-
公开(公告)号：CN116363109A
公开(公告)日：2023-06-30
申请号：CN202310358020.5
申请日：2023-03-31
IPC分类号： G06T7/00 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0455
摘要： 本发明公开一种基于改进DETR模型的木材缺陷检测方法，属于智能识别木材的技术领域，本发明采用DETR模型进行木材缺陷检测，基于无参的离散傅里叶变换进行图片特征的交互，取代了原有DETR中的自注意力层，极大降低了参数量；并且改变了原有DETR中生成目标查询向量的方式，加快了收敛速度，简化了计算的复杂度。本发明具有较好的木材缺陷定位以及分类能力，大大降低了生产成本，实现了木材等级分类的高度自动化，提升了产品质量。
-
公开(公告)号：CN116612068A
公开(公告)日：2023-08-18
申请号：CN202310359313.5
申请日：2023-03-31
IPC分类号： G06T7/00 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0455
摘要： 一种基于改进DINO网络模型的木材表面缺陷检测方法，涉及基于深度学习的木板原材料表面缺陷检测的技术领域，包括：实地采集木材表面缺陷数据集；对数据集进行预处理；对数据集进行标注、数据增强和划分；设计基于改进DINO的木材表面缺陷检测模型；利用训练集、验证集对DINO模型进行训练和验证；根据实验结果进行模型调优；利用调优好的模型进行木材缺陷检测。本发明有效提高了木材表面缺陷检测的识别准确率和识别效率，同时模型可以在极少训练轮数下达到收敛，极大降低了模型训练时间，并且模型具有较低的计算量，易于工业现场的木材缺陷实时检测。
-
公开(公告)号：CN117591938A
公开(公告)日：2024-02-23
申请号：CN202311615499.2
申请日：2023-11-28
IPC分类号： G06F18/241 , G06F18/25 , G06F18/213 , G06F18/10 , G06F18/214 , G06N3/08 , G06N3/0442 , G06N3/0464
摘要： 本发明属于基于特定计算模型的农机轨迹识别技术领域，更具体地，涉及一种基于神经网络的农机轨迹时空特性提取与行为识别方法。所述方法包括采集农机GNSS轨迹点得到轨迹数据集合，并对数据进行清洗操作；计算出数据清洗后的农机GNSS轨迹每个轨迹点的特征，并将特征与速度、方向进行组合；通过神经网络模型对GNSS轨迹提取时空特征；将提取的时间特征和空间特征通过特征拼接操作实现特征融合；基于特征拼接后的融合特征，通过线性分类器对每个GNSS轨迹进行田间和道路的分类。本发明解决了现有技术中在深层特征提取上具有困难，忽略轨迹数据间的空间关系，并且调参复杂，难以实现准确且实时的田间‑道路行为识别的问题。
-
公开(公告)号：CN117475299A
公开(公告)日：2024-01-30
申请号：CN202311283629.7
申请日：2023-09-28
申请人： 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院) , 山东山科智控数字化科技有限公司 , 山东省农业科学院
IPC分类号： G06V20/10 , G06V10/25 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/0464 , G06N3/045 , G06N3/084
摘要： 本发明属于输电通道检测特定计算机模型的技术领域，更具体地，涉及一种基于YOLOv8的玉米叶片虫害区域检测方法。所述方法包括构建数据集；对数据集的玉米虫害区域图片进行预处理：使用轻量级注释工具“labelme”进行多边形标注，将虫害区域分为3个类别；将预处理后的玉米虫害区域图片输入Poly‑YOLOv8虫害区域检测模型的骨干网络进行特征提取后经颈部网络进行特征融合，最后输入改进的解耦检测头生成检测结果；将经训练和测试后的Poly‑YOLOv8虫害区域检测模型对玉米虫害区域进行实时监测。本发明解决了现有技术中忽略了叶片上虫害区域的检测，基于实例分割的虫害区域检测无法有效定位叶片边界，进而导致精确度不足的问题。
-
公开(公告)号：CN116738313A
公开(公告)日：2023-09-12
申请号：CN202310692957.6
申请日：2023-06-12
IPC分类号： G06F18/241 , G01C21/34 , G01C21/20 , G06F18/2321
摘要： 一种路网图和农机轨迹聚类算法相结合的农机运动模式识别方法，属于地图匹配的技术领域，该方法的步骤包括：获取农机定位轨迹原始数据；对原始农机定位轨迹数据进行数据清洗；利用农机定位轨迹数据获取对应目标区域内的路网图；利用HFTMM算法纠正农机定位轨迹与路网图道路之间的映射偏差；根据农机定位轨迹与路网道路之间的高精度映射关系确定农机道路行驶运动模式；利用DBSCAN密度聚类算法确定农机田间作业和田间转场运动模式。本发明将路网图的道路场景和密度聚类算法相融合，来提高农机定位轨迹分割的准确率和效率，获得更加准确的农机运动模式识别结果。
-
公开(公告)号：CN118520394A
公开(公告)日：2024-08-20
申请号：CN202410589830.6
申请日：2024-05-13
IPC分类号： G06F18/2433 , G06F18/15 , G06F18/213 , G06N3/0442 , G06N3/045 , G06N3/084 , G01S19/37 , G06N3/048
摘要： 本发明涉及农机运动识别技术领域，具体涉及一种由轨迹分布特征驱动的农机运动模式识别算法、装置、设备及存储介质。该方法包括以下步骤：获取农机运动轨迹原始数据，得到轨迹数据集合；对轨迹数据集合进行数据清洗，将其中的时空重复点、离散点和漂移点移除；计算数据清洗后的轨迹数据集合中每个轨迹点的运动特征和分布特征，并将运动特征和分布特征作为输入特征；分布特征包括密度特征和平行特征；利用深度学习模型从输入特征中提取深层特征，并对农机运动轨迹点进行识别。本发明通过将运动、分布特征与深度学习模型相结合，能够有效提高农机轨迹点的识别准确率，获得更加准确的农机运动模式识别结果。
-
公开(公告)号：CN118520371A
公开(公告)日：2024-08-20
申请号：CN202410589835.9
申请日：2024-05-13
IPC分类号： G06F18/2415 , G06F18/15 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/084 , G01S19/37 , G06N3/048 , G06F123/02
摘要： 本发明涉及一种基于多特征增强的农机运动行为识别方法、装置、设备及存储介质。该方法包括以下步骤：采集农机GNSS轨迹点数据得到轨迹数据集合，并对轨迹数据集合进行清洗，去除噪声点和重复点；计算清洗后的轨迹数据集合中每个轨迹点的多维特征，将多维特征作为输入特征；多维特征包括速度、方向、速度差、加速度、方向差、角速度、角加速度、位移、曲率、密度和双位移；设计Bi‑VAEMnet神经网络模型，利用Bi‑VAEMnet神经网络模型对输入特征进行强化，并进行序列建模和特征提取，得到特征向量；基于特征向量，利用Bi‑VAEMnet神经网络模型进行农机运动行为识别。本发明有效提高了农机运动行为的识别精度，实现了农机田间‑道路行为分类的精确识别。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.06 秒)
