公开(公告)号：CN114638959A

公开(公告)日：2022-06-17

申请号：CN202210278313.8

申请日：2022-03-21

Applicant: 西北农林科技大学

Inventor： 刘斌 ,  张嘉琦 ,  田靓靓 ,  张海曦 ,  袁爱红

IPC: G06V10/25 ,  G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种基于卷积神经网络的苹果叶部病害诊断方法，该方法针对含有不同大小的病变区域的苹果叶病检测问题，提出了多尺度特征提取、V‑空间定位分支和多尺度注意力机制相结合的苹果叶部病害检测方法，实现对不同尺度病斑的准确检测。该方法旨在对不同大小的病斑提取更可靠的特征表示，提高最终检测性能。建立多尺度特征提取，融合不同层次的特征，进一步提高苹果叶片病害，特别是小病斑的检测性能。然后提出了V‑空间定位分支，在增强病斑定位的纹理特征信息方面发挥了重要作用。同时，利用注意力机制，自动学习不同尺度的特征通道对区分不同大小的病斑的重要性。

公开(公告)号：CN112036498A

公开(公告)日：2020-12-04

申请号：CN202010916772.5

申请日：2020-09-03

Applicant: 西北农林科技大学

Inventor： 袁爱红 ,  游梦博 ,  孟宪城 ,  张文杰 ,  黄家豪

IPC: G06K9/62

Abstract: 本发明公开了一种基于凸非负矩阵分解及自适应图的特征选择方法和装置，包括获取输入数据矩阵；输入数据矩阵为数据挖掘数据矩阵、机器学习数据矩阵、计算机视觉数据矩阵中的一种；将输入数据矩阵投影到伪标签空间，获得投影模型；将凸非负矩阵分解引入投影模型中，获得融合模型；对融合模型进行自适应图约束，确定特征选择模型；根据特征选择模型中自表达矩阵行元素的平方和进行排序，选取出排在前N的索引序号，将索引序号对应的特征选择作为选出的N个特征。本发明通过将凸非负矩阵分解引入到模型中，能很好地挖掘数据间的关系；通过构建自适应图约束，将自表达和伪标签矩阵学习巧妙的融合在一起，从而能很好地选出具有表达性和重要性的特征。

公开(公告)号：CN114638959B

公开(公告)日：2025-03-07

申请号：CN202210278313.8

申请日：2022-03-21

Applicant: 西北农林科技大学 ,  陕西省农村科技开发中心

Inventor： 刘斌 ,  张嘉琦 ,  田靓靓 ,  张海曦 ,  袁爱红

IPC: G06V10/25 ,  G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出了一种基于卷积神经网络的苹果叶部病害诊断方法，该方法针对含有不同大小的病变区域的苹果叶病检测问题，提出了多尺度特征提取、V‑空间定位分支和多尺度注意力机制相结合的苹果叶部病害检测方法，实现对不同尺度病斑的准确检测。该方法旨在对不同大小的病斑提取更可靠的特征表示，提高最终检测性能。建立多尺度特征提取，融合不同层次的特征，进一步提高苹果叶片病害，特别是小病斑的检测性能。然后提出了V‑空间定位分支，在增强病斑定位的纹理特征信息方面发挥了重要作用。同时，利用注意力机制，自动学习不同尺度的特征通道对区分不同大小的病斑的重要性。

公开(公告)号：CN116664480A

公开(公告)日：2023-08-29

申请号：CN202310353202.3

申请日：2023-04-04

Applicant: 西北农林科技大学 ,  陕西省农村科技开发中心

Inventor： 刘斌 ,  杨佳慧 ,  张海曦 ,  刘运松 ,  卫星 ,  袁爱红

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06V10/40 ,  G06V10/25 ,  G06V10/77 ,  G06V10/80 ,  G06V10/766 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的层级叶片病害检测方法和系统，用于自然环境下苹果叶片病害检测。首先，前置区域提议网络在整个图像生成提议框，并筛选出叶片提议框，后置区域提议网络根据叶片提议框生成病斑提议框。其次，设计了底层特征聚合模块，以更好地利用前置区域提议网络生成的桥接特征。然后，在后置区域提议网络中引入多级ROIAlign块和GCNet，使聚合的特征缩放到相同的大小，更专注于病斑。最后，提出了一种位置锚框生成器，使预设锚框更容易根据病叶的位置捕获目标病斑。复杂自然环境下，该层级苹果叶片病害检测方法可以提高检测任务的召回率和检测精度。

公开(公告)号：CN115293342A

公开(公告)日：2022-11-04

申请号：CN202210264342.9

申请日：2022-03-17

Applicant: 西北农林科技大学

Inventor： 刘斌 ,  胡琪琳 ,  刘荣达 ,  张海曦 ,  袁爱红

IPC: G06N3/08 ,  G06N3/04

Abstract: 本发明提出了一种基于混合并行的深度卷积神经网络并行训练方法，用于快速训练具有大数据集的大模型。该方法包含组内并行和组间并行。对于组内并行性，首先使用自动模型划分方法将模型分割为多个分区，并将多个分区分别放置在不同的GPU上。然后，将划分后的小批量数据一个接一个地连续发送到不同的GPU上，并且以流水线并行方式训练多个分区。组间并行在每个分组上复制模型副本，独立的计算梯度，然后在组间分区上将这些梯度的汇总更新，以达到最大化计算与通信重叠，从而减少梯度同步时间。实验结果表明，与传统数据并行和最先进的并行训练torchgpipe方法相比，本发明提出的方法加速性能得到了明显提升。