-
公开(公告)号：CN110826642A
公开(公告)日：2020-02-21
申请号：CN201911116431.3
申请日：2019-11-15
Applicant: 安徽农业大学
IPC: G06K9/62
Abstract: 本发明公开了一种针对传感器数据的无监督异常检测方法，包括以下步骤：(101)、获取历史数据；(102)、建立训练模型，通过历史数据对训练模型进行训练；(103)、重新以固定时间间隔获取实时采集的传感器数据；(104)、对实时采集的传感器数据进行检测；(105)、输出检测出的异常数据。本发明改进了现有技术的相关算法和流程，提出了一个在线式无监督检测技术的方法，在大大地提高了异常数据检测的正确率的同时大大降低了检测时间。
-
公开(公告)号：CN114386534B
公开(公告)日：2025-03-14
申请号：CN202210111331.7
申请日：2022-01-29
Applicant: 安徽农业大学
IPC: G06V10/764 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/09 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法，该方法将可见类训练图像的视觉特征和语义特征分别输入视觉模态和语义模态变分自编码器中对应生成第一伪视觉特征和伪语义特征，并将其输入生成器网络中生成第二伪视觉特征，再利用判别器网络判别真实特征和生成的特征，利用可见类训练图像数据集对变分自编码器对抗生成网络模型进行训练。对于零样本图像分类，在可见类上训练完成的模型生成未见类训练图像的伪视觉特征并结合类别标签训练分类器对未见类图像进行分类；能够有效融合图像的视觉信息和语义信息，生成更接近于真实数据分布且高质量的可见类和未见类图像，提高零样本图像分类准确率。
-
公开(公告)号：CN117110217B
公开(公告)日：2024-01-12
申请号：CN202311374660.1
申请日：2023-10-23
Applicant: 安徽农业大学
Abstract: 本发明公开了一种立体化水质监测方法及系统，属于水质监测技术领域。本发明通过水体离散特征提取模块自适应捕获中小面积离散分布水体信息，通过水体空间分布感知模块以空间分布角度充分感知大面积连续型水体语义，并构建水体特征聚合模块将二者分别获得的关键语义信息建立依赖关系，由此对水质图像进行区域分割得到不同的区域信息，再通过每个区域信息的光谱植被指数和水质目标要素数据建立光谱植被指数的反演组合，利用光谱植被指数的反演组合构建水质目标要素反演模型，进而通过水质目标要素反演模型对水质进行大面积实时连续监测，能够及时发现并针对性地应对突发的水质问题，有效反映水质空间分布状况，具有较强的实用性和广泛适用性。(56)对比文件WO 2023000159 A1,2023.01.26赵晨曦等.改进Ｕ－Ｎｅｔ网络的遥感图像水质分割算法《.遥感信息》.2023,第137-143页.River water quality estimation basedon convolutional neural network.《Proceedings, APSIPA Annual Summit andConference 2018》.2018,第1305-1308页.Cuixiao Liang等.ColorWater: A DiverseDataset and Benchmark for Semantic WaterSurface Understanding《.2022 26thInternational Conference on PatternRecognition》.2022,第3743-3749页.陈文骏等.葡萄多模态目标检测和语义分割数据集《.中国科学数据》.2023,第1-16页.何红术等.基于改进U-Net网络的高分遥感影像水体提取.地球信息科学学报.2020,(10),第94-106页.
