-
公开(公告)号：CN115049879A
公开(公告)日：2022-09-13
申请号：CN202210712444.2
申请日：2022-06-22
Applicant: 中北大学
IPC: G06V10/764 , G06V10/774 , G06V10/32 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及复杂环境下植物叶片病害检测和分类领域，具体为基于卷积的Swin Transformer植物叶片病害程度和种类的识别与分类方法，在网络模型中，采用window based self‑attention、shifted window self‑attention、residual structure and Convolutional Block保证网络可以高效的学习图像信息。将Convolutional Swin Transformer模型单独在两类数据集下分别训练得到两个模型，这两个模型可以分别识别植物病害程度、分类植物病害种类。本发明利用深度学习的特性，不需要人工提取图像特征，只需要将图像数据送入模型中训练，计算机就可以学习到数据集内的植物叶片病害特征，通过这些特征的学习可以准确的识别植物病害种类和程度。
-
公开(公告)号：CN115100468A
公开(公告)日：2022-09-23
申请号：CN202210713969.8
申请日：2022-06-22
Applicant: 中北大学
IPC: G06V10/764 , G06V10/50 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及复杂环境下植物叶片病害检测和分类领域，具体为基于Vision Transformer模型的植物叶片病害检测分类方法，本方法以Vision Transformer模型进行特征提取和利用全连接层神经网络作为分类器对植物叶片病害识别分类。本发明通过采用新型Vision Transformer作为特征提取器，全连接网络作为分类器，搭配病害数据库，实现了以下目的：（1）对摄像机采集到原始图像，利用经典数字图像算法对原始图像经行预处理操作，提高送入网络图像数据的可检测性以及最大限度的简化数据；（2）使用新型视觉Transformer网络模型，针对高相似性和高复杂度的实际环境，实现较高的植物叶片病害检测准确度；（3）将检测结果和数据库内的数据经行比对分析，输出可能性最大的两个检测结果。
-
公开(公告)号：CN115049879B
公开(公告)日：2025-02-11
申请号：CN202210712444.2
申请日：2022-06-22
Applicant: 中北大学
IPC: G06V20/10 , G06V10/774 , G06V10/32 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及复杂环境下植物叶片病害检测和分类领域，具体为基于卷积的Swin Transformer植物叶片病害程度和种类的识别与分类方法，在网络模型中，采用window based self‑attention、shifted window self‑attention、residual structure and Convolutional Block保证网络可以高效的学习图像信息。将Convolutional Swin Transformer模型单独在两类数据集下分别训练得到两个模型，这两个模型可以分别识别植物病害程度、分类植物病害种类。本发明利用深度学习的特性，不需要人工提取图像特征，只需要将图像数据送入模型中训练，计算机就可以学习到数据集内的植物叶片病害特征，通过这些特征的学习可以准确的识别植物病害种类和程度。
-
公开(公告)号：CN115397070A
公开(公告)日：2022-11-25
申请号：CN202211135882.3
申请日：2022-09-19
Applicant: 中北大学
Abstract: 本发明公开了一种智能激光植物补光器，包括主机和支架，主机包括补光系统和补光调控系统，补光系统包括Laser光源模块和光源驱动电路。本发明智能激光植物补光器通过触摸屏可以查看实时的补光信息，还可以对补光参数进行修改。补光信息和补光参数包括：补光方式、补光强度、当前时间和自动补光时间。该系统整体智能化程度高，控制精度高，补光效率高，补光范围广，适合应用于农业大范围植物补光，具有市场推广前景。
-
-
-
Search Results
4
records
(took 0.011 seconds)
