-
公开(公告)号：CN118470422B
公开(公告)日：2025-04-01
申请号：CN202410654325.5
申请日：2024-05-24
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/77 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于CNN和ViT的柑橘黄龙病害识别方法，包括：柑橘黄龙病害图像样本的获取并进行预处理；组成数据集，将数据集划分为训练集、验证集和测试集；构建柑橘黄龙病害图像识别模型；对训练集进行预处理，将预处理后的训练集输入柑橘黄龙病害识别模型中进行训练；获取待检测的柑橘黄龙病害图像并进行预处理，输入训练后的柑橘黄龙病害识别模型，得到柑橘黄龙病害识别结果。本发明通过将CNN分支模型连接ViT分支模型，实现对柑橘黄龙图像病害的准确识别；使用三个级联的残差模块，相较于传统ResNet参数量大大减少，结合轻量化注意力模块使得在参数量大幅下降的同时，提高了模型精度，有效地减轻了背景干扰，提升了病虫害的识别性能。
-
公开(公告)号：CN114743023B
公开(公告)日：2022-08-26
申请号：CN202210664056.1
申请日：2022-06-14
Applicant: 安徽大学
Abstract: 本发明涉及一种基于RetinaNet模型的麦蜘蛛图像检测方法，与现有技术相比解决了针对麦蜘蛛图像检测效率低、鲁棒性差的缺陷。本发明包括以下步骤：麦蜘蛛图像样本的获取和预处理；麦蜘蛛图像样本的扩充；麦蜘蛛图像检测模型的构建；麦蜘蛛图像检测模型的训练；待检测图像的获取；麦蜘蛛图像检测结果的获得。本发明将多头自注意力模块与残差网络融合，组成了一个新颖的并行骨干网络架构，利用高分辨率的特征图提取小目标的特征，基于交互特征图之间的上下文信息，通过重新设计更符合小目标的锚框，实现了更高效、更准确的麦蜘蛛虫害图像检测。
-
公开(公告)号：CN114743023A
公开(公告)日：2022-07-12
申请号：CN202210664056.1
申请日：2022-06-14
Applicant: 安徽大学
Abstract: 本发明涉及一种基于RetinaNet模型的麦蜘蛛图像检测方法，与现有技术相比解决了针对麦蜘蛛图像检测效率低、鲁棒性差的缺陷。本发明包括以下步骤：麦蜘蛛图像样本的获取和预处理；麦蜘蛛图像样本的扩充；麦蜘蛛图像检测模型的构建；麦蜘蛛图像检测模型的训练；待检测图像的获取；麦蜘蛛图像检测结果的获得。本发明将多头自注意力模块与残差网络融合，组成了一个新颖的并行骨干网络架构，利用高分辨率的特征图提取小目标的特征，基于交互特征图之间的上下文信息，通过重新设计更符合小目标的锚框，实现了更高效、更准确的麦蜘蛛虫害图像检测。
-
Patent Agency Ranking
公开(公告)号：CN118470422A
公开(公告)日：2024-08-09
申请号：CN202410654325.5
申请日：2024-05-24
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/77 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于CNN和ViT的柑橘黄龙病害识别方法，包括：柑橘黄龙病害图像样本的获取并进行预处理；组成数据集，将数据集划分为训练集、验证集和测试集；构建柑橘黄龙病害图像识别模型；对训练集进行预处理，将预处理后的训练集输入柑橘黄龙病害识别模型中进行训练；获取待检测的柑橘黄龙病害图像并进行预处理，输入训练后的柑橘黄龙病害识别模型，得到柑橘黄龙病害识别结果。本发明通过将CNN分支模型连接ViT分支模型，实现对柑橘黄龙图像病害的准确识别；使用三个级联的残差模块，相较于传统ResNet参数量大大减少，结合轻量化注意力模块使得在参数量大幅下降的同时，提高了模型精度，有效地减轻了背景干扰，提升了病虫害的识别性能。
-
公开(公告)号：CN116883364A
公开(公告)日：2023-10-13
申请号：CN202310869642.4
申请日：2023-07-17
