-
公开(公告)号：CN119540759A
公开(公告)日：2025-02-28
申请号：CN202411617407.9
申请日：2024-11-13
Applicant: 贵州大学
IPC: G06V20/10 , G06V10/44 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供基于提示驱动大模型的主粮作物病害分级方法及系统，方法包括以下步骤：收集并预处理主粮食作物图像，获得主粮食作物数据集；基于主粮食作物数据集训练ResNet‑18网络进行初始病害分级，获得病害表征提示信息；利用病害表征提示信息驱动提示驱动大模型，分割出待分级主粮食作物图像的病灶区域以及叶片区域；计算病灶区域占叶片区域的比例，获得待分级主粮食作物图像的最终的细粒度病害分级结果，完成基于提示驱动大模型的主粮作物病害分级。本发明通过集成深度学习与交互式分割技术实现作物病害的自动化检测与分级，仅提高了病害检测与分类的准确性，还为优化农药的使用提供了可能性，有助于减少环境污染和降低作物抗药性风险。
-
公开(公告)号：CN118212537B
公开(公告)日：2024-07-23
申请号：CN202410629145.1
申请日：2024-05-21
Applicant: 贵州大学 , 贵州慧控农耀科技有限公司
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于数量监督的农作物计数方法，属于计算机视觉和智慧农业技术领域，具体包括：首先获取农作物图像；然后通过骨干网络进行基本特征的提取得到特征图，再通过注意力模块获取农作物新的特征图；接着，将其复制、划分、映射及叠加的处理得到拥有多种尺度信息的特征矩阵，将特征矩阵展平为一个一维向量并通过两个全连接层得到十个预测数量，使用平均池化得到一个最终的预测数量；最后，通过损失函数衡量预测数量和真实数量之间的差异，使用梯度下降和反向传播更新神经网络的参数，预测到精确的农作物数量。本发明提供的一种基于数量监督的农作物计数方法，仅需要数量标注的数据集进行训练，有效解决了农业数据集标注成本大的问题。
-
公开(公告)号：CN115330247A
公开(公告)日：2022-11-11
申请号：CN202211055914.9
申请日：2022-08-31
Applicant: 贵州大学
Abstract: 本发明公开了一种多能互补系统双层能量优化调度方法，包括：基于Nataf变换获取正态空间中各变量的相关系数矩阵并获取样本矩阵组；将样本矩阵组作为输入变量进行2PEM评价和级数展开拟合，获取概率密度函数；构建二次规划模型，基于改进有效集法对二次规划模型进行求解；基于风险规避策略构建鲁棒优化模型，规避风光荷不确定性对储能配置结果的影响；构建MPC滚动优化模型以减小偏差；基于MPC滚动优化模型与鲁棒优化模型构建双层能量优化调度框架；基于双层能量优化调度框架修正日前调度计划。本发明采用MPC进行滚动优化，在日前IGDT鲁棒调度计划的基础上根据实际情况修正偏差，改善了IGDT开环控制的缺点。
-
公开(公告)号：CN119540752A
公开(公告)日：2025-02-28
申请号：CN202411583157.1
申请日：2024-11-07
Applicant: 贵州大学
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明涉及计算机视觉技术领域，尤其涉及基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，包括：获取病害叶片图像；将病害叶片图像输入层级病灶融合评估网络模型，获取叶片病害严重程度评估结果，其中，层级病灶融合评估网络模型基于真实训练集训练获得，真实训练集为标注病害严重程度的叶片图像，层级病灶融合评估网络模型包括具有先验知识的特征编码器、层级病灶特征融合模块和评估模块，具有先验知识的特征编码器是将图像对输入到位置引导病灶表征学习网络进行训练获得，图像对是指同一叶片的健康和病害状态，叶片病害状态是通过扩散模型从健康叶片生成病灶叶片。本发明能够针对病灶区域进行更精准定位和严重程度评估。
-
Patent Agency Ranking
公开(公告)号：CN119359476A
公开(公告)日：2025-01-24
申请号：CN202411936605.1
申请日：2024-12-26
Applicant: 贵州大学
