-
公开(公告)号：CN107103306B
公开(公告)日：2019-06-18
申请号：CN201710362043.8
申请日：2017-05-22
Applicant: 安徽大学
Abstract: 本发明涉及基于小波分析与支持向量机的冬小麦白粉病遥感监测方法，与现有技术相比解决了小麦白粉病难以监测预报的缺陷。本发明包括以下步骤：数据获取；遥感数据的预处理；建模特征的选择；支持向量机模型的建立；获得遥感监测结果。本发明利用环境星遥感数据经过小波变换及特征筛选后，结合SVM算法建立的监测模型，实时准确获取大面积小麦白粉病发生的空间分布特征，为白粉病防治提供依据。
-
公开(公告)号：CN111461052B
公开(公告)日：2023-05-23
申请号：CN202010286392.8
申请日：2020-04-13
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/764
Abstract: 本发明涉及图像识别技术领域，特别涉及一种基于迁移学习的多个生育期小麦倒伏区域识别方法，包括以下步骤：A、拍摄待识别麦田的RGB图像和/或多光谱图像；B、对图像进行拼接和剪裁得到待识别麦田的完整图；C、将待识别麦田的完整图导入训练好的DeepLabv3+模型中进行倒伏区域的识别。这里基于DeepLabv3+网络模型，采用迁移学习的方式构建两种方法实现多生育期小麦倒伏区域提取，基于无人机影像和迁移学习方法可以有效获取多时期的倒伏小麦特征，实现高精度的小麦区域自动提取，使得精准检测小麦倒伏区域称为可能，为研究小麦倒伏影响因素提供有力的数据支持；该方法受环境影响小，且实现起来方便，在训练好DeepLabv3+模型以后，只需要拍摄待识别麦田的图像导入模型中即可自动识别倒伏区域。
-
公开(公告)号：CN110089297B
公开(公告)日：2021-11-26
申请号：CN201910414703.1
申请日：2019-05-18
Applicant: 安徽大学
Abstract: 本发明特别涉及一种小麦赤霉病大田环境下病情严重度诊断方法，包括以下步骤：(A)在麦田采集感染小麦赤霉病麦穗45度角图像；(B)用田间麦穗分割模型分割病害图像得到麦穗区域；用小麦赤霉病分割模型分割病害图像得到病斑区域；(C)采用凹点匹配法分割麦穗和病斑的粘连区域，得到麦田中每株麦穗的面积和病斑面积；(D)计算每株麦穗的病斑面积和麦穗面积的比值R，判断R是否大于设定阈值，若R大于设定阈值，则判定该株麦穗为病穗；(E)计算麦田中病穗数量与总穗数量的比值X，并根据比值X对病情进行分级；并公开了对应的检测装置。该方法可以实现大田环境下小麦赤霉病病情诊断，诊断速度快且精确度高。
-
公开(公告)号：CN108846370A
公开(公告)日：2018-11-20
申请号：CN201810665242.0
申请日：2018-06-26
Applicant: 安徽大学
Abstract: 本发明涉及一种小麦白粉病中晚期病害严重度自动分析方法，该方法包括以下步骤：(1)采集叶片样本的高光谱数据。(2)根据整个叶片和病斑区域的像素数计算病斑占叶片面积的百分比，求得叶片样本的病情严重度a0。(3)对试验数据进行降维处理。(4)在降维之后，选取m个样本中的m1个样本作为训练样本，将d维特征作为自变量，对应的类别作为因变量输入到概率神经网络模型中进行训练，得到预测模型；将剩余的m-m1个样本作为测试样本进行模型准确率验证，将这m-m1个样本的d维特征作为自变量输入到概率神经网络模型中，得到叶片样本的病情严重度的预测结果a1，并将a1与a0进行比较。本发明能够对小麦白粉病严重度进行监测和分析。
-
公开(公告)号：CN106872028B
公开(公告)日：2018-09-04
申请号：CN201710085979.0
申请日：2017-02-17
Applicant: 安徽大学
Abstract: 本申请公开一种作物理化参数测量设备及测量方法，所述作物理化参数测量设备包括腔体，入射光电探测器；反射光电探测器；滤光片；控制系统，控制系统包括控制器和采集信号模块；位于第二表面的主动光源，主动光源在控制系统的控制下，对作物进行照明；其中，控制器用于根据采集信号模块的数据控制作物理化参数测量设备工作在主动模式和被动模式。主动光源能够为作物提供特定光谱照射，使得作物理化参数测量设备工作在主动模式下，从而使得作物理化参数测量设备不仅具有被动模式，还具有主动模式，进而能够降低自身局限性，减小天气对测量条件的影响，使得作物理化参数测量设备能够适应于多种测量条件，普遍适用，从而满足测量需求。
-
Patent Agency Ranking
公开(公告)号：CN106872028A
公开(公告)日：2017-06-20
申请号：CN201710085979.0
申请日：2017-02-17
Applicant: 安徽大学
