-
公开(公告)号:CN119418266A
公开(公告)日:2025-02-11
申请号:CN202411435894.7
申请日:2024-10-15
Applicant: 华南农业大学
IPC: G06V20/52 , G06V10/82 , G06V10/774 , G06V20/70 , G06V10/80 , G06V10/766 , G06V10/25 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于改进YOLOv6的荔枝病虫害检测方法、检测平台及终端,包括:拍摄采集病虫害图片,并对图片进行标注构建训练所需的真实果园场景下的荔枝病虫害数据集,使用数据增强技术对数据集进行数据增强处理;使用处理后的数据集在pytorch框架上训练改进的YOLOV6模型,通过调参得到训练好的荔枝病虫害检测pt模型;采集荔枝植物图片输入训练好的荔枝病虫害检测pt模型得到荔枝病虫害检测结果;将训练后的pt模型转为通用的onnx模型,并进行模型裁剪,再转化为rknn模型并进行ptq量化,将模型从float32类型量化为int8类型,在嵌入式设备上调用模型推理的API接口,将模型部署在检测平台上。
-
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:CN117852766A
公开(公告)日:2024-04-09
申请号:CN202410042828.7
申请日:2024-01-11
Applicant: 华南农业大学
IPC: G06Q10/063 , G06Q10/04 , G06Q50/02 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于改进时间序列的果园土壤电导率预测方法,包括以下步骤:S1,获取基于原始时间序列的果园农情数据;S2,基于改进时间序列对原始时间序列的果园农情数据进行处理,获得改进时间序列数据;S3,将改进时间序列数据输入Transformer‑BiLSTM模型中进行果园土壤电导率预测,获得最佳预测结果。本发明通过使用改进时间序列的数据集,降低了数据集的冗余度;同时利用Transformer‑BiLSTM模型来处理时序数据,既具有处理长距离数据依赖性以及捕获全局序列信息的优势,又具有处理双向长短时记忆数据以及捕获局部上下文信息和时序特征的优势,保证了时序数据处理的效率,提高了果园土壤电导率预测结果的准确度。
-
-