公开(公告)号：CN114663814B

公开(公告)日：2024-08-23

申请号：CN202210308755.2

申请日：2022-03-28

Applicant: 安徽农业大学

Inventor： 李亦璞 ,  饶元 ,  罗庆 ,  王丰仪 ,  束雅丽 ,  金秀 ,  万天与

IPC: G06V20/40 ,  G06V10/80

Abstract: 本发明公开一种基于机器视觉的果实检测及产量估计方法及系统，涉及人工智能目标识别及应用技术领域。针对现有技术中果实产量估计不够准确的问题，本发明采集三个视角的果实视频流数据集；设计基于Transformer编码器与注意力特征融合机制的CSP模块，集成入YOLOv5中构建基于多级特征融合颈部的目标检测模型YOLOv5‑FF；采用Focal EIoU Loss作为边框损失函数训练以得到果实目标检测模型，将YOLOv5‑FF模型对果实视频流连续帧图像的检测结果输入目标跟踪模型Deep Sort，通过级联匹配与IoU匹配机制为匹配成功的果实分配专属编号，得到多视角下的果实数量，提高果实检测效率，部署方便、检测高效精准的特点；提出的产量估计模型能够实现果园产量的高精度测算。

公开(公告)号：CN117095153A

公开(公告)日：2023-11-21

申请号：CN202311057126.8

申请日：2023-08-21

Applicant: 安徽农业大学

Inventor： 陈文骏 ,  饶元 ,  王坦 ,  王玉伟 ,  王丰仪 ,  徐峰 ,  金秀 ,  张雨 ,  柳迎春 ,  张武

IPC: G06V10/143 ,  G06V10/80 ,  G06V20/40 ,  G06V10/44 ,  G06V10/774 ,  G06V10/82 ,  G06V10/52 ,  G06N3/0464 ,  G06N3/0499

Abstract: 本发明公开了一种多模态果实感知系统、装置及存储介质，属于计算机视觉技术领域。针对现有技术中存在的果实感知模型在弱光环境下感知效果不佳的问题，本发明通过多角度采集果实植株视频流数据，构建多模态果实图像数据集，将多模态视觉数据融合编码器接入目标检测模型的特征提取金字塔结构中得到多模态视觉数据融合骨干网络，再将多模态视觉数据融合骨干网络接入目标检测模型头部后进行训练，得到训练好的果实检测模块，通过果实检测模块对多模态果实图像数据进行预测，最后将预测结果通过果实感知模块进行处理，得到果实位置和类别信息。它可以在真实复杂环境下实现高精度检测，满足边缘轻量化部署和果实高精度感知需求。

公开(公告)号：CN114663814A

公开(公告)日：2022-06-24

申请号：CN202210308755.2

申请日：2022-03-28

Applicant: 安徽农业大学

Inventor： 李亦璞 ,  饶元 ,  罗庆 ,  王丰仪 ,  束雅丽 ,  金秀 ,  万天与

IPC: G06V20/40 ,  G06K9/62 ,  G06V10/80

Abstract: 本发明公开一种基于机器视觉的果实检测及产量估计方法及系统，涉及人工智能目标识别及应用技术领域。针对现有技术中果实产量估计不够准确的问题，本发明采集三个视角的果实视频流数据集；设计基于Transformer编码器与注意力特征融合机制的CSP模块，集成入YOLOv5中构建基于多级特征融合颈部的目标检测模型YOLOv5‑FF；采用Focal EIoU Loss作为边框损失函数训练以得到果实目标检测模型，将YOLOv5‑FF模型对果实视频流连续帧图像的检测结果输入目标跟踪模型Deep Sort，通过级联匹配与IoU匹配机制为匹配成功的果实分配专属编号，得到多视角下的果实数量，提高果实检测效率，部署方便、检测高效精准的特点；提出的产量估计模型能够实现果园产量的高精度测算。

公开(公告)号：CN114548265B

公开(公告)日：2024-06-21

申请号：CN202210157494.9

申请日：2022-02-21

Applicant: 安徽农业大学

Inventor： 饶元 ,  王丰仪 ,  金秀 ,  江朝晖 ,  张武 ,  张筱丹 ,  李绍稳

IPC: G06V10/764 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质，属于图像增强技术领域。基于层级式SwinT网络作为叶片区域提取模块的特征提取网络，设计多阶段重叠式嵌入和分层级特征下采样模块优化SwinT的图像嵌入方式和渐进式层级结构，根据重构特征图生成显著图并提取叶片区域。将叶片区域提取模块集成到图像生成模型，通过设计背景损失函数引导图像生成模型仅在叶片区域生成病斑，实现叶片病害图像数据集的有效增强。本发明能够提升生成作物叶片病害图像的生成效率与质量，显著提高作物叶片病害识别模型的准确率和鲁棒性，具有计算代价低、所需的训练数据量小、收敛快速且稳定等特点。

公开(公告)号：CN114548265A

公开(公告)日：2022-05-27

申请号：CN202210157494.9

申请日：2022-02-21

Applicant: 安徽农业大学

Inventor： 饶元 ,  王丰仪 ,  金秀 ,  江朝晖 ,  张武 ,  张筱丹 ,  李绍稳

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质，属于图像增强技术领域。基于层级式SwinT网络作为叶片区域提取模块的特征提取网络，设计多阶段重叠式嵌入和分层级特征下采样模块优化SwinT的图像嵌入方式和渐进式层级结构，根据重构特征图生成显著图并提取叶片区域。将叶片区域提取模块集成到图像生成模型，通过设计背景损失函数引导图像生成模型仅在叶片区域生成病斑，实现叶片病害图像数据集的有效增强。本发明能够提升生成作物叶片病害图像的生成效率与质量，显著提高作物叶片病害识别模型的准确率和鲁棒性，具有计算代价低、所需的训练数据量小、收敛快速且稳定等特点。