Abstract: 本申请公开一种作物理化参数测量设备及测量方法，所述作物理化参数测量设备包括腔体，入射光电探测器；反射光电探测器；滤光片；控制系统，控制系统包括控制器和采集信号模块；位于第二表面的主动光源，主动光源在控制系统的控制下，对作物进行照明；其中，控制器用于根据采集信号模块的数据控制作物理化参数测量设备工作在主动模式和被动模式。主动光源能够为作物提供特定光谱照射，使得作物理化参数测量设备工作在主动模式下，从而使得作物理化参数测量设备不仅具有被动模式，还具有主动模式，进而能够降低自身局限性，减小天气对测量条件的影响，使得作物理化参数测量设备能够适应于多种测量条件，普遍适用，从而满足测量需求。
-
公开(公告)号：CN103081887B
公开(公告)日：2014-07-02
申请号：CN201310038941.X
申请日：2013-01-31
Applicant: 安徽大学
Abstract: 本发明涉及农业信息技术领域，特别涉及一种大田作物病害立体信息获取装置及方法。该装置包括拱形架，其用于搭载信息获取探头；拱形架上设有弧形滑槽，信息获取探头可在滑槽内滑动；信息获取探头，用于采集作物病害区域光谱；推拉板，用于固定参照板，参照板对高光谱数据进行校正；地物光谱仪，用于采集病害作物立体维的高光谱信息；移动终端，用于数据收集与病害程度判断，提供最优喷药角度与喷药剂量；运输车，用于承载上述部件，且在田间行走。本发明实施例提供的大田作物病害立体信息获取装置及方法，通过面向大田变量喷药指导装置的开发和使用方法探索，提出喷药效果最大化的角度或角度组合，有效提高机械化施药和人工喷药的病害防控效率。
-
公开(公告)号：CN114120203B
公开(公告)日：2024-11-26
申请号：CN202111452227.6
申请日：2021-12-01
Applicant: 安徽大学 , 安徽黄鹄电子信息技术有限公司
IPC: G06V20/40 , G06N3/0464 , G06N3/08 , G06V10/762 , G06V10/764
Abstract: 本发明涉及一种基于改进YoloV4的田间小麦赤霉病发生程度评估方法，包括如下步骤：S100、拍摄观测区群体麦穗图像；S200、利用训练好的改进YoloV4目标检测网络模型对观测区群体麦穗图像进行检测并获得单个麦穗图像；S300、统计麦穗个数得到麦穗总数，同时对单个麦穗图像进行特征提取和随机森林分类并统计患病麦穗个数；S400、根据麦穗总数和患病麦穗个数计算群体麦穗的病穗率，按照国家相关标准得到该群体麦穗的赤霉病发生程度。本方法提高了小麦赤霉病发生程度的预测精度，且能够在复杂条件下使用，无需辅助设备或材料，拥有良好的泛用性，有效解决了拍摄角度导致的麦穗遮挡而无法检测的情况，目标检测网络模型的检测精度也得到提高，缩短了模型训练时间。
-
公开(公告)号：CN114120203A
公开(公告)日：2022-03-01
申请号：CN202111452227.6
申请日：2021-12-01
Applicant: 安徽大学 , 安徽黄鹄电子信息技术有限公司
IPC: G06V20/40 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/762 , G06V10/764
Abstract: 本发明涉及一种基于改进YoloV4的田间小麦赤霉病发生程度评估方法，包括如下步骤：S100、拍摄观测区群体麦穗图像；S200、利用训练好的改进YoloV4目标检测网络模型对观测区群体麦穗图像进行检测并获得单个麦穗图像；S300、统计麦穗个数得到麦穗总数，同时对单个麦穗图像进行特征提取和随机森林分类并统计患病麦穗个数；S400、根据麦穗总数和患病麦穗个数计算群体麦穗的病穗率，按照国家相关标准得到该群体麦穗的赤霉病发生程度。本方法提高了小麦赤霉病发生程度的预测精度，且能够在复杂条件下使用，无需辅助设备或材料，拥有良好的泛用性，有效解决了拍摄角度导致的麦穗遮挡而无法检测的情况，目标检测网络模型的检测精度也得到提高，缩短了模型训练时间。
-
公开(公告)号：CN111461052A
公开(公告)日：2020-07-28
申请号：CN202010286392.8
申请日：2020-04-13
Applicant: 安徽大学
Abstract: 本发明涉及图像识别技术领域，特别涉及一种基于迁移学习的多个生育期小麦倒伏区域识别方法，包括以下步骤：A、拍摄待识别麦田的RGB图像和/或多光谱图像；B、对图像进行拼接和剪裁得到待识别麦田的完整图；C、将待识别麦田的完整图导入训练好的DeepLabv3+模型中进行倒伏区域的识别。这里基于DeepLabv3+网络模型，采用迁移学习的方式构建两种方法实现多生育期小麦倒伏区域提取，基于无人机影像和迁移学习方法可以有效获取多时期的倒伏小麦特征，实现高精度的小麦区域自动提取，使得精准检测小麦倒伏区域称为可能，为研究小麦倒伏影响因素提供有力的数据支持；该方法受环境影响小，且实现起来方便，在训练好DeepLabv3+模型以后，只需要拍摄待识别麦田的图像导入模型中即可自动识别倒伏区域。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.017 seconds)
