-
公开(公告)号：CN109766742A
公开(公告)日：2019-05-17
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：CN109612513A
公开(公告)日：2019-04-12
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：CN108400907A
公开(公告)日：2018-08-14
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。
-
公开(公告)号：CN119942248A
公开(公告)日：2025-05-06
申请号：CN202510428216.6
申请日：2025-04-08
Applicant: 安徽农业大学
IPC: G06V10/764 , G06V20/10 , G06V10/44 , G06V10/772 , G06V10/80 , G06V10/42 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种高光谱图像的分类方法及系统，涉及高光谱图像分类技术领域，包括：将高光谱图像数据集经特征提取获取多尺度特征；使用ADMM构建联合优化目标函数，作为联合优化模型；将字典矩阵设置为可训练参数,以端到端方式隐式学习动态字典;将多尺度特征输入联合优化模型迭代求解各变量；采用模态分解策略对辅助变量Z进行多维解构，并通过基于Mamba状态空间模型的双分支先验网络优化辅助变量#imgabs0#的求解；联合优化模型输出稀疏系数矩阵与隐式字典特征；将稀疏系数特征与字典特征进行拼接，获得融合特征；将融合特征输入分类器，获得高光谱图像的分类结果。本发明能提升高光谱数据分类结果的准确性。
-
公开(公告)号：CN116434066B
公开(公告)日：2023-10-13
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。
-
Patent Agency Ranking
公开(公告)号：CN116485766A
公开(公告)日：2023-07-25
申请号：CN202310466723.X
申请日：2023-04-27
Applicant: 安徽农业大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进YOLOX的粮食不完善粒检测和计数方法,包括以下步骤：S1、采集不同密集程度单层随机排布的粮食不完善籽粒原始RGB图像，并根据虫蚀粒、病斑粒、破损粒、生芽粒、生霉粒和完善粒进行框选分类标记，建立原始图像数据集；S2、将原始图像数据集输入至所述改进YOLOX网络模型，确定所述改进YOLOX网络模型的学习参数；S3、对存在交错特征的颗粒总计数进行修正，得到粮食不完善粒的检测模型；S4、根据待检测的粮食不完善粒实物图片或者视频，实现对待检测的粮食不完善粒的检测，得到各类不完善粒的计数结果。本发明适合粮食不完善粒细粒度特征识别和高通量检测计数的深度学习网络结构以提高检测和计数的准确率。
-
公开(公告)号：CN114625136A
公开(公告)日：2022-06-14
申请号：CN202210238283.8
申请日：2022-03-10
Applicant: 安徽农业大学
IPC: G05D1/02
Abstract: 本发明提供了一种基于深度学习的机器人轨迹跟踪控制方法，属于机器人控制领域，包括：建立机器人的运动学模型、跟踪误差模型、动力学模型；建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；基于所述机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对机器人跟踪轨迹进行控制。本发明提出的提出LSTM和SMC相结合的控制方法实现了LSTM网络对控制的补偿，提高收敛速度和控制的精度及稳定性；在不降低鲁棒性的情况下，LSTM和SMC相结合的方法可以有效抑制滑模控制的抖动现象。
-
-
公开(公告)号：CN114625136B
公开(公告)日：2024-11-22
申请号：CN202210238283.8
申请日：2022-03-10
Applicant: 安徽农业大学
IPC: G05D1/43 , G05D1/65 , G05D1/644 , G05D109/10
Abstract: 本发明提供了一种基于深度学习的机器人轨迹跟踪控制方法，属于机器人控制领域，包括：建立机器人的运动学模型、跟踪误差模型、动力学模型；建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；基于所述机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对机器人跟踪轨迹进行控制。本发明提出的提出LSTM和SMC相结合的控制方法实现了LSTM网络对控制的补偿，提高收敛速度和控制的精度及稳定性；在不降低鲁棒性的情况下，LSTM和SMC相结合的方法可以有效抑制滑模控制的抖动现象。
-
公开(公告)号：CN118840597A
公开(公告)日：2024-10-25
申请号：CN202410869432.X
申请日：2024-07-01
Applicant: 安徽农业大学
IPC: G06V10/764 , G06V10/774 , G06V10/30 , G06V10/80 , G06T7/194 , G06T7/62 , G06Q50/02
Abstract: 本发明公开了基于改进YOLOv8的小麦不完善粒双面判别和重量估算方法，涉及小麦品质检测技术领域；该方法包括以下步骤：构建双面数据集：分别采集若干小麦籽粒的正面图像和背面图像，将该正面图像和背面图像处理得到双面数据集；构建改进YOLOv8模型：基于YOLOv8网络模型融合注意力模块，且对Concat连接结构替换成BiFPN连接结构，得到改进YOLOv8模型；训练改进YOLOv8模型；小麦籽粒的双面判别：改进YOLOv8模型对待识别若干小麦籽粒的正面图像和背面图像进行分割，整合双面分割结果，得到类别判别结果；小麦籽粒的重量估计。本发明适合小麦不完善粒细粒度特征分割，并能进一步进行籽粒重量的估算，为小麦质检流程提供自动化服务。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.024 seconds)
