-
公开(公告)号：CN118823773A
公开(公告)日：2024-10-22
申请号：CN202411055089.1
申请日：2024-08-02
Abstract: 本发明涉及一种遮挡场景下的小麦赤霉病孢子目标检测方法，与现有技术相比解决了难以在遮挡场景下进行小麦赤霉病孢子检测的缺陷。本发明包括以下步骤：小麦赤霉病孢子图像的获取及预处理；构建遮挡场景孢子目标检测模型；遮挡场景孢子目标检测模型的训练；孢子遮挡图像的获取和预处理；孢子目标检测结果的获得。本发明有效实现了遮挡场景下的小麦赤霉病孢子检测，提高了在孢子小目标检测及遮挡场景检测下的实时性、检测率、鲁棒性和召回率。
-
公开(公告)号：CN117636170A
公开(公告)日：2024-03-01
申请号：CN202311659394.7
申请日：2023-12-06
IPC: G06V20/10 , G06V10/26 , G06V10/25 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及基于Re‑UNet模型的梨树种植区遥感提取方法，与现有技术相比解决了遥感影像梨树种植区提取方面存在的分类结果不准确、效率低的缺陷。本发明包括以下步骤：遥感影像数据集的获取；梨树种植区提取模型Re‑UNet的构建；梨树种植区提取模型Re‑UNet的训练；获取待分割的梨树种植区遥感影像并进行预处理；梨树种植区遥感提取结果的获得。本发明基于UNet语义分割模型，解决了小数据集中容易出现的过拟合问题，同时加入了空间、通道注意力机制与残差模块，进一步增强了高分辨率遥感影像中梨树种植区的特征传递和累积整合特性，有效减少了“椒盐现象”和错分情况，提高了整体的分割精度。
-
公开(公告)号：CN117557995A
公开(公告)日：2024-02-13
申请号：CN202311562904.9
申请日：2023-11-22
IPC: G06V20/69 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明涉及基于YOLOv8和CBAM注意力机制的小麦赤霉病孢子检测方法，与现有技术相比解决了由于背景复杂和目标微小而导致的检测准确率低的缺陷。本发明包括以下步骤：数据采集和预处理；构建小麦赤霉病孢子检测模型；小麦赤霉病孢子检测模型的训练；待检测小麦赤霉病孢子图像的获取；小麦赤霉病孢子检测结果的获得。本发明能够有效提高小麦赤霉病孢子检测的准确率和泛化能力。
-
公开(公告)号：CN116310391B
公开(公告)日：2023-08-15
申请号：CN202310558925.7
申请日：2023-05-18
Applicant: 安徽大学
IPC: G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明涉及一种用于茶叶病害的识别方法，包括如下步骤：步骤一、数据预处理：采集茶叶病害图像数据，将每一幅包含多个病害和背景噪声的图片进行裁剪，将所拍摄到的图片裁剪成单个病害叶片为一幅图像；步骤二、构造最优小样本图网络模型并训练模型：首先将茶叶病害图像嵌入成特征向量，然后将每个特征向量作为茶叶病害图像的双域节点初始化图，根据构建好的双域节点初始化图进行图的更新优化，最优小样本图网络模型包含自下而上推理、自上而下推理和跳跃连接三个部分；步骤三、对图像进行茶叶病害图像识别。本发明减少人为识别病害耗费的人力物力，使用智能识别技术进行茶叶病害识别。
-
公开(公告)号：CN106325599A
公开(公告)日：2017-01-11
申请号：CN201610719436.5
申请日：2016-08-24
Applicant: 安徽大学
CPC classification number: G06F3/0412 , G06F3/044 , G06F3/045 , G06F3/1446 , G06F3/147 , G06F2203/04106
Abstract: 本发明提供的一种超大型的触摸显示装置中，首先所述显示区域的尺寸不小于100寸，相比较现有图书馆中的电子阅读器，所述显示区域远远大于现有图书馆中电子阅读器的显示屏，这样可以结合软件操作实现各种内容的显示，并且本发明中，在所述显示区域表面固定触摸感应装置且所述触摸感应装置覆盖所述显示区域，所述触摸感应装置具有多点触控功能，这样就可以在一个显示区域上多人进行阅读，允许多人同时进行操作且单人操作时更符合人体动作幅度。由此可知，本发明提供的超大型的触摸显示装置与现有图书馆中电子阅读器相比较，具有尺寸大，可多人同时进行触摸感应操作的优点，人机交互性强。
-
Patent Agency Ranking
公开(公告)号：CN103136632A
公开(公告)日：2013-06-05
申请号：CN201310038802.7
申请日：2013-01-31