-
公开(公告)号：CN117372437A
公开(公告)日：2024-01-09
申请号：CN202311675968.X
申请日：2023-12-08
Applicant: 安徽农业大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06T7/11 , G06V40/16
Abstract: 本发明公开了一种用于面神经麻痹智能化检测与量化方法，包括以下步骤：S1：构建面神经麻痹患者面部图像数据集；S2：获取面部关键点数据，裁切面部识别区域为六个部分，确定其中同侧异常三个不同部分，将其标准化后的三个不同部分分别输入三个不同部分训练的分割网络模型中，输出三个部分分割出的异常掩膜，通过异常掩膜获取异常区域；S3：计算出每个部分分割出的异常区域与对应正常区域的差异值；S4：设置分割出的面部异常掩膜透明度，分别贴回到三个异常部分图像，拼接三组异常部分与对应正常部分图像后显示。还公开了一种用于面神经麻痹智能化检测与量化系统。本发明能够有效地提取人脸五官纹理特征，提高了面神经麻痹识别的准确率。
-
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
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。
-
Patent Agency Ranking
公开(公告)号：CN115376125A
公开(公告)日：2022-11-22
申请号：CN202211173171.5
申请日：2022-09-26
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于多模态数据融合的目标检测方法以及基于目标检测模型的在体果实采摘方法，属于智能检测技术领域。一方面目标检测模型的训练方法中，利用深度相机获取自然环境下在体果实的多模态视觉数据，引入坐标注意力机制增强特征提取网络对目标物的感知能力，结合深度可分离卷积模块减少模型参数量和推理时间；另一方面将目标检测模型应用到机械臂对果实的识别中，提出基于果实位置信息和遮挡状态分类的视觉伺服检测机制，该机制利用机械臂在果实采摘过程中具有运动特性的优势，通过机械臂运动带动相机视角变化，不断更新相机视野内所检测到的果实目标，实现对果实的动态检测，克服因光照和果实遮挡造成的漏检，提高果实的检出率。
-
公开(公告)号：CN113361596B
公开(公告)日：2022-10-04
申请号：CN202110623634.2
申请日：2021-06-04
Applicant: 安徽农业大学
Abstract: 本发明公开了一种传感器数据增广方法、系统及存储介质，属于传感器数据处理技术领域。该方法对无漂移的数据采用随机裁剪的方法实现无漂移数据样本的增广，选取多个符合传感器漂移特性的函数模型作为趋势项构建含趋势项的非平稳随机游走过程用以模拟传感器数据漂移过程，通过设置传感器发生漂移概率阈值和依据数据特征确定最大漂移范围实现漂移量仿真，采用向增广后的无漂移数据样本中加入漂移量的方式实现含漂移数据样本的增广。本发明通过融合感知场内各邻近传感器数据统筹考虑了传感器漂移数据的时间和空间特征，保证了漂移量仿真的正确性和增广数据特征的多样性，克服了传感器漂移校准模型中因训练样本不足造成的模型泛化能力弱的问题。
-
公开(公告)号：CN114386534A
公开(公告)日：2022-04-22
申请号：CN202210111331.7
申请日：2022-01-29
Applicant: 安徽农业大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法，该方法将可见类训练图像的视觉特征和语义特征分别输入视觉模态和语义模态变分自编码器中对应生成第一伪视觉特征和伪语义特征，并将其输入生成器网络中生成第二伪视觉特征，再利用判别器网络判别真实特征和生成的特征，利用可见类训练图像数据集对变分自编码器对抗生成网络模型进行训练。对于零样本图像分类，在可见类上训练完成的模型生成未见类训练图像的伪视觉特征并结合类别标签训练分类器对未见类图像进行分类；能够有效融合图像的视觉信息和语义信息，生成更接近于真实数据分布且高质量的可见类和未见类图像，提高零样本图像分类准确率。
-
公开(公告)号：CN113361596A
公开(公告)日：2021-09-07
申请号：CN202110623634.2
申请日：2021-06-04
Applicant: 安徽农业大学
Abstract: 本发明公开了一种传感器数据增广方法、系统及存储介质，属于传感器数据处理技术领域。该方法对无漂移的数据采用随机裁剪的方法实现无漂移数据样本的增广，选取多个符合传感器漂移特性的函数模型作为趋势项构建含趋势项的非平稳随机游走过程用以模拟传感器数据漂移过程，通过设置传感器发生漂移概率阈值和依据数据特征确定最大漂移范围实现漂移量仿真，采用向增广后的无漂移数据样本中加入漂移量的方式实现含漂移数据样本的增广。本发明通过融合感知场内各邻近传感器数据统筹考虑了传感器漂移数据的时间和空间特征，保证了漂移量仿真的正确性和增广数据特征的多样性，克服了传感器漂移校准模型中因训练样本不足造成的模型泛化能力弱的问题。
-
公开(公告)号：CN109031654B
公开(公告)日：2021-02-12
申请号：CN201811057241.4
申请日：2018-09-11
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于卷积神经网络的自适应光学校正方法，包括以下步骤：S1，基于卷积神经网络训练畸变远场光强图像和波前校正器驱动信号的卷积神经网络模型；S2，卷积神经网络模型构建完成后，待校正的畸变波前经波前校正器反射和光路分束后分为两路，分别成像在焦平面CCD和离焦平面CCD上，本发明的有益效果是：利用卷积神经网络模型直接根据输入的光强得到波前校正器驱动信号，该驱动信号控制波前校正器产生与待校正波前共轭的变形量以校正入射波前的像差，其不需要进行波前探测及其相应的重构计算，也不需要进行迭代寻优，系统结构简单易于实现，成本低廉，系统带宽高的优点。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.043 seconds)
