-
公开(公告)号：CN105115469B
公开(公告)日：2017-10-24
申请号：CN201510457927.2
申请日：2015-07-29
Applicant: 华中农业大学
Abstract: 本发明公开了一种水稻稻穗表型参数自动测量和穗重预测方法，包括通过扫描仪获取稻穗图像：将晒干的稻穗平铺在白纸上，并用胶带固定，开启计算机，连接扫描仪，将固定于白纸上的稻穗放入扫描仪中，即可获得稻穗图像等步骤。本发明在不依赖于大型测量平台以及复杂的测量软件情况下，只依靠稻穗的扫描图像即可快速、准确的得到稻穗的多个性状，并得到穗重的相关信息，提高了测量效率，降低了人工劳动强度。
-
公开(公告)号：CN102809357A
公开(公告)日：2012-12-05
申请号：CN201210293496.7
申请日：2012-08-17
Applicant: 华中农业大学
IPC: G01B11/28
Abstract: 本发明公开了一种农业科研人员对于农作物的总叶面积、绿叶面积、黄叶面积和绿叶指数的高精度快速测量分析和记录的设备。本发明提供的农作物叶面积信息测量分析仪包括：叶片传送装置、图像采集装置、PLC控制器以及计算机系统。本发明利用机器视觉技术动态获取农作物叶片颜色信息，可以同时并快速测量多片农作物叶片，克服了目前的测量手段中无法快速并高效测量农作物叶片总叶、黄叶、绿叶面积的缺陷；测量过程采用流水喂入作业模式，操作简单方便；软件兼容性好，能自动去杂并识别黄叶部分和绿叶部分，获取叶片颜色信息，不需要对叶片黄、绿叶部分进行修剪等前期处理，只需要剪下叶片后直接送入仪器测量分析即可。
-
公开(公告)号：CN119086808B
公开(公告)日：2025-05-02
申请号：CN202410628693.2
申请日：2024-05-21
Applicant: 华中农业大学
Abstract: 本发明公开一种多场景自走式作物表型高通量无损获取装备，属于作物表型检测领域。该装备包括移动机器人平台、卫星定位模块、三维视觉传感器、边缘计算设备和多传感器表型数据采集单元，移动机器人平台采用四轮独立驱动独立转向方式，且高度可调；卫星定位模块控制移动机器人平台移动至目标地块，边缘计算设备根据三维视觉传感器采集的植株冠层深度图像及三维点云信息，动态调整移动机器人平台的转向角以及上端平台高度；边缘计算设备分析多传感器表型数据采集单元采集的每种模态表型传感数据，获得多种表型数据；还可以实现多模态表型传感数据与目标地块标号的自动映射，以及换行操作。本发明实现了多场景自走式作物全生育期表型高通量无损测量。
-
公开(公告)号：CN117456607B
公开(公告)日：2025-03-14
申请号：CN202311452628.0
申请日：2023-11-03
Applicant: 华中农业大学
Abstract: 本发明公开了一种多目标小鼠行为在线识别和体温监控方法，基于红外热成像相机对多目标小鼠图像信息和温度信息进行数据采集；将红外热成像相机采集的小鼠图像进行预处理；基于深度学习的图像处理方法对预处理后的小鼠图像进行分析，得到每只小鼠的身体轮廓和身体关键点信息；基于多目标跟踪算法根据小鼠图像信息、身体轮廓信息获得每只小鼠的身份ID信息；根据小鼠的身份ID信息、身体轮廓信息和所述温度信息计算小鼠体表温度；根据关键点信息，计算小鼠个体行为和社交行为；将每只小鼠的体温信息和行为进行实时显示。本发明实现了对多目标小鼠的跟踪以及个体行为和社交行为的实时分析，为多目标小鼠行为分析提供了技术支持。
-
公开(公告)号：CN119359688A
公开(公告)日：2025-01-24
申请号：CN202411513539.7
申请日：2024-10-28
Applicant: 华中农业大学
IPC: G06T7/00 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于人工智能的作物基因型预测全生育期图像的方法。该方法包括作物图像采集、作物图像处理、构建多层感知器神经网络和条件控制生成对抗网络进行训练以学习全生育期的作物基因型、表型及图像的映射关系，并且获得作物基因‑表型预测模型和表型‑图像预测模型，最后通过两个模型，基于待预测作物基因型，预测出该基因调控下，理想环境的作物全生育期可视化结果。该方法基于人工智能技术，构建多维空间多层感知网络和条件控制生成对抗网络，深度利用作物基因、表型和图像大数据中蕴含的映射规律，实现了对作物进行逼真、准确的可视化预测。
-
Patent Agency Ranking
公开(公告)号：CN118120548B
公开(公告)日：2024-10-11
申请号：CN202410277627.5
申请日：2024-03-12
Applicant: 华中农业大学
IPC: A01G18/00 , B65G47/22 , B65G43/08 , G06V20/68 , G06V10/12 , G06V10/26 , G06V10/28 , G06V10/46 , G06V10/62 , G06V10/82