Applicant: 安徽大学
Abstract: 本发明公开了一种作物病情处方图生成与发布系统，包括：数据获取模块，用于作物病害叶片图像采集以及采集地位置信息的记录；病情计算模块，与数据获取模块相连，用于提取作物病虫害叶片图像信息，计算病情指数、对其进行分级并储存分级结果；处方图生成模块，与上述两模块相连，根据数据获取模块获取的采集地位置信息以及病情计算模块计算的病情指数、分级结果，生成病情分布地图；处方图发布模块，与处方图生成模块相连，并连接专家数据库，将病情分布地图以及针对地图上的病情发生地的喷药指导建议传输至病情发生地管理机构。本发明系统智能、便携，能够科学、有效地指导病虫害防治工作，适宜大范围推广应用。
-
公开(公告)号：CN116311230B
公开(公告)日：2023-08-18
申请号：CN202310556136.X
申请日：2023-05-17
Applicant: 安徽大学
IPC: G06V20/68 , G06V10/82 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/774 , G06N3/048 , G06N3/047 , G06N3/082 , G06N3/0464
Abstract: 本发明公开了一种面向真实场景下的玉米叶片病害识别方法及装置，包括：获取训练样本集；构建MSDCNeXt模型，所述模型包括多个阶段的MSDCNeXt block堆叠模块，每个阶段的MSDCNeXt block堆叠模块后面设有降采样层，MSDCNeXt block内部采用瓶颈结构的残差模块；基于训练样本集训练所述MSDCNeXt模型，获取玉米叶片病害识别模型；通过训练完成的玉米叶片病害识别模型进行玉米叶片图像分析，获取玉米叶片病害识别结果。本发明通过MSDCNeXt模型提高了玉米叶片病害图像识别准确率。
-
公开(公告)号：CN116310391A
公开(公告)日：2023-06-23
申请号：CN202310558925.7
申请日：2023-05-18
Applicant: 安徽大学
IPC: G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明涉及一种用于茶叶病害的识别方法，包括如下步骤：步骤一、数据预处理：采集茶叶病害图像数据，将每一幅包含多个病害和背景噪声的图片进行裁剪，将所拍摄到的图片裁剪成单个病害叶片为一幅图像；步骤二、构造最优小样本图网络模型并训练模型：首先将茶叶病害图像嵌入成特征向量，然后将每个特征向量作为茶叶病害图像的双域节点初始化图，根据构建好的双域节点初始化图进行图的更新优化，最优小样本图网络模型包含自下而上推理、自上而下推理和跳跃连接三个部分；步骤三、对图像进行茶叶病害图像识别。本发明减少人为识别病害耗费的人力物力，使用智能识别技术进行茶叶病害识别。
-
公开(公告)号：CN114627385A
公开(公告)日：2022-06-14
申请号：CN202210267432.3
申请日：2022-03-18
Applicant: 安徽大学
Abstract: 本发明涉及一种基于无人机图像的大田小麦赤霉病检测方法，包括：使用搭载可见光传感器的无人机获取患有赤霉病的大田小麦图像数据U，同步使用数码相机连续获取地面小麦图像数据G；将大田小麦图像数据U中的小麦图像进行裁剪；使用对偶回归网络对裁剪后的小麦图像进行超分辨率重建；对经超分辨率重建后的小麦图像进行数据增强得到训练集UTrain；构建基于特征增强和自适应特征融合的小麦赤霉病检测网络；使用无人机获取待预测的小麦图像后进行赤霉病检测得到检测结果。本发明提高无人机获取的大田小麦图像数据U的分辨率；在YOLOv5的基础上添加特征增强模块并使用自适应特征融合模块对多尺度特征进行融合，提高了网络对小目标病斑的检测能力。
-
公开(公告)号：CN112434662A
公开(公告)日：2021-03-02
申请号：CN202011447437.1
申请日：2020-12-09
Abstract: 本发明属于基于图片特征的图像分类算法的研究领域，具体涉及一种基于多尺度卷积神经网络的茶叶病斑自动识别算法，包括多卷积神经网络的训练过程：多卷积神经网络的训练过程分为两个阶段：第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段；另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。本算法能够准确地检测四种不同的茶叶病害图像，并且具有较高的识别精度，同时具有较快的识别速度。该特性主要得益于多卷积可以快速提取特征，并且减少训练算法的参数量从而有效防止过拟合，提高了算法的泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.049 seconds)
