-
公开(公告)号：CN107256454A
公开(公告)日：2017-10-17
申请号：CN201710396493.9
申请日：2017-05-31
Applicant: 安徽农业大学
CPC classification number: G06Q10/0639 , G06K9/6267 , G06Q50/02 , G06T7/50 , G06T17/00 , G06T2207/10028
Abstract: 本发明公开了一种受生长要素影响的植物三维形态样本建模方法，其包括如下步骤：a建立植物各生长阶段各生长要素参数量化模型，获取各生长要素的参数量化值；b确定植物在各生长阶段的标准形态，并建立各标准形态的三维样本模型；c通过分组实验得到生长要素对植物形态影响的数据；d利用机器学习的分类算法对分组实验得到的数据进行分类；e运用分类结果对植物各生长阶段的样本模型进行修改。本发明对受生长要素影响的植物形态进行分类并对三维样本模型进行修改，简化加速植物形态建模过程，利于各生长阶段下植物形态受生长要素影响的快速建模。
-
公开(公告)号：CN106940860A
公开(公告)日：2017-07-11
申请号：CN201710250373.8
申请日：2014-10-24
Applicant: 安徽农业大学
Abstract: 本发明公开了一种二维码防伪验证方法，其特征是按如下步骤进行：1、二维码的生成；2、初步判断待验证二维码的真伪；3获得扫描时间和扫描地点；4判断所述待验证溯源码的真伪；5、判断所述待检验验证码的真伪。本发明能够快速、稳定的生成大量具有高防伪性、难以被仿造的二维码，从而有效保证二维码的唯一性，防止被复制或者重复使用。
-
公开(公告)号：CN102231151A
公开(公告)日：2011-11-02
申请号：CN201110129266.2
申请日：2011-05-19
Applicant: 安徽农业大学
IPC: G06F17/30
Abstract: 本发明涉及一种根据农业领域知识的变化，通过优化本体学习规则的农业领域本体自适应学习建模方法。发明在已有研究成果的基础上，针对农业领域的本体学习的自适应问题，提出一种农业领域本体自适应学习建模方法，主要包括1、农业领域概念自适应提取，2、农业领域概念间关系自适应提取，3、基于多Agent的农业领域本体自适应学习模型集成等。本发明可以有效的提高农业领域本体自动构建的效率，提升所构建的农业领域本体质量，对大规模构建农业领域本体，进一步建立农业语义网络与知识网格，实现农业领域知识的充分共享和协同服务，具有一定的理论研究价值和实际意义。
-
公开(公告)号：CN119625327A
公开(公告)日：2025-03-14
申请号：CN202510168773.9
申请日：2025-02-17
Applicant: 安徽农业大学
IPC: G06V10/26 , G06N3/0455 , G06N3/0464 , G06V10/44 , G06V10/80 , G06V10/82 , G06V20/10
Abstract: 本发明公开了一种基于改进VM‑UNet模型的农田排水沟渠遥感图像语义分割方法，该方法中将对VM‑UNet模型进行了改进，在解码器中：第三编码层和第一编码层输出的特征经过SENet注意力机制处理后通过跳跃连接输入到解码器；第二编码层和Patch Embedding层输出的特征经过多尺度注意力聚合后通过跳跃连接输入解码器；本发明通过多尺度卷积和空间注意力机制聚合空间特征，增强模型对复杂沟渠背景的分辨能力，通过通道加权机制强化排水沟渠相关的语义信息，减少混淆背景对分割结果的影响。
-
公开(公告)号：CN119165159A
公开(公告)日：2024-12-20
申请号：CN202410615737.8
申请日：2024-05-17
Applicant: 安徽农业大学
IPC: G01N33/559
Abstract: 本发明属于农药检测技术领域，具体涉及一种基于胶体金识别的农药残留检测方法，包括以下步骤：取待检测的农产品的食用部分，切碎后进行匀浆；向匀浆液内加入3‑5倍体积的提取溶剂，充分混合后静置，取上清液；取5份10g上清液，分别加入10倍、50倍、100倍、500倍和1000倍稀释溶剂，混合均匀后得到五组稀释液；五组稀释液分别取80ul加入到纳米胶体金检测卡的检测口处，待其反应15‑20分钟后将五组纳米胶体金检测卡转移至具有环形LED光源的暗盒中；通过摄像头拍摄纳米胶体金检测卡的显色结果，并将图像传回至显示终端，通过查看图像判断农药残留量；克服了现有技术的不足，利用纳米胶体金检测卡对不同稀释度的农产品提取物进行检测，从而判断农药残留量。