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/045 , G06N3/0464 , G06N3/0499 , G06N3/08 , G06N3/084 , G06V10/82 , G06V10/774 , G06V10/42 , G06V10/44
Abstract: 本发明涉及一种基于CNN和Transformer的苹果叶片病害识别方法，包括：采集苹果叶片病害图像，并进行处理；对初始苹果叶片病害图像样本中的图像进行预处理，获得初始特征图，初始特征图组成苹果叶片病害图像训练集；基于CNN模型和Transformer模型构建苹果叶片病害图像识别模型；将苹果叶片病害图像训练集输入苹果叶片病害识别模型中进行训练；获取待检测的苹果叶片病害图像并进行预处理；将预处理后的待检测的苹果叶片病害图像输入训练后的苹果叶片病害识别模型，得到苹果叶片病害识别结果。本发明通过将Transformer模型融合到CNN模型中，实现对苹果叶片图像病害的准确识别；实现对苹果叶片病害的全局和局部信息的综合建模。
-
公开(公告)号：CN119323739A
公开(公告)日：2025-01-17
申请号：CN202411367941.9
申请日：2024-09-29
Applicant: 安徽大学
IPC: G06V20/17 , G06V10/82 , G06V10/774 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种基于改进U‑Net的无人机影像松材线虫病疫木识别方法，包括：通过无人机获取林区影像并进行预处理；对预处理后的影像数据和标注影像数据进行数据增强；对U‑Net网络模型进行改进，得到改进后的U‑Net网络模型；将训练集输入改进后的U‑Net网络模型中进行训练；将待识别的图像输入改进后的U‑Net网络模型，得到识别结果。本发明充分利用Swin Transformer编码器弥补U‑Net网络模型本身在捕获长距离依赖上的缺陷，提高松材线虫病感病疫木识别的精度；将U‑Net网络模型的瓶颈层替换成空洞空间金字塔池化模块，充分捕获了不同尺度的图像特征，增大感受野，充分利用上下文信息，减少特征信息损失，捕获更多有价值信息，提高松材线虫病感病疫木识别的精度。
-
公开(公告)号：CN119067855A
公开(公告)日：2024-12-03
申请号：CN202411082005.3
申请日：2024-08-08
Applicant: 安徽大学
IPC: G06T3/4076 , G06T3/4046 , G06N3/045
Abstract: 本发明涉及图像超分辨领域，本发明公开了一种改进SwinIR全局建模的图像超分辨方法，包括以下步骤：步骤1：浅层特征提取；步骤2：将浅层特征F0作为输入传输到深层特征提取网络HDF(·)，得到深层特征FDF；步骤3：利用残差连接融合浅层和深层特征，并作为上采样重建模块的输入，得到SR网络的最终输出；本发明在SwinIR的位移窗口注意力机制中，额外增加了基于MLP的通道注意力机制，不同于传统的通道注意力方法，我们采用MLP结构，使得所有图片信息均来源于图片本身，最大限度地减少了人为主观因素的干扰，从而提升了重建图像的质量；使用自校准卷积替代了SwinIR中传统卷积，通过自校准卷积使得网络在超分辨过程中使用更多的像素信息。
-
公开(公告)号：CN118506294A
公开(公告)日：2024-08-16
申请号：CN202410576131.8
申请日：2024-05-10
Applicant: 安徽大学
Abstract: 本发明涉及一种基于强化学习的交通流量统计方法，包括：采集交通场景的视频数据，获得初始视频样本；进行预处理；将预处理后的视频图像输入YOLOv8网络模型，进行目标检测；采用改进的SORT算法对检测出的预处理后的视频图像中的车辆进行跟踪；结合DDPG模型，优化目标跟踪策略，得到目标跟踪模型；将待统计的交通场景视频数据输入目标跟踪模型中，目标跟踪模型输出统计结果。本发明采用YOLOv8模型进行目标检测，能够快速准确地检测交通场景中的车辆；改进了SORT算法，从而提高了目标跟踪的准确度，额外引入强化学习技术即DDPG模型，通过学习车辆行驶时的特征，针对每个位置进行目标预测，有效提高了目标的预测精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
