-
公开(公告)号：CN117876843A
公开(公告)日：2024-04-12
申请号：CN202410042888.9
申请日：2024-01-11
Applicant: 安徽大学
IPC: G06V10/82 , G06V10/80 , G06V10/764 , G06V10/774 , G06V20/10 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种具有动态降低图像冗余的高效农作物病害识别方法，与现有技术相比解决了复杂环境下病害识别性能差的缺陷。本发明包括以下步骤：图像数据集的获得及预处理；CA2PNet模型的构建；CA2PNet模型的训练；待识别农作物病害图像的获取；农作物病害图像识别结果的获得。本发明首先通过轻量级CA‑AnchorNet得到具有表征农作物病害区域的特征图，然后通过类激活图(CAM)定位到能反映出类别判别性的病害特征区域并映射到更高分辨率的图像中裁剪出区域块，最后将这些具有更小空间冗余的局部语义块输入轻量级PatchNet进行精准的识别。
-
公开(公告)号：CN117150351A
公开(公告)日：2023-12-01
申请号：CN202310917381.9
申请日：2023-07-25
Applicant: 安徽大学
IPC: G06F18/241 , G01D21/02 , G06Q50/26
Abstract: 本发明涉及一种基于MaxEnt和时空立方体的也门沙漠蝗生境适宜性评估方法，包括：获取多源数据；对多源数据进行预处理；进行生境因子的筛选；获得参数最优的MaxEnt模型，对参数最优的MaxEnt模型进行训练，获取也门沙漠蝗年际的生境适宜性结果；构建时空立方体；进行时空一体化分析；根据时空一体化分析结果，给也门的沙漠蝗适宜性划分等级。本发明综合评价生态位条件，MaxEnt模型有助于综合考虑也门沙漠蝗的生态位条件；预测潜在适宜区域，考虑时空变化，时空立方体方法允许在时间和空间上跟踪沙漠蝗生境适宜性变化；提前预警，通过生态位模型和时空立方体方法，可以及早预警沙漠蝗可能出现的新生境，从而采取防范措施，减轻其对农业和生态系统的影响。
-
公开(公告)号：CN118443665B
公开(公告)日：2025-05-13
申请号：CN202410530052.3
申请日：2024-04-29
Applicant: 安徽大学
IPC: G01N21/84 , G01N21/01 , G01N1/24 , G01D21/02 , G01W1/02 , G01W1/14 , C12M1/34 , C12M1/26 , C12M1/36 , C12M1/00
Abstract: 本发明公开了一种气传真菌孢子与气象因子一体化智能监测装置与方法，涉及智能农机装备和生物科学领域，包括：显微图像采集机构、孢子捕捉风道机构、载物台和载玻片片仓机构，本发明在田间野外环境下可实现空中孢子捕捉和显微图像采集，利用本发明所述的监测装置和方法，解决了无法对农田中孢子浓度进行自动、实时、大尺度监测，导致难以把握大尺度农田真菌孢子的实时和动态变化情况的问题，可采集放大100～1000倍的孢子显微图像，工作流程顺畅且操作简便，具有更广阔的的应用前景。
-
公开(公告)号：CN119397945B
公开(公告)日：2025-04-29
申请号：CN202411443505.5
申请日：2024-10-16
Applicant: 安徽大学
IPC: G06F30/28 , G06F30/20 , G06F113/08 , G06F119/14
Abstract: 本发明涉及一种用于大田环境高通量植物表型平台的多元数据动态融合校正方法，与现有技术相比解决了难以实现多环境数据融合修正的缺陷。本发明包括以下步骤：环境数据与作物表型数据的获取；进行风速风向校正；进行光照校正；进行温度校正；数据的融合校正。本发明通过实时算法对多源数据进行校正和融合，从而实现高精度的表型数据多层次的动态融合校正。
-
公开(公告)号：CN117315481B
公开(公告)日：2025-03-21
申请号：CN202311369853.8
申请日：2023-10-23
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/77 , G06V10/42 , G06V10/44 , G06V10/52 , G06V10/58 , G06V10/80 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及一种基于光谱‑空间自注意力和Transformer网络的高光谱图像分类方法，包括：输入高光谱图像；使用主成分分析进行降维，得到降维后的高光谱图像；通过CBAM模块进行初步的光谱‑空间特征学习；进行初步特征学习；再经过光谱注意力模块得到光谱特征，最后继续挖掘光谱特征；输入空间注意力模块；输入Transformer模块，对全局特征进行学习；将经过全局特征学习的高光谱图像，最后经过全局池化、展平、批归一化和线性层，得到最终分类结果。本发明通过对高光谱图像作为研究对象，使用二维卷积能够在保持计算效率的同时减少计算量和节约成本；实现轻量级、高效率的特征提取和通道选择，提高了中心特征向量识别的准确性，增强了空间提取能力。
-
Patent Agency Ranking
公开(公告)号：CN118502095A
公开(公告)日：2024-08-16
申请号：CN202410560334.8