-
Patent Agency Ranking
公开(公告)号：CN114741548B
公开(公告)日：2024-11-08
申请号：CN202210458831.8
申请日：2022-04-27
Applicant: 安徽农业大学
IPC: G06F16/583 , G06N3/0464 , G06T7/11 , G06T7/73 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/74
Abstract: 本发明公开了一种基于小样本学习的桑叶病虫害检测方法，包括以下步骤：步骤1、数据集采集：获取基类数据集和新类数据集；步骤2、数据集预处理；步骤3、构建RP‑DCNet模型；步骤4、将基类数据集在元学习阶段对RP‑DCNet模型进行训练；步骤5、将新类数据集和与新类数据集数量相当的基类数据集在元微调阶段对RP‑DCNet模型进行训练；步骤6、经过训练对RP‑DCNet模型的参数进行调整得到最优配置参数；步骤7、基于最优配置参数下的模型用于桑叶病虫害检测。本发明在样本数量较少情况下，依然能够保持较高的检测精度。
-
公开(公告)号：CN114764827B
公开(公告)日：2024-05-07
申请号：CN202210456922.8
申请日：2022-04-27
Applicant: 安徽农业大学
IPC: G06T7/70 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/08 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种自适应低光照场景下的桑叶病虫害检测方法，包括以下步骤：步骤1、收集桑叶病虫害图片作为数据集；步骤2、将数据集分为训练集和测试集，并进行预处理；步骤3、构建ZTOC Swin Transformer模型，对模型进行训练得到最优配置参数；步骤4、通过参数为最优配置参数的模型对待识别的桑叶健康状态图像进行识别，得到桑叶病害检测结果。本发明可适应各种光照场景，并能够降低计算量，提高检测效率和准确性。
-
公开(公告)号：CN114842300B
公开(公告)日：2024-05-03
申请号：CN202210514016.9
申请日：2022-05-11
Applicant: 安徽农业大学
IPC: G06V10/774 , G06V10/82 , G06V10/74 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/088 , G06N3/094
Abstract: 本发明公开了一种适应雨天环境的农作物病虫害检测方法，包括以下步骤：步骤1、获取有雨、无雨、农作物病虫害图像数据集；步骤2、对数据集进行预处理；步骤3、利用有雨、无雨图像数据集对DCD‑GAN模型进行训练；步骤4、将最优配置参数下的DCD‑GAN模型的输出连接YOLOX模型的输入，得到D‑YOLOX模型；步骤5、利用农作物病虫害图像数据集对D‑YOLOX模型进行训练；步骤6、通过最优配置参数下的D‑YOLOX模型进行雨天环境的农作物病虫害图像处理。本发明能够有效避免因雨天拍摄的图像质量差，雨水干扰对模型性能产生影响。
-
公开(公告)号：CN117274801A
公开(公告)日：2023-12-22
申请号：CN202311163132.1
申请日：2023-09-11
Applicant: 安徽农业大学
IPC: G06V20/10 , G06V10/82 , G06V10/774 , G06V10/776 , G06V10/44 , G06V10/62 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/096
Abstract: 本发明涉及人工智能和植物生长发育预测技术领域，具体提供了一种高分辨率的玉米生长发育预测系统及方法，旨在解决现有技术中对植物表型的预测只能在低分辨率下进行，且生成的预测图像精确度较低的问题。本发明包括生成器和判别器。本发明在生成器中使用3D卷积改进了时间编码器和时空编码器，使得时间编码器和时空编码器的结构均基于3D卷积，提高了玉米生长发育预测系统高分辨率的长期预测的效果。另外本发明还可以运用到其它植物生长发育的预测，可以帮助科学家们更好地了解植株在不同环境和胁迫下的生长行为，通过比较植物的生长和发育情况来预测未来的生长和发育情况。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
112
records
(took 0.044 seconds)
