-
公开(公告)号：CN110942609A
公开(公告)日：2020-03-31
申请号：CN201911230116.3
申请日：2019-12-04
Applicant: 安徽农业大学
Abstract: 本发明适用于农情监测技术领域，提供了一种面向农情监测的低功耗遥测设备，包括供电系统；数据采集装置，用于采集数据；以及遥测终端，与所述数据采集装置通讯，所述遥测终端包括与智能控制主机电性连接的通讯模块、储存模块、人机交互模块和能量供给模块，其中所述通讯模块用于实现与外部机构的通讯，以实现指令收发和数据传输，所述储存模块用于储存土壤数据；所述人机交互模块用于实现人机交互，所述能量供给模块用于选择不同的供电方式向遥测终端供电，本发明的有益效果是：其实际运行功耗低；供电方式多样、方便，兼容外部直流供电和USB供电模式；方便调试，提高可用性；通过太阳能电池板，增加了设备的续航能力，使产品的使用能更长久。
-
公开(公告)号：CN110717507A
公开(公告)日：2020-01-21
申请号：CN201910808140.4
申请日：2019-08-29
Applicant: 安徽农业大学 , 合肥汉亚信息技术有限公司
Abstract: 本发明公开了一种基于APDJ算法的土壤墒情传感器优化布局方法，提出了改进的Dijkstra算法即（APDJ算法），开展了土壤墒情传感器优化布局的应用。在确保传感网络全覆盖的基础上，实时采集各传感节点的土壤墒情数据，运用AP聚类算法得到聚类中心，以聚类中心作为Dijkstra算法搜索最短路径的起点，无线传感网络的汇聚点为终点，通过改进的Dijkstra算法以数据相异性最大和距离最短为目标搜索最佳路径，最终得到一条由6个传感器节点构成的最佳布点路径，以该路径布置传感器，采集的数据冗余度最低，使传感器数量由25个减少到6个，有效降低了数据的冗余度，节约了系统成本，较好地解决了传感器的优化布局问题。
-
公开(公告)号：CN110084367A
公开(公告)日：2019-08-02
申请号：CN201910317820.6
申请日：2019-04-19
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于LSTM深度学习模型的土壤墒情预测方法，首先收集目标农田的一段时间内的土壤理化及气象数据；将收集到的数据进行预处理后分为训练样本集和测试样本集；构建LSTM深度学习模型，通过训练样本集对LSTM深度学习模型进行训练以得到调参后的LSTM深度学习模型，再通过测试样本集对调参后的LSTM深度学习模型进行验证，最终以验证后的LSTM深度学习模型作为土壤墒情预测模型；将收集的数据输入土壤墒情预测模型，最终由土壤墒情预测模型输出未来时刻的土壤墒情预测结果。本发明使用深度学习方法对土壤墒情进行预报，节约了人力物力，能够真实的反映前期数据对后期结果的影响，充分体现了时序性特征。
-
公开(公告)号：CN109031654A
公开(公告)日：2018-12-18
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。
-
公开(公告)号：CN103957602A
公开(公告)日：2014-07-30
申请号：CN201410129841.2
申请日：2014-04-01
Applicant: 安徽农业大学
Abstract: 本发明涉及一种无线传感器网络动态信道动态接入控制方法，在网络形成期，对整体网络进行管理区域划分，由管理节点控制区域网络接入参数；对于管理节点的选举采用一种基于能量控制的选举方法，各传感器节点都可以参与管理节点的选举。该方法能够使信息源区域网络到目的区域之间的所有网络区域逐步适应负载变化，具有网络生存时间长、时延小、吞吐量高的特点，适用于负载变化频繁的大规模无线传感器网络。
-
Patent Agency Ranking
公开(公告)号：CN118864828A
公开(公告)日：2024-10-29
申请号：CN202411350790.6
申请日：2024-09-26
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于重建特征和双重知识蒸馏的目标检测方法，包括以下步骤：S1：构建并训练教师模型至收敛，保存最佳模型的参数；S2：构建并初始化学生模型；S3：经过所述学生模型提取不同层次的学生特征图，将学生特征图从空间域转换到频域，设计选择性高通滤波器，重建学生模型特征图；S4：利用教师模型特征图和重建后的学生模型特征图，构建频域蒸馏和全局关系蒸馏，并构建相应的损失函数；S5：结合频域蒸馏和全局关系蒸馏构建双重知识蒸馏损失函数，最小化总的知识蒸馏损失函数，保留最佳训练参数；S6：将待检测图像数据输入到训练好的学生模型中，进行回归预测。还公开了一种基于重建特征和双重知识蒸馏的目标检测系统。
