-
公开(公告)号:CN115494066B
公开(公告)日:2025-04-29
申请号:CN202211129757.1
申请日:2022-09-16
Applicant: 安徽大学
IPC: G01N21/88 , G06V20/68 , G06V10/40 , G06V10/80 , G06V10/764
Abstract: 本发明特别涉及一种融合结构光的果品表面损伤检测方法,包括如下步骤:利用投影仪向参考平面和被测水果表面投射正弦条纹图,并用摄像机采集调制后的形变条纹图;利用结构光四步相移法计算得到水果表面三维结构;提取水果表面三维结构的二值特征;采用基于贝叶斯理论的特征融合算法将均匀光照图像的特征与二值特征进行融合;采用支持向量机的方法对融合后的特征进行分类得到水果表面损伤情况。整个检测过程都是自动的,降低了人力成本,增加了检测的效率;采用无损检测技术,避免了由检测造成的损伤;整个装置只需要用到投影仪、摄像机以及计算机,实现低成本的工业要求;采用结构光和均匀光照融合的方法,提高了损伤检测的准确度。
-
公开(公告)号:CN109752320B
公开(公告)日:2024-09-10
申请号:CN201910160429.X
申请日:2019-03-04
Applicant: 安徽大学
IPC: G01N21/17
Abstract: 本发明公开了一种多波段快速无损检测草莓新鲜度装置,暗箱底部开口,光源和光探测器位于暗箱内;传送带位于暗箱下方,传送带上设有沿传送方向依次设置的多个样品架,升降机构位于暗箱下方,升降机构用于将位于所述开口下方的样品架上升,使所述样品架从所述开口伸入暗箱内。通过上述优化设计的多波段快速无损检测草莓新鲜度装置,通过传送带将待检测样品依次送入暗箱内检测,在暗箱内通过升降机构和光探测器配合实现不同形状尺寸的草莓样品的多位置多角度检测,从而无间断、大批量的检测草莓新鲜度,且检测速度快,大大提高检测精度。
-
公开(公告)号:CN118521476A
公开(公告)日:2024-08-20
申请号:CN202410518449.0
申请日:2024-04-28
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/048
Abstract: 本发明提供一种图像超分辨率方法、电子设备及存储介质,其中图像超分辨率方法包括如下步骤:获取待处理的低分辨率图像;利用训练得到的超分网络的编码器对低分辨率图像进行处理,以提取低分辨率图像的基本特征,得到潜码;利用超分网络的多尺度隐式Transformer对潜码进行处理,以提取潜码的多尺度信息,得到注意力潜码;利用超分网络的解码器对注意力潜码进行处理,得到高分辨率图像。该方法通过构建和训练超分网络,将待处理的低分辨率图像和超分后图像的宽高输入到训练好的超分网络中,该超分网络会自动输出设定尺寸的高分辨率图像,宽高还可以分别具有不同的放大倍率,该方法实现了在任意尺度超分辨率任务下的优异表现。
-
公开(公告)号:CN112161937B
公开(公告)日:2023-06-23
申请号:CN202011214332.1
申请日:2020-11-04
Applicant: 安徽大学
IPC: G01N21/25 , G01N21/47 , G01N21/01 , G06V10/25 , G06V10/774 , G06V10/764 , G06N3/0464 , G06V10/82
Abstract: 本发明特别涉及一种基于级联森林和卷积神经网络的小麦粉筋度检测方法,包括如下步骤:A、选取已知筋度的小麦粉作为样本并分成训练集和测试集;B、采集高光谱图像;C、提取单波段图;D、获得图像特征;E、将特征波长和图像特征进行图谱融合后作为特征值,将筋度标签作为结果,代入级联森林模型中进行训练得到小麦粉筋度识别模型;F、将测试集代入训练好的小麦粉筋度识别模型中进行测试,得到预测的筋度类别以及类别准确度。利用高光谱数据获得光谱特征建立小麦粉筋度控制模型,继而通过模型对输入数据进行对比分析,快速无损识别出小麦粉的筋度,判别小麦粉筋度是否符合制作工艺要求检测方法,该检测方法适用性强、检测精度高,能够无损地实现小麦粉筋度检测。
-
公开(公告)号:CN116188989A
公开(公告)日:2023-05-30
申请号:CN202310210658.4
申请日:2023-03-07
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/58 , G06V10/762
