-
公开(公告)号：CN115937686A
公开(公告)日：2023-04-07
申请号：CN202211681629.8
申请日：2022-12-26
Applicant: 华南农业大学
IPC: G06V20/10 , G06V10/22 , G06V10/34 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 叶菜种子精密育秧播种性能检测系统及其搭建方法，包括：设计Qt跨平台框架，将训练好的深度学习网络模型和按键功能函数模块部署到树莓派4B的Bullseye系统；利用Qt控制工业相机对不同叶菜种子秧盘图像进行采集，实现秧盘图像的捕获、保存、选取打开、灰度化、二值化、种子检测；基于轮廓算法对每个秧穴位置进行定位，检测漏播的秧穴，并记录位置信息；基于深度学习网络框架对不同叶菜种子秧盘图像进行检测识别，构建叶菜种子分类及播种量检测的网络模型，并对比网络模型的检测准确率；选用评价指标来测试深度学习网络模型，选取最优的网络模型。本发明对叶菜种子研究及应用具有重要意义，属于叶菜种子播种性能识别技术领域。
-
公开(公告)号：CN118097465A
公开(公告)日：2024-05-28
申请号：CN202410247017.0
申请日：2024-03-04
Applicant: 华南农业大学
Abstract: 本发明涉及一种基于无人机图像和深度学习的田间稻穗定位识别方法，S1，选择生育期样本，拍摄图像；选择处于抽穗期和灌浆期的水稻，使用无人机自动巡航拍摄获取高密度水稻图像；S2，对拍摄的图像进行切割，构建稻穗数据集，进行数据标注；S3，基于数据集特征，引入小目标检测层和高效多尺度注意力机制，构建损失函数并更新模型参数，得到田间稻穗定位识别模型；S4，基于构建的田间稻穗定位识别模型进行计数，并与基准模型进行检测准确率对比；S5，选择评估指标来测试多种深度学习经典模型，选取最优的或合适的田间稻穗定位识别模型。本发明能高效且准确地识别整个生育期在内的水稻稻穗，属于水稻稻穗识别技术领域。
-
公开(公告)号：CN114596509A
公开(公告)日：2022-06-07
申请号：CN202210327655.4
申请日：2022-03-30
Applicant: 华南农业大学
IPC: G06V20/17 , G06V10/50 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/10 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82
Abstract: 本发明涉及一种基于机器视觉的水稻秧苗叶龄期识别方法，包括：S1，在水稻秧苗育秧生长周期，人工检测秧苗的叶龄期，并通过无人机采集水稻秧苗图片，记录秧苗图片对应的人工检测的秧苗叶龄期；S2，利用图像预处理技术，构建不同训练集；S3，采用传统的机器视觉技术，构建水稻秧苗不同叶龄期检测模型；S4，采用基于深度学习构建秧苗不同叶龄期检测模型，并对比不同网络模型的检测准确率；S5，选用评价指标来测试传统机器学习模型和深度学习检测模型，选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。本发明能构建水稻秧苗叶龄期智能化识别系统，为后续水稻秧苗研究提供指导分析，属于水稻秧苗叶龄期识别技术领域。
-
公开(公告)号：CN118152913A
公开(公告)日：2024-06-07
申请号：CN202410298854.6
申请日：2024-03-15
Applicant: 华南农业大学
IPC: G06F18/2413 , G06F18/213 , G06F18/214 , G06F18/21 , G06F18/2431 , G06F18/243 , G06N20/20 , G06N3/0455 , G06N3/0475 , G06N3/084
Abstract: 本发明公开了一种基于人工智能的农业设备故障预测数据处理方法，包括如下步骤：利用预先训练完成的特征模型对实时采集数据进行数据处理，所述实时采集数据由待测农业设备实时获取；将处理后的数据输入到预先训练完成的分类器模型中进行分类，根据分类类别对待测农业设备进行故障预测。本发明结合量子态编码的生成对抗网络用于数据扩充，通过生成更多样化的训练数据和捕获更复杂的数据分布，提高了模型在未见数据上的泛化能力，有效应对了训练数据不平衡的问题，引入了自损失计算和稀疏正则化项，为故障预测提供了更丰富和准确的数据基础，提高了故障预测的效率，同时由于模型的稀疏性和差异性优化，增强了预测结果的解释性。
-
-
-
Search Results
4
records
(took 0.035 seconds)