-
公开(公告)号：CN118298431A
公开(公告)日：2024-07-05
申请号：CN202410718322.3
申请日：2024-06-05
Applicant: 安徽农业大学
IPC: G06V20/70 , G06V10/82 , G06V10/44 , G06V10/50 , G06V10/52 , G06V10/80 , G06V10/762 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06F40/30 , G06F40/284 , G06F18/25
Abstract: 本发明公开了一种自然场景图像描述生成方法及系统，属于计算机视觉以及自然语言处理技术领域。本发明采用融合注意力机制的编码器‑解码器架构设计图像描述模型，构建基于向量梯度非均匀正则化的图像特征编码模块，增强图像中目标之间互动关系的准确性；构建基于特征贡献和标准差控制优化的文本特征解码模块，提高捕捉图像视觉信息的完整性和图像描述技术在各种场景下的泛化能力和适应性。本发明能够提升面向自然场景的图像描述的准确性、多样性和通用性，从而生成高精度、信息丰富和鲁棒性强的自然语言描述。
-
公开(公告)号：CN115191258B
公开(公告)日：2024-04-23
申请号：CN202210980581.4
申请日：2022-08-16
Applicant: 安徽农业大学 , 安徽皓天智能环境设备科技有限公司
Abstract: 本发明公开了一种设施种植补光系统，是由环境感知模块、主控模块和补光执行模块组成，其中，环境感知模块采集温室、大棚内四种环境参数并输入到主控模块，主控模块根据设施内环境数据计算出补光控制的PWM占空比，并输入到补光执行模块中，以控制补光灯实现对温室、大棚内光环境的调控。本发明能够根据植物特点和环境参数科学合理、自动高效地进行温室、大棚光环境调控，有利于增产、节能和增收。
-
公开(公告)号：CN117035044B
公开(公告)日：2024-01-12
申请号：CN202311291335.9
申请日：2023-10-08
Applicant: 安徽农业大学
IPC: G06N3/082 , G06N3/0464 , G06N3/063 , G06V10/82 , G06V10/774
Abstract: 本发明公开了一种基于输出激活映射的过滤器剪枝方法，包括以下步骤：S1：设定超参数；S2：预训练初始模型得到基线模型，作为当前需要剪枝的模型；S3：对当前需要剪枝的模型运行基于相关性和冗余度的过滤器综合评价准则；S4：根据每个卷积层的过滤器排名，修剪每层相应数量的贡献较小的过滤器；S5：对剪枝后的模型进行再训练以此恢复精度下降；S6：判断每层剩余过滤器的数量是否已经达到每层需要保留的过滤器的数量，直至模型剪枝完毕。还公开了一种基于输出激活映射的过滤器剪枝方法的图像分类系统及其边缘设备。本发明从相关性和冗余度两个方面综合评价过滤器贡献以此进行过(56)对比文件Zi Wang et al..Convolutional NeuralNetwork Pruning with StructuralRedundancy Reduction《.arxiv.org》.2021,第1-10页.HongFang Zhou et al..Featureselection based on conditional mutualinformation: minimum conditionalrelevance and minimum conditionalredundancy《.Applied Intelligence》.2019,第883-896页.陈程军;毛莺池;王绎超.基于激活-熵的分层迭代剪枝策略的CNN模型压缩.计算机应用.2020,(05),全文.夏海峰;袁晓彤.模型压缩中的对抗鲁棒性实验分析.陕西师范大学学报(自然科学版).2020,(02),全文.严阳春 等.基于权重关联性的卷积神经网络模型剪枝方法《.小型微型计算机系统》.2021,第42卷第1500-1504页.宋非洋 等.基于MobileNetV3的结构性剪枝优化《.自动化与信息工程》.2019,第40卷第20-25页.
-
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。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.033 seconds)