申请日：2024-05-08
Applicant: 安徽大学
Abstract: 本发明公开了八电机联合驱动的孢子显微图像全自动采集装置与方法，涉及智能农机装备和生物科学领域，包括：微处理器、八个驱动器、八个步进电机、载物台、载玻片片仓机构、涂刮凡士林机构、显微图像采集机构、孢子捕捉风道机构、继电器I/O控制模块、显微镜点束光源、吸风风机、真空泵和太阳能供电系统。本发明能够采用八个步进电机联合驱动完成推取载玻片、涂刮凡士林、空中孢子捕捉、显微图像采集和载玻片回收等智能连续作业，执行机构设计更简单、更省电且作业更高效，具有更广阔的应用前景。
-
公开(公告)号：CN117876843B
公开(公告)日：2024-07-05
申请号：CN202410042888.9
申请日：2024-01-11
Applicant: 安徽大学
IPC: G06V10/82 , G06V10/80 , G06V10/764 , G06V10/774 , G06V20/10 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种具有动态降低图像冗余的高效农作物病害识别方法，与现有技术相比解决了复杂环境下病害识别性能差的缺陷。本发明包括以下步骤：图像数据集的获得及预处理；CA2PNet模型的构建；CA2PNet模型的训练；待识别农作物病害图像的获取；农作物病害图像识别结果的获得。本发明首先通过轻量级CA‑AnchorNet得到具有表征农作物病害区域的特征图，然后通过类激活图(CAM)定位到能反映出类别判别性的病害特征区域并映射到更高分辨率的图像中裁剪出区域块，最后将这些具有更小空间冗余的局部语义块输入轻量级PatchNet进行精准的识别。
-
公开(公告)号：CN117893816A
公开(公告)日：2024-04-16
申请号：CN202410071215.6
申请日：2024-01-18
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/44 , G06V10/52 , G06V10/58 , G06V10/77 , G06V10/80 , G06V10/82 , G06V20/10 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及一种分层次残差光谱空间卷积网络的高光谱图像分类方法，包括：获取高光谱图像数据立方体，分割为一组相互重叠的3D斑块P；构建分层次残差光谱空间卷积网络；将3D斑块P输入分层次残差光谱空间卷积网络，得到光谱维的三维光谱空间特征；对光谱维的三维光谱空间特征进行分层次特征注意处理，得到分层次的特征映射；对分层次的特征映射进行光谱空间特征学习，得到空间维的三维光谱空间特征；对空间维的三维光谱空间特征进行分类处理，得到每一类地物的概率分布。本发明在提取各类地物微小特征上发挥着极其重要的作用，有效解决了图像块之间远近距离依赖关系，高效捕捉浅层空谱特征和深层空谱特征，并且降低注意力机制的冗余。
-
公开(公告)号：CN117611893A
公开(公告)日：2024-02-27
申请号：CN202311577453.6
申请日：2023-11-24
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V20/10
Abstract: 本发明涉及一种基于降冗余特征优选策略的大豆种植区遥感提取方法，与现有技术相比解决了多维遥感特征执行分类时可能出现的信息冗余、数据臃肿和执行效率低的缺陷。本发明包括以下步骤：Sentinel‑1、Sentinel‑2以及Planet影像的获取及预处理；利用决策树规则集剔除非农田地物；进行ReliefF特征重要性评估；进行特征最大相关最小冗余排序；构建ReliefF‑mMRM‑RF分类模型；大豆种植区分布图的生成。本发明利用ReliefF算法对候选特征进行特征重要性评估，能够从众多特征中初步筛选出对大豆分类更有利的特征。
-
公开(公告)号：CN117315481A
公开(公告)日：2023-12-29
申请号：CN202311369853.8
申请日：2023-10-23
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/77 , G06V10/42 , G06V10/44 , G06V10/52 , G06V10/58 , G06V10/80 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及一种基于光谱‑空间自注意力和Transformer网络的高光谱图像分类方法，包括：输入高光谱图像；使用主成分分析进行降维，得到降维后的高光谱图像；通过CBAM模块进行初步的光谱‑空间特征学习；进行初步特征学习；再经过光谱注意力模块得到光谱特征，最后继续挖掘光谱特征；输入空间注意力模块；输入Transformer模块，对全局特征进行学习；将经过全局特征学习的高光谱图像，最后经过全局池化、展平、批归一化和线性层，得到最终分类结果。本发明通过对高光谱图像作为研究对象，使用二维卷积能够在保持计算效率的同时减少计算量和节约成本；实现轻量级、高效率的特征提取和通道选择，提高了中心特征向量识别的准确性，增强了空间提取能力。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.03 seconds)
