-
公开(公告)号：CN116434066A
公开(公告)日：2023-07-14
申请号：CN202310424584.4
申请日：2023-04-17
Applicant: 安徽农业大学
IPC: G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于深度学习的大豆豆荚考种方法、系统及装置，涉及人工智能机器视觉考种技术领域；该方法包括以下步骤：采集不同拍摄环境下的大豆豆荚原始RGB图像；根据大豆豆荚原始RGB图像中每个豆荚中实粒和秕粒的个数情况进行框选分类标记建立原始图像数据集；构建融合注意力模块的改进YOLOX网络模型，将原始图像数据集输入至改进YOLOX网络模型进行训练；测试改进YOLOX网络模型，更新改进YOLOX网络模型的学习参数；对存在多种特征的豆荚计数结果进行修正；利用已更新的改进YOLOX网络模型对待考种的大豆豆荚进行检测。本发明能够将豆荚中的实粒和秕粒区分，且在多种拍摄环境下快速准确地对豆荚进行检测，提高检测和计数的准确率和效率。
-
公开(公告)号：CN110826642B
公开(公告)日：2023-03-24
申请号：CN201911116431.3
申请日：2019-11-15
Applicant: 安徽农业大学
IPC: G06F18/2433 , G06F18/2411 , G06F18/214
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：CN109612513B
公开(公告)日：2021-10-15
申请号：CN201811541556.6
申请日：2018-12-17
Applicant: 安徽农业大学
Abstract: 本发明公开了一种面向大规模高维传感器数据的在线式异常检测方法，包括以下步骤：（101）、获取历史数据；（102）、建立深度信念网络‑1/4球面支持向量机混合模型对数据进行降维和检测；（103）、利用历史数据对混合模型进行训练；（104）、采集传感器数据；（105）、创建滑动窗口，实现在线检测技术；（106）、利用上面训练好的混合模型对传感器采集的数据进行检测；（107）、输出检测后所有的异常数据。本发明改进了现有技术的相关算法和流程，提出了一个在处理高维度数据时，实现在线检测技术的方法，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：CN106211168A
公开(公告)日：2016-12-07
申请号：CN201610567721.X
申请日：2016-07-18
Applicant: 安徽农业大学
IPC: H04W12/12
CPC classification number: H04W12/12
Abstract: 本发明公开了一种结合基站信息判定位置数据真伪的系统和方法，系统包括采集终端、处理平台，其中采集终端采集基站数据、GPS数据，经过数据处理模块整合后，通过通信模块发送至处理平台；方法使用基站服务小区的经纬度作为绝对参考，计算位置数据是否在小区覆盖范围内，从而进行真伪判定。本发明创新提出一种新的判定方法和系统，能够对大数据时代的位置数据真实性和有效性进行判定。
-
公开(公告)号：CN106130780A
公开(公告)日：2016-11-16
申请号：CN201610567722.4
申请日：2016-07-18
Applicant: 安徽农业大学
IPC: H04L12/24
CPC classification number: H04L41/0677 , H04L41/0604
Abstract: 本发明公开了一种基于静态贝叶斯模型的IP网络故障定位方法，一方面通过新增疑似故障过滤模块，消除了网络噪声对探测结果的影响，大大提升故障定位准确度；另一方面通过新增故障预处理模块，计算最优故障集合，大大降低了现有算法的复杂度，从而适用于大规模网络拓扑。
-
Patent Agency Ranking
公开(公告)号：CN119273992A
公开(公告)日：2025-01-07
申请号：CN202411451240.3
申请日：2024-10-17
Applicant: 安徽农业大学
IPC: G06V10/764 , G06T7/00 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82 , G06V10/776 , G06V10/26 , G06V20/70 , G06V10/80