Abstract: 本发明涉及一种基于光谱和空间特征融合的高光谱制种玉米种植区提取方法,包括:获取研究区数据进行预处理;进行掩膜,得到掩膜后的Setinel‑2数据,提取玉米种植分布数据对预处理后的珠海一号OHS高光谱数据进行掩膜;采用类均值矩阵聚类方法构建光谱特征;采用多尺度形态学方法在光谱特征基础上构建空间特征;寻找分类器最优参数,获得制种玉米提取模型;分别进行制种玉米提取,使用总体精度进行评估。本发明采用一阶统计量类均值矩阵和k‑means聚类提取光谱特征,运算简单并增加了制种玉米与大田玉米的类间差异;本发明采用的多尺度形态学空间特征改善了“椒盐噪声”现象,保留了较为完整的地块结构,提高了制种玉米提取精度。
-
公开(公告)号:CN109657653B
公开(公告)日:2022-10-04
申请号:CN201910051447.4
申请日:2019-01-21
Applicant: 安徽大学
IPC: G06V20/13 , G06V10/764 , G06T7/00 , G06T7/136
Abstract: 本发明涉及一种基于成像高光谱数据的小麦籽粒赤霉病识别方法,与现有技术相比解决了尚无快速识别小麦籽粒赤霉病方法的缺陷。本发明包括以下步骤:高光谱基础图像的采集;高光谱基础图像的预处理;构建小麦籽粒赤霉病识别模型;小麦籽粒赤霉病识别模型的训练;待识别高光谱图像的获取;待识别高光谱图像的预处理;小麦籽粒赤霉病的识别。本发明利用室内高光谱成像数据,通过图像分割技术,在高光谱图像中分割小麦籽粒,继而对小麦籽粒的光谱信息进行对比分析,通过数据噪声去除并进行特征波长筛选,建立了小麦赤霉病病害侵染麦粒的有效识别模型,形成了小麦籽粒赤霉病检测的快速有效方法。
-
公开(公告)号:CN113869246B
公开(公告)日:2022-04-01
申请号:CN202111163882.X
申请日:2021-09-30
Applicant: 安徽大学
IPC: G06V20/69 , G06V10/774 , G06K9/62
Abstract: 本发明涉及基于改进CenterNet技术的小麦条锈病菌夏孢子显微图像检测方法,与现有技术相比解决了难以针对夏孢子显微图像进行检测的缺陷。本发明包括以下步骤:夏孢子显微图像的获取和预处理;夏孢子检测网络的构建;夏孢子检测网络的训练;待检测夏孢子显微图像的获取;待检测夏孢子显微图像检测结果的获得。本发明能够精准检测并分割出夏孢子显微图像中的夏孢子,且检测速度快。
-
公开(公告)号:CN110132860B
公开(公告)日:2021-09-14
申请号:CN201910454573.4
申请日:2019-05-29
Applicant: 安徽大学
IPC: G01N21/25
Abstract: 本发明涉及一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法,与现有技术相比解决了赤霉病的遥感监测未针对麦穗尺度分析的缺陷。本发明包括以下步骤:高光谱遥感数据的获取;数据预处理;构建小麦赤霉病指数;多元逐步回归模型的建立;遥感监测结果的获得。本发明利用敏感波段内一阶微分总和的归一化比值构建赤霉病指数后,建立其与病情严重度的一元线性回归和多元逐步回归模型,实现了小麦赤霉病的有效监测,为染病小麦赤霉病在冠层尺度以及田块尺度上的无损诊断提供思路和依据。
-
公开(公告)号:CN108959661B
公开(公告)日:2021-08-06
申请号:CN201810946788.3
申请日:2018-08-20
Applicant: 安徽大学 , 中国科学院遥感与数字地球研究所
Abstract: 本发明涉及一种基于3S技术的土壤养分等级分类图生成方法及其精度评价方法,与现有技术相比解决了难以实现大空间范围土壤养分等级划分的缺陷。本发明包括以下步骤:土壤养分数据空间栅格图的生成;土壤养分等级分类图的设定;耕地地块提取;生成地块尺度的土壤养分等级分类图。本发明基于3S技术,在用GPS获取的野外采样点和RS提取耕地地块的基础上,综合运用GIS空间分析和地统计功能,解析地块尺度的土壤养分空间分布特征,实现大空间范围内、田块尺度上的土壤养分等级划分、空间制图和精度评价。
-
公开(公告)号:CN111751295A
公开(公告)日:2020-10-09
申请号:CN202010633251.9
申请日:2020-07-02
Applicant: 安徽大学
Abstract: 本发明提供了一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用。通过高光谱成像仪扫描获取侵染白粉病小麦叶片382.9~1059.1nm波长范围内1024个波段的高光谱影像;计算小麦叶片白粉病病情指数,依据病情指数对小麦侵染程度进行分级,获取小麦叶片的等级标签;以高光谱影像的光谱数据作为原始波段,利用主成分分析算法、随机森林和连续投影算法分别从1024个波段中挑选出对白粉病敏感的特征波段的光谱信息,用支持向量机、随机森林、概率神经网络三种建模方法将等级标签和每个样本特征波长光谱信息一一对应,训练对应关系,得到预估模型。本发明的预估模型精度达到93.33%。
-
-
-
-
-
-
-
-
-