-
公开(公告)号：CN117286014A
公开(公告)日：2023-12-26
申请号：CN202311254140.7
申请日：2023-09-26
Applicant: 安徽大学
Abstract: 本发明涉及农业病菌孢子检测技术领域，具体是涉及一种能够捕捉气传真菌病害孢子的自动化装置，包括壳体、竖直设置于壳体内的孢子捕捉装置，孢子捕捉装置靠近壳体顶部设置；所述孢子捕捉装置还设有顶部捕捉仓和侧壁捕捉仓，顶部捕捉仓呈竖直状态设置于孢子捕捉装置顶部且穿过壳体置于防尘罩内；侧壁捕捉仓呈竖直状态固定设置于壳体边角处且一一对应壳体边角设置有多组；孢子检测装置呈竖直状态固定设置于壳体内且靠近壳体底部设置；所述壳体的外壁还折叠设置有用以为设置供电的太阳能供电模块；本发明不仅可以实现自动对孢子进行捕捉而且可以自动对其进行检测，可以实时对孢子进行检测，精确地预测孢子的传播以及病害情况。
-
公开(公告)号：CN117333365A
公开(公告)日：2024-01-02
申请号：CN202311270123.2
申请日：2023-09-28
Applicant: 安徽大学
IPC: G06T3/40 , G06T7/10 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于混合Transformer超分辨率网络的图像超分辨率方法，包括：首先获取图像对作为训练样本，图像对由图像ILR和图像IHR组成；搭建混合Transformer超分辨率网络模型；利用训练样本对混合Transformer超分辨率网络模型进行训练，得到训练后的混合Transformer超分辨率网络模型；将待处理图像作为LR图像导入到训练后的混合Transformer超分辨率网络模型中，混合Transformer超分辨率网络模型输出的结果即为HR图像。本发明通过构建混合Transformer超分辨率网络模型，在参数和性能做出合适权衡；增强了网络的局部信息的提取能力，并且提高网络全局建模的效率，得到更加优秀的超分辨率图像，通过对图像中的全局结构信息局部纹理信息作有针对性的处理，实现了在多种超分辨率任务下的优异表现。
-
Patent Agency Ranking
公开(公告)号：CN117272021A
公开(公告)日：2023-12-22
申请号：CN202311211477.X
申请日：2023-09-19
Applicant: 安徽大学
IPC: G06F18/213 , G06F18/2451 , G01N25/72
Abstract: 本发明涉及一种基于水果表面不同组织热特性的水果损伤检测方法，与现有技术相比解决了难以针对水果进行损坏检测的缺陷。本发明包括以下步骤：温度数据的采集；温度数据特征值的提取；特征值的计算；分类器的训练；获取待检测水果的温度数据；水果损伤检测结果的获得。本发明通过热电堆传感器采集水果样品不同感兴趣区域的温度数据；对温度数据进行压缩和傅里叶变换分析，提取曲线峰值作为特征值；将特征值输入最小二乘法线性分类器进行分类训练，从而实现对待测水果损伤的检测。
-
公开(公告)号：CN117115660A
公开(公告)日：2023-11-24
申请号：CN202311239981.0
申请日：2023-09-25
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/68 , G06V10/22 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种结合检测网络和点回归的葡萄图像采摘点位置单阶段定位方法，与现有技术相比解决了难以定位出葡萄图像中茎位置的缺陷。本发明包括以下步骤：葡萄图像的获取及预处理；葡萄采摘点定位模型的构建；葡萄采摘点定位模型的训练；待定位葡萄图像的获取；葡萄图像采摘点位置的定位。本发明使用了具有点回归的检测网络来检测葡萄茎并同时确定采摘点，获得了良好而准确的采摘点定位，其简单性、可部署性和可操作性远远优于两阶段方法，为葡萄果实采摘提供了实用可靠的技术支撑。
-
公开(公告)号：CN117576466A
公开(公告)日：2024-02-20
申请号：CN202311560217.3
申请日：2023-11-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/25 , G06V10/82 , G06V20/68 , G06V10/40 , G06V10/24 , G06V10/20 , G06V10/80 , G06N3/0464 , G06N3/0985
Abstract: 本发明涉及一种基于多源图像的果实损伤类别与区域识别方法，包括：搭建可见光和IR成像系统；通过可见光和IR成像系统进行果实图像采集与处理，获得多模态图像数据集，将多模态图像数据集划分为训练集、验证集和测试集；对DeepLabv3深度学习模型进行改进，得到ADS‑DeepLabv3+网络模型；采用训练集对ADS‑DeepLabv3+网络模型进行训练，将待识别的果实图像输入训练后的ADS‑DeepLabv3+网络模型，得到果实损伤类型和区域。本发明能够更好地获取果实“反—透”射特性，提高检测准确性，具有更好的适应性和抗干扰性；ADS‑DeepLabv3+网络模型通过融入特征金字塔网络和卷积注意模块来提高小目标损伤的识别能力，结合Dice_Loss和Focal_loss的损失函数得到的混合损失函数提高了对难区分样本的预测能力。
-
公开(公告)号：CN117455770A
公开(公告)日：2024-01-26
申请号：CN202311270151.4
申请日：2023-09-28
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4046 , G06T7/10 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于逐层上下文信息聚合网络的轻量级图像超分辨率方法，包括：获取图像对作为训练样本，图像对由图像ILR和图像IHR组成；搭建逐层上下文信息聚合网络模型，利用训练样本对逐层上下文信息聚合网络模型进行训练，得到训练后的逐层上下文信息聚合网络模型；将待处理图像输入到训练后的逐层上下文信息聚合网络模型中，训练后的逐层上下文信息聚合网络模型输出超分辨率预测结果。本发明利用图像各个层次的多尺度信息构建网络，它不仅解决了显卡内存占用大、计算时间长的问题，还能够实现更高质量的超分任务；通过高分辨率图像重建单元将重参数化技术引入部分卷积，连接这两种信息，进行图像重建，实现了在多种超分辨率任务下的优异表现。
-
公开(公告)号：CN117197807A
公开(公告)日：2023-12-08
申请号：CN202311220559.0
申请日：2023-09-20
Applicant: 安徽大学
IPC: G06V20/69 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及基于YOLOv4‑tiny轻量化模型的小麦赤霉病孢子识别方法，与现有技术相比解决了赤霉病孢子检测准确率低、检测速度慢、计算量大的缺陷。本发明包括以下步骤：孢子图像数据集的建立；构建轻量化孢子识别模型；轻量化孢子识别模型的训练；待识别孢子图像的获取；小麦赤霉病孢子识别结果的获得。本发明利用YOLOv4‑tiny具有更高的检测速度和较好的实时性的特点，在保证准确性的同时实现快速检测；本发明通过将YOLOv4主干特征提取网络CSPDarknet53模块替换为CSPDarknet53_tiny模块，有效的实现了小麦赤霉病孢子快速准确检测识别。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