Abstract: 本发明公开了基于改进YOLOv8的手机屏幕玻璃缺陷检测方法，涉及手机屏幕玻璃盖板品质检测技术领域；该方法包括以下步骤：模拟工业生产环境采集手机屏幕玻璃图像构建数据集；在YOLOv8目标检测网络模型的基础上进行改进优化，构建手机屏幕玻璃缺陷检测分类模型并进行训练优化参数；构建YOLOv8网络的语义分割模型，对待识别的手机屏幕玻璃图像的缺陷进行分割，实现不同缺陷类别边缘的检测识别；拟合出手机屏幕玻璃缺陷范围的实际损伤大小。本发明适合对手机屏幕玻璃缺陷特征的精准检测，同时能对缺陷的范围进行测量，为手机屏幕玻璃质检流程提供智能化、高效化服务。
-
公开(公告)号：CN119206505A
公开(公告)日：2024-12-27
申请号：CN202411451239.0
申请日：2024-10-17
Applicant: 安徽农业大学
IPC: G06V20/10 , G06V20/17 , G06V10/82 , G06N3/0464 , G06V10/774 , G06N3/08 , G06V10/776
Abstract: 本发明公开了基于无人机遥感及改进YOLOv8的小麦赤霉病轻量化检测方法及系统，涉及人工智能计算机视觉检测技术领域；本发明包括以下步骤：利用无人机的航线规划定高定时采集自然大田环境下的小麦灌浆期原始RGB图像；对原始图片数据集进行筛选、数据增强及标注，建立小麦赤霉病图像数据集；构建改进的YOLOv8轻量化网络模型；将原始图像数据集输入至改进YOLOv8网络模型进行训练；测试改进的YOLOv8网络模型，更新改进YOLOv8网络模型的学习参数；最后利用已更新的改进YOLOv8网络模型对待检测的小麦赤霉病数据进行检测，对模型的复杂度和准确度进行评估。本发明适用于在自然大田环境下小麦赤霉病的检测，在保证高识别精度的同时，改进后的模型的参数量及计算量相比原YOLOv8s基线模型分别降低了48.9％和50.7％，实现高精度且较YOLOv8更加轻量化的算法模型，可为小麦病害检测无人机等移动端检测装备的部署和应用提供参考。
-
公开(公告)号：CN109766742B
公开(公告)日：2022-12-06
申请号：CN201811381079.1
申请日：2018-11-20
Applicant: 安徽农业大学
Abstract: 本发明涉及农产品在线检测技术领域，特别是涉及一种玉米籽裂纹识别方法、装置、系统、设备和存储介质。所述方法包括：获取待识别玉米籽图像；通过第一神经网络模型对玉米籽图像进行识别，以识别出所述玉米籽图像中的玉米籽粒是否有裂纹，其中，所述第一神经网络模型是通过预设的玉米籽图像数据集对第二神经网络模型中的参数进行训练后得到的；输出待识别玉米籽图像中的玉米籽是否有裂纹的识别结果。本发明实施例中的玉米籽裂纹识别方法、装置、系统、设备和存储介质，通过建立神经网路模型对玉米籽图像进行识别，摆脱了传统依靠人工识别玉米籽是否有裂纹的落后手段，整个识别过程自动化程度高，识别效率高，有效的节约工作时间以及人工成本。
-
公开(公告)号：CN110309886B
公开(公告)日：2022-09-20
申请号：CN201910610145.6
申请日：2019-07-08
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于深度学习的无线传感器高维数据异常检测方法，包括以下步骤：（101）、获取历史数据；（102）、建立DBN‑QSSVM混合模型；（103）、利用传感器历史数据对混合模型进行训练；（104）、采集待检测的传感器测试数据；（105）、利用（103）中训练好的DBN‑QSSVM混合模型对传感器测试数据进行异常检测；（106）、输出传感器测试数据中的异常数据。本发明改进了现有技术的相关算法和流程，提出了一个在处理高维度数据时，实现在线检测技术的方法，可以在不降低数据异常检测方法准确性的情况下，大大降低该方法的空间和时间复杂度，从而更加适用于大规模高维数据异常检测。
-
公开(公告)号：CN108400907B
公开(公告)日：2021-06-01
申请号：CN201810126298.9
申请日：2018-02-08
Applicant: 安徽农业大学
Abstract: 本发明公开了一种不确定网络环境下的链路丢包率推理方法，包括以下步骤：（101）、获取目标网络的拓扑；（102）、发送端到端探测并接收探测结果，该探测结果就是探测得到的路径丢包率；（103）、根据路径丢包率确定路径状态，从而确定链路状态；（104）、采用对数正态分布拟合可得到1状态和2状态链路的丢包率范围；（105）、输出所有的链路丢包率范围。本发明改进了现有技术的相关算法和流程，提出了一个在真实网络环境下面对不确定因素的丢包推理方法，大大地提高了测量链路丢包率的正确率。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.022 seconds)