Abstract: 本发明涉及一种培养期香菇菌棒菌落生长速度测量系统及方法，包括：菌棒传送模块，用于将香菇菌棒传输至目标位置；图像采集模块，用于采集传输至目标位置后的香菇菌棒的香菇菌棒图像；测量模块，用于构建PP‑LiteSeg模型，基于PP‑LiteSeg模型对香菇菌棒图像进行处理，通过处理后的香菇菌棒图像，获取香菇菌棒菌落的生长速度；其中，菌棒传送模块、图像采集模块和测量模块依次连接。本发明能够快速准确的获取菌落表型，进而获取菌落的生长速度，易于学习操作，为香菇育种工作者选育优良品种提供数据支持，对推动香菇产业智能化具有重要意义。
-
公开(公告)号：CN117935250B
公开(公告)日：2024-10-11
申请号：CN202410121299.X
申请日：2024-01-29
Applicant: 华中农业大学
Abstract: 本发明涉及一种对自然形态的稻穗进行表型提取的方法。通过在水稻植株后放置黑色背景板，使用移动终端采集稻穗图像，通过深度学习模型对图像进行预处理，获得稻穗主体图像。通过两组参数的籽粒检测网络模型，分别获取稻穗所有籽粒的计数结果和无遮挡及轻微遮挡的籽粒的位置信息。结合Skeletonize算法、Astar算法和适用于穗长提取的端点选取策略，计算穗长。进一步，通过识别稻穗主体图像获取穗型指数PMI，并利用PMI对籽粒计数结果进行补偿，得到最终的稻穗籽粒数量。根据籽粒的位置信息，通过裁剪得到无遮挡以及遮挡轻微的籽粒图像，提取粒长和粒宽，计算其均值作为稻穗的粒长和粒宽。该技术方案准确提取稻穗表型特征，为稻谷产量预测和育种研究提供有力支持。
-
公开(公告)号：CN118505784A
公开(公告)日：2024-08-16
申请号：CN202410759491.1
申请日：2024-06-13
Applicant: 华中农业大学 , 中国科学院遗传与发育生物学研究所 , 中国科学院遗传与发育生物学研究所农业资源研究中心
IPC: G06T7/60 , G06T7/62 , G06T7/11 , G06T7/13 , G06T7/136 , G06T7/187 , G06T5/80 , G06T7/579 , G06T17/00 , G06T17/10 , G06T17/30
Abstract: 本发明公开了一种水培植物根系三维重建及表型特征提取方法。该方法包括水培植物根系图像采集、水培植物根系图像分割、水培植物根系图像校正、使用SFM算法对水培植物根系进行三维重建，最后基于重建得到的三维点云模型，提取水培植物根系的三维表型特征参数。该方法实现了对水培植物根系图像的折射校正，减少了图像采集过程中因光线折射而导致的误差，提高了重建得到三维点云模型的精度，便于提取根系三维表型特征参数。和现有技术相比，该方法实现了对多时间点下水培植物根系的无损观测和表型特征提取，具有较高的精度和准确度。
-
公开(公告)号：CN118097372B
公开(公告)日：2024-08-16
申请号：CN202410404048.2
申请日：2024-04-05
Applicant: 华中农业大学
IPC: G06V10/82 , G06V10/764 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于人工智能的作物生长可视化预测方法。该方法包括：作物图像采集、作物图像处理、使用生成对抗网络GAN模型进行训练以学习作物生长前后图像对的映射关系并且获得作物生长可视化预测模型，最后将待预测作物的图像输入到可视化预测模型中，输出图像即为待预测作物生长后的可视化预测结果。该方法通过人工智能中的生成对抗网络自学习的方式，深度利用作物图像大数据中蕴含的生长发育规律，结果显示，预测图像质量良好，且与真实图像之间有高度相似性。和现有技术相比，该方法对于不同品种作物生长预测任务具有普适性，通过改进生成对抗网络，能够实现更高质量、对不同个体更有区分度的作物生长可视化预测。
-
公开(公告)号：CN118097372A
公开(公告)日：2024-05-28
申请号：CN202410404048.2
申请日：2024-04-05
Applicant: 华中农业大学
IPC: G06V10/82 , G06V10/764 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于人工智能的作物生长可视化预测方法。该方法包括：作物图像采集、作物图像处理、使用生成对抗网络GAN模型进行训练以学习作物生长前后图像对的映射关系并且获得作物生长可视化预测模型，最后将待预测作物的图像输入到可视化预测模型中，输出图像即为待预测作物生长后的可视化预测结果。该方法通过人工智能中的生成对抗网络自学习的方式，深度利用作物图像大数据中蕴含的生长发育规律，结果显示，预测图像质量良好，且与真实图像之间有高度相似性。和现有技术相比，该方法对于不同品种作物生长预测任务具有普适性，通过改进生成对抗网络，能够实现更高质量、对不同个体更有区分度的作物生长可视化预测。
-
-
-
-
-
-
-
-
-
Search Results
137
records
(took 0.04 seconds)
