-
公开(公告)号：CN115494066B
公开(公告)日：2025-04-29
申请号：CN202211129757.1
申请日：2022-09-16
Applicant: 安徽大学
IPC: G01N21/88 , G06V20/68 , G06V10/40 , G06V10/80 , G06V10/764
Abstract: 本发明特别涉及一种融合结构光的果品表面损伤检测方法，包括如下步骤：利用投影仪向参考平面和被测水果表面投射正弦条纹图，并用摄像机采集调制后的形变条纹图；利用结构光四步相移法计算得到水果表面三维结构；提取水果表面三维结构的二值特征；采用基于贝叶斯理论的特征融合算法将均匀光照图像的特征与二值特征进行融合；采用支持向量机的方法对融合后的特征进行分类得到水果表面损伤情况。整个检测过程都是自动的，降低了人力成本，增加了检测的效率；采用无损检测技术，避免了由检测造成的损伤；整个装置只需要用到投影仪、摄像机以及计算机，实现低成本的工业要求；采用结构光和均匀光照融合的方法，提高了损伤检测的准确度。
-
Patent Agency Ranking
公开(公告)号：CN115684031A
公开(公告)日：2023-02-03
申请号：CN202211106044.3
申请日：2022-09-09
Applicant: 安徽大学
Abstract: 本发明特别涉及一种基于多项式校正去除光谱检测中操作者误差的方法，包括如下步骤：标准操作者获取样本的光谱数据参考值XA和指标参数参考值YA‑R并建立回归模型；应用操作者获取同类样本的光谱数据XB和指标参数参考值YB‑R；将光谱数据XB代入回归模型中得到指标参数预测值YB‑P；根据指标参数参考值YB‑R和指标参数预测值YB‑P拟合得到k阶校正多项式；应用操作者获取待检测的同类样本的光谱数据XC经过回归模型和k阶校正多项式校正后得到最终指标参数输出值。本方法只需少量校正样本即可缓解操作者误差对光谱分析的影响，且该方法有望校准由测量仪器或环境引起的光谱分析差异；还可以提升光谱在食品测定、药物鉴定和植物病害检测方面的应用效果，确保了测量结果的准确性。
-
公开(公告)号：CN115494066A
公开(公告)日：2022-12-20
申请号：CN202211129757.1
申请日：2022-09-16
Applicant: 安徽大学
IPC: G01N21/88 , G06V20/68 , G06V10/40 , G06V10/80 , G06V10/764
Abstract: 本发明特别涉及一种融合结构光的果品表面损伤检测方法，包括如下步骤：利用投影仪向参考平面和被测水果表面投射正弦条纹图，并用摄像机采集调制后的形变条纹图；利用结构光四步相移法计算得到水果表面三维结构；提取水果表面三维结构的二值特征；采用基于贝叶斯理论的特征融合算法将均匀光照图像的特征与二值特征进行融合；采用支持向量机的方法对融合后的特征进行分类得到水果表面损伤情况。整个检测过程都是自动的，降低了人力成本，增加了检测的效率；采用无损检测技术，避免了由检测造成的损伤；整个装置只需要用到投影仪、摄像机以及计算机，实现低成本的工业要求；采用结构光和均匀光照融合的方法，提高了损伤检测的准确度。
-
公开(公告)号：CN115358925A
公开(公告)日：2022-11-18
申请号：CN202210894642.5
申请日：2022-07-28
Applicant: 安徽大