迁移完成的食品品质检测模型Z+C’+D’。本发明可以在目标域样本集只有少量有标签样本的情况下实现模型的迁移、迁移后的模型可以实现对食品品质的无损检测。
-
公开(公告)号：CN114972889A
公开(公告)日：2022-08-30
申请号：CN202210748512.0
申请日：2022-06-29
Applicant: 江南大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/26 , G06V10/25 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种基于数据增强与注意力机制的小麦种子分类方法，涉及无损检测领域，该方法利用高光谱图像结合小麦种子分类模型能够对小麦种子进行快速准确且无损的分类鉴别，该方法，采用图像预处理操作实现数据增强，可以达到对样本小麦种子进行样本数量扩充与波段降维双重目的，既解决了高光谱图像标注困难带来的数据量不足，模型易过拟合、泛化能力差等问题，也减少了波段信息冗余度，节省了计算消耗。小麦种子分类模型以深度学习模型为架构基础学习样本数据的内在规律，且根据高光谱图像波段信息对分类的重要性给不同的波段分配不同的波段权重、充分利用高光谱图像的形态维度与光谱维，极大提高了模型的稳定性、推理速度与精度。
-
公开(公告)号：CN113433081B
公开(公告)日：2022-05-24
申请号：CN202110764668.3
申请日：2021-07-06
Applicant: 江南大学
Abstract: 本发明涉及一种基于动态神经网络的果蔬干燥过程中品质检测方法及系统,包括：采集并保存待检测的果蔬切片样本集在多光谱多个波段下的多光谱图形集；对所述多光谱图形集中的光谱图形进行预处理；对处理过后的图像进行阈值分割，并将每个波段下分割后感兴趣区域的像素点按照顺序重构为一维序列；对样本集中每个样本多个波段下的一维序列作补零处理，并重建二维图像，将重建二维图像集中的数据维度增加一维；将增加一维后的二维图像集按照多个波段的顺序依次输入动态神经网络进行训练，将训练后的预测值与实际值作对比，得出衡量预测能力的指标并依照效果来调整网络的结构和训练的次数。本发明有利于提高对于指标的预测能力，有效提高检测准确度。
-
公开(公告)号：CN113627329A
公开(公告)日：2021-11-09
申请号：CN202110914267.1
申请日：2021-08-10
Applicant: 江南大学
Abstract: 本发明涉及一种基于混合卷积网络的小麦种子高光谱图像分类方法及系统，包括以下步骤：采集小麦种子的高光谱图像；提取高光谱图像的感兴趣区域，获得单个小麦种子的高光谱图像；构建混合卷积模型，所述混合卷积模型包括一维卷积模块和二维卷积模块，所述一维卷积模块用于提取光谱特征，所述二维卷积模块用于提取空间特征；通过所述混合卷积模型对所述单个小麦种子的高光谱图像进行识别，获得小麦种子品种的分类。其耗时短，不会对种子造成损伤，满足现代农业生产中快速无损的要求，高效便捷。
-
-
-
-
-
-
-
-
-
Search Results
148
records
(took 0.024 seconds)
