公开(公告)号：CN119379719B

公开(公告)日：2025-04-01

申请号：CN202411957997.X

申请日：2024-12-30

Applicant: 安徽农业大学

Inventor： 王文宇 ,  吴云志 ,  舒心 ,  丁杰 ,  徐雯雯

IPC: G06T7/11 ,  G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06V10/46 ,  G06V10/52 ,  G06V10/764 ,  G06T3/4038 ,  G06N3/0464

Abstract: 本发明公开了一种基于深度学习的梨叶片病虫害分割方法，包括以下步骤：步骤1、生成病虫害分割模型，病虫害分割模型是基于U‑Net网络并引入空间通道注意力模块CSA和通道融合特征提取模块CFFE构建得到的，病虫害分割模型包括图片通道调整部分、编码部分、解码部分、融合特征提取部分；步骤2、对步骤1生成的病虫害分割模型进行训练；步骤3、将待检测植物叶片图片输入至步骤2训练好的病虫害分割模型，由训练好的病虫害分割模型从待检测植物叶片图片检测分割出病虫害图片。本发明增强了模型的特征提取和表达能力，还提升了模型的效率和鲁棒性，能够适应多种图像处理任务。

公开(公告)号：CN117152581A

公开(公告)日：2023-12-01

申请号：CN202310998427.4

申请日：2023-08-08

Applicant: 安徽农业大学

Inventor： 舒心 ,  王浩宇 ,  丁杰 ,  吴云志

IPC: G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06T5/00 ,  G06T7/00 ,  G06V10/26 ,  G06V10/764 ,  G06V10/77

Abstract: 本发明为一种基于深度学习的MRI图像识别方法及装置，包括：获取MRI图像数据集；针对MRI图像数据集进行预处理，得到预处理后的MRI图像数据；将预处理后的MRI图像数据进行卷积池化，得到恢复后的MRI图像数据；将恢复后的MRI图像数据输出至MSB模块，得到输出的第一特征图；将第一特征图输入至FSA模块进行处理，得到输出的第二特征图；将第二特征图输入至FPN模块进行处理，得到输出的第三特征图；将第三特征图输入至FCOS HEAD模块进行处理，得到输出的ROI区域；针对ROI区域进行目标检测操作，得到输出的目标检测结果图像，能够对模糊的MRI图像进行有效的去模糊处理，提高诊断的准确性和效率。

公开(公告)号：CN119379719A

公开(公告)日：2025-01-28

申请号：CN202411957997.X

申请日：2024-12-30

Applicant: 安徽农业大学

Inventor： 王文宇 ,  吴云志 ,  舒心 ,  丁杰 ,  徐雯雯

IPC: G06T7/11 ,  G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06V10/46 ,  G06V10/52 ,  G06V10/764 ,  G06T3/4038 ,  G06N3/0464

Abstract: 本发明公开了一种基于深度学习的梨叶片病虫害分割方法，包括以下步骤：步骤1、生成病虫害分割模型，病虫害分割模型是基于U‑Net网络并引入空间通道注意力模块CSA和通道融合特征提取模块CFFE构建得到的，病虫害分割模型包括图片通道调整部分、编码部分、解码部分、融合特征提取部分；步骤2、对步骤1生成的病虫害分割模型进行训练；步骤3、将待检测植物叶片图片输入至步骤2训练好的病虫害分割模型，由训练好的病虫害分割模型从待检测植物叶片图片检测分割出病虫害图片。本发明增强了模型的特征提取和表达能力，还提升了模型的效率和鲁棒性，能够适应多种图像处理任务。

公开(公告)号：CN119152376B

公开(公告)日：2025-01-21

申请号：CN202411630867.5

申请日：2024-11-14

Applicant: 安徽农业大学

Inventor： 舒心 ,  吴云志 ,  丁杰 ,  王文宇 ,  焦裕轩

IPC: G06V20/10 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/80 ,  G06V10/44

Abstract: 本发明实施例提供了一种基于边缘增强的梨叶片多病害识别方法及装置，所述方法包括：获取到输入图像；将所述输入图像进行维度变换，得到维度变换图像；将所述维度变换图像经过多次卷积及池化，得到第一卷积图像；将所述第一卷积图像经过多次上采样及次反卷积，得到第二卷积图像；将所述输入图像进行边缘特征提取，得到边缘特征图，将所述边缘特征图与所述第二卷积图像进行特征融合；在融合时对重要特征部分进行加强，并在后段对融合特征图进行进一步特征提取，最终实现了对边缘模糊的病害的边缘较为精准的分割，先对原图片进行提取，得到富含边缘特征的与真实病害预测相似的边缘特征图，并将其融合在网络最后段，提升了模型预测的准确性，以及对边缘模糊病害的精确性。

公开(公告)号：CN119152376A

公开(公告)日：2024-12-17

申请号：CN202411630867.5

申请日：2024-11-14

Applicant: 安徽农业大学

Inventor： 舒心 ,  吴云志 ,  丁杰 ,  王文宇 ,  焦裕轩

IPC: G06V20/10 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/80 ,  G06V10/44

Abstract: 本发明实施例提供了一种基于边缘增强的梨叶片多病害识别方法及装置，所述方法包括：获取到输入图像；将所述输入图像进行维度变换，得到维度变换图像；将所述维度变换图像经过多次卷积及池化，得到第一卷积图像；将所述第一卷积图像经过多次上采样及次反卷积，得到第二卷积图像；将所述输入图像进行边缘特征提取，得到边缘特征图，将所述边缘特征图与所述第二卷积图像进行特征融合；在融合时对重要特征部分进行加强，并在后段对融合特征图进行进一步特征提取，最终实现了对边缘模糊的病害的边缘较为精准的分割，先对原图片进行提取，得到富含边缘特征的与真实病害预测相似的边缘特征图，并将其融合在网络最后段，提升了模型预测的准确性，以及对边缘模糊病害的精确性。