-
公开(公告)号：CN114548265B
公开(公告)日：2024-06-21
申请号：CN202210157494.9
申请日：2022-02-21
Applicant: 安徽农业大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质，属于图像增强技术领域。基于层级式SwinT网络作为叶片区域提取模块的特征提取网络，设计多阶段重叠式嵌入和分层级特征下采样模块优化SwinT的图像嵌入方式和渐进式层级结构，根据重构特征图生成显著图并提取叶片区域。将叶片区域提取模块集成到图像生成模型，通过设计背景损失函数引导图像生成模型仅在叶片区域生成病斑，实现叶片病害图像数据集的有效增强。本发明能够提升生成作物叶片病害图像的生成效率与质量，显著提高作物叶片病害识别模型的准确率和鲁棒性，具有计算代价低、所需的训练数据量小、收敛快速且稳定等特点。
-
公开(公告)号：CN118120473A
公开(公告)日：2024-06-04
申请号：CN202410548953.5
申请日：2024-05-06
Applicant: 安徽农业大学 , 合肥哈工图南智控机器人有限公司
Abstract: 本发明公开了一种用于茶叶的采摘装置，包括围成框架结构的滑杆装置、架设滑杆装置的可移动架构、基座、识别装置、采摘执行器，基座安装在滑杆装置上，识别装置与采摘执行器安装在基座下部；所述识别装置包括相机支架、RGB相机，RGB相机通过相机支架安装在基座下部；所述采摘执行器包括电动伸缩杆、套筒、红外传感器、末端执行器，套筒安装在电动伸缩杆的下方，套筒内固定位置安装红外传感器，套筒的末端安装末端执行器。还公开了一种利用该采摘装置的采摘方法。通过上述方式，本发明能够提高茶叶的自动化采摘效率并且解决对于传统的茶叶采摘方法在真实的茶叶环境下会出现采摘点无效的问题。
-
公开(公告)号：CN118038451A
公开(公告)日：2024-05-14
申请号：CN202410431523.5
申请日：2024-04-11
Applicant: 安徽农业大学
IPC: G06V20/68 , G06V10/80 , G06V10/74 , G06V10/774 , G06V10/762
Abstract: 本发明公开了一种开放世界果实检测模型构建方法、检测方法及电子设备，属于计算机视觉和自然语言处理技术领域。本发明构建所得检测模型包括：文本编码模块，用于生成输入文本的文本特征向量；图像编码模块，用于生成输入图像的图像特征向量；图文特征融合模块，用于多层融合和交互文本特征和图像特征，生成融合后的图像特征向量和文本特征向量；深度估计模块，用于生成输入图像的深度估计特征；目标检测头，用于进一步融合和提取所得的融合后的图像特征向量、文本特征向量和深度估计特征，得到预测结果。本发明结合图像、深度估计算法和开放文本，实现了未见类别的果实检测和定位。
-
公开(公告)号：CN111833311B
公开(公告)日：2023-12-22
申请号：CN202010561990.1
申请日：2020-06-18
Applicant: 安徽农业大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/082
Abstract: 本发明公开了基于深度学习的图像识别方法及在水稻病害识别上的应用，包括：获取包含目标对象的图像训练集；采用图像扩增和图像对比度调整对训练集图像进行数据增强处理；获取训练完成的深度学习网络，所述训练完成的深度学习网络通过图像训练集和构造的待训练深度学习网络经过训练获得，所述待训练深度学习网络的构造和训练基于辅助模型实现；获取待进行识别的图像，进行图像中目标对象的识别，本发明在深度学习网络的搭建和训练过程采用辅助模型来完成，利用已有的基于大数据集训练完成的网络模型，选择其中的部分权重参数和网络层搭建待训练网络模型，并通过输入图像训练集进行网络微调训练，显著缩短训练时间和提高分类准确度。
-
公开(公告)号：CN116678862A
公开(公告)日：2023-09-01
申请号：CN202310681543.3
申请日：2023-06-08
Applicant: 安徽农业大学
Abstract: 本发明公开了一种植株叶绿素荧光三维成像装置及方法，属于植株叶绿素荧光三维领域。针对现有技术中存在的植株叶绿素荧光三维成像方法实现复杂、需要多角度拍摄、合成图像需要大量数据等问题，本发明提供了一种植株叶绿素荧光三维成像装置及方法，在不同位置光源下获取植株单视角图像通过植株神经辐射场对植株进行三维重建，生成植株精细三维模型，同时结合渲染对植株精细三维模型进行优化，得到植株三维图像以及植株叶绿素荧光三维图像，由此能够提高单视角下植株叶绿素荧光三维成像的精度和速度，减少数据处理时间，为植株生长、疾病和逆境应答等研究提供更加准确、全面的信息。
-
Patent Agency Ranking
公开(公告)号：CN110084367B
公开(公告)日：2022-10-25
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：CN113093620B
公开(公告)日：2022-07-05
申请号：CN202110371969.X
申请日：2021-04-07
Applicant: 安徽农业大学 , 安徽皓天智能环境设备科技有限公司
IPC: G05B19/042 , G01D21/02
Abstract: 本发明公开了一种分布式光合速率监测系统，是在温室/大棚内的不同位置处分别部署多个监测端和一个主控端；该监测端分为两层，上层为叶片仓，下层为叶片仓测控室，叶片仓测控室内设置有电机、MCU模块、可充电电池、各个环境传感器、无线通信模块，并用于接收主控端指令，控制叶片仓自动开合以及测量叶片仓内作物叶片的环境因子数据后发送给主控端；主控端根据所接收到的环境因子数据拟合出光合速率。本发明能快速准确地分布测量温室/大棚内各处作物的光合速率，简化过程并提高装置在温室/大棚中的作用范围，为后续根据光合速率对温室/大棚内环境参数调控奠定基础。
-
公开(公告)号：CN114119574A
公开(公告)日：2022-03-01
申请号：CN202111443534.8
申请日：2021-11-30
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于机器视觉的采摘点检测模型构建方法及采摘点定位方法，属于人工智能检测技术领域。采集采摘目标多角度RGB图像和深度图像通过视角映射生成采摘目标的第一点云集合作为训练集；采用三维重建方法实时重建采摘本体树冠层第二点云集合作为验证集和测试集，训练采摘点检测模型Alpha‑VoteNet。采摘时，采用三维重建方法实时三维重建采摘对象树冠层第三点云集合，利用采摘点检测模型获取采摘对象树冠层的所有采摘目标的采摘区域标注框，并根据标注框底面顶点计算底面中心获取采摘点三维坐标。本方法克服了传统方法中无法获取采摘目标的三维信息和因障碍物遮挡造成识别精度不高的问题，具有检测精度高、识别速度快和泛化能力强等特点。
-
公开(公告)号：CN111277679B
公开(公告)日：2021-03-23
申请号：CN202010254074.3
申请日：2020-04-02
Applicant: 安徽农业大学
IPC: H04L29/12 , H04L29/06 , H04L12/823 , H04L5/16 , H04W84/18
Abstract: 本发明涉及基于LoRaWAN与IPv6协议的无线传感网络通信方法，与现有技术相比解决了LoRaWAN网络中的终端设备不可精准管理、LoRaWAN协议与IPv6协议无法直接融合的问题。本发明包括以下步骤：无线传感采集终端IPv6地址的生成；对无线传感采集终端的数据进行打包；IPv6数据包分片；IPv6数据报头的压缩；无线传感数据的发送；无线传感网关的数据接收；接收端无线传感器的分片数据去冗余重组与解压处理。本发明将LoRa终端引入IPv6地址来拟补LoRaWAN设备不可精准管理的不足。
-
公开(公告)号：CN103957602B
公开(公告)日：2017-12-22
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。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.046 seconds)