IPC: G06Q50/02 , G06N5/02 , G06N5/025 , G06F18/24 , G06F18/22 , G06F16/903 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于病害农药知识图谱的长尾病害识别用药一体化方法，包括：构建病害农药信息库，病害农药知识图谱构建；识别模型搭建，获取长尾病害数据、对数据进行统一处理，一阶段模型训练，强化原型对比学习，二阶段模型训练使用类平衡损失和tau Norm来调整长尾病害分类器；根据长尾病害分类器得到的分类结果，从病害农药知识图谱进行查询相应的农药。本发明能实现对长尾病害的精准识别与用药推荐。
-
公开(公告)号：CN118587098A
公开(公告)日：2024-09-03
申请号：CN202410736992.8
申请日：2024-06-07
Applicant: 贵州大学 , 贵州慧控农耀科技有限公司
IPC: G06T3/4076 , G06T3/4046 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于特征交互与通道注意力的空谱联合超分辨率方法，属于计算机视觉和图像处理领域，具体过程如下：步骤1、将真实图像G经过下采样与空间尺寸剪切获得X；步骤2、X经特征提取获得当前的空间特征FaN和光谱特征FeN，将FaN和FeN与X融合获得空间融合数据XaN和光谱融合数据XeN，然后将XaN与XeN融合获得空谱融合数据WN；步骤3、将每次的WN通过学习获得最终的空间‑光谱关联特征FSS；步骤4、对FSS解码，获得解码特征数据D；步骤5、将FSS和D相加，并通过卷积处理获得最终的高分辨率重建的目标图像Y；步骤6、将XaN和XeN经过重建获得高空间分辨率图像Ia和高光谱分辨率图像Ie，计算Ia、Ie、Y与G的损失，验证目标图像Y的精准性。
-
公开(公告)号：CN118212540B
公开(公告)日：2024-07-16
申请号：CN202410636283.2
申请日：2024-05-22
Applicant: 贵州大学 , 贵州慧控农耀科技有限公司
Abstract: 本发明公开了一种基于多模态图像融合的杂草侵扰率预测方法，属于人工智能辅助精准农业检测技术领域，通过融合多模态图像，增加图像的信息量从而提高融合图像的质量。并基于融合图进行植被分割和杂草侵扰率预测。本发明由图像配准，图像融合，植被分割和杂草侵扰率预测四个模块组成。在图像配准和图像融合阶段，主要使用卷积进行特征提取和局部的细粒度对齐。而在杂草侵扰率预测模块，依赖于多层感知机良好的全局计算力，并结合多种注意力模块进行侵扰率的回归预测。本发明提出的一种基于多模态图像融合的杂草侵扰率预测方法，能重构出高质量的融合图像，并得到高精度的杂草侵扰率预测结果。
-
公开(公告)号：CN118212540A
公开(公告)日：2024-06-18
申请号：CN202410636283.2
申请日：2024-05-22
Applicant: 贵州大学 , 贵州慧控农耀科技有限公司
Abstract: 本发明公开了一种基于多模态图像融合的杂草侵扰率预测方法，属于人工智能辅助精准农业检测技术领域，通过融合多模态图像，增加图像的信息量从而提高融合图像的质量。并基于融合图进行植被分割和杂草侵扰率预测。本发明由图像配准，图像融合，植被分割和杂草侵扰率预测四个模块组成。在图像配准和图像融合阶段，主要使用卷积进行特征提取和局部的细粒度对齐。而在杂草侵扰率预测模块，依赖于多层感知机良好的全局计算力，并结合多种注意力模块进行侵扰率的回归预测。本发明提出的一种基于多模态图像融合的杂草侵扰率预测方法，能重构出高质量的融合图像，并得到高精度的杂草侵扰率预测结果。
-
公开(公告)号：CN118212537A
公开(公告)日：2024-06-18
申请号：CN202410629145.1
申请日：2024-05-21
Applicant: 贵州大学 , 贵州慧控农耀科技有限公司
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于数量监督的农作物计数方法，属于计算机视觉和智慧农业技术领域，具体包括：首先获取农作物图像；然后通过骨干网络进行基本特征的提取得到特征图，再通过注意力模块获取农作物新的特征图；接着，将其复制、划分、映射及叠加的处理得到拥有多种尺度信息的特征矩阵，将特征矩阵展平为一个一维向量并通过两个全连接层得到十个预测数量，使用平均池化得到一个最终的预测数量；最后，通过损失函数衡量预测数量和真实数量之间的差异，使用梯度下降和反向传播更新神经网络的参数，预测到精确的农作物数量。本发明提供的一种基于数量监督的农作物计数方法，仅需要数量标注的数据集进行训练，有效解决了农业数据集标注成本大的问题。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.018 seconds)
