-
Patent Agency Ranking
公开(公告)号：CN116091896A
公开(公告)日：2023-05-09
申请号：CN202310382851.6
申请日：2023-04-12
Applicant: 吉林农业大学
IPC: G06V10/82 , G06N3/0464 , G06N3/091 , G06V10/776 , G06V10/778
Abstract: 本发明公开了一种基于IResNet模型网络的防风药材产地识别方法及系统，属于药材识别技术领域，其中，方法包括：采集多个防风药材图像构建小样本数据集；将小样本数据集划分为训练集和验证集；将分层残差连接结构加入IResNet模型网络中，得到改进后的骨干网络；采用深度可分离卷积操作代替改进后的骨干网络中的常规卷积操作，得到最优骨干网络；利用训练集对最优骨干网络进行训练，得到防风药材识别模型，并采用验证集对防风药材识别模型进行验证。该方法训练改进后的IResNet模型网络进行自主识别，减少了时间成本和计算成本，同时采用自适应学习率衰减策略提升网络模型训练精度和识别的准确率。
-
公开(公告)号：CN114550164A
公开(公告)日：2022-05-27
申请号：CN202111622531.0
申请日：2021-12-28
Applicant: 吉林农业大学
IPC: G06V20/68 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于农作物病虫害识别技术领域，且公开了一种基于深度学习的番茄叶片病害识别研究方法，包括如下步骤：S1、运用数码相机和手机在番茄田间进行番茄害病图像采集，将采集后的图像分辨率统一缩放为64×64，然后按病害类别对图像进行贴标签，得到具有样本标签的原始番茄叶片病害图像数据集。在本发明构造的基于卷积神经网络的番茄病害识别方法中，不需要对每幅病害叶片图像进行复杂的预处理、病斑分割以及特征提取等操作，更有助于在低性能的终端上实现对番茄病害的实时检测和治疗，相对于应用传统的卷积神经网络进行病害识别的方法，本方法准确率更高、耗时更少、占用空间更低、运行和识别效果更好。
-
公开(公告)号：CN119693720A
公开(公告)日：2025-03-25
申请号：CN202510193523.0
申请日：2025-02-21
Applicant: 吉林农业大学
IPC: G06V10/764 , G06V10/26 , G06V10/34 , G06V10/56
Abstract: 本申请涉及图像处理技术领域，具体涉及一种人参图像分类检索方法，该方法包括：分别对各等级下的多支人参采集人参图像；获取各人参图像中的表皮像素点和非表皮像素点；基于各人参图像内所有表皮像素点的灰度值，获取各人参图像的表皮颜色表征值；获取伽马变换算法处理各人参图像时的灰度缩放系数；将各人参图像分别分割为各超像素块，获取各超像素块受到拉伸时的影响权重；获取各超像素块的伽马调控比例；获取伽马变换算法处理各超像素块时的伽马因子；利用伽马变换算法对各人参图像进行图像增强，基于图像增强后的人参图像，对待分类人参图像进行分类。本申请旨在提高对人参进行分类的准确性。
-
公开(公告)号：CN111414894A
公开(公告)日：2020-07-14
申请号：CN202010279954.6
申请日：2020-04-10
Applicant: 吉林农业大学
Abstract: 本发明公开了一种基于遥感图像的农作物病害识别方法，包括如下步骤：S1、基于YOLT模型实现遥感图像中农作物目标的检测；S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像；S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；S5、基于DSSD__Inception_V2_coco模型实现农作物图像中孔洞、斑点、害虫轨迹等的检测识别。本发明可以实现农作物病害的快速识别和统计分析。
-
-
-
-
Search Results
15
records
(took 0.023 seconds)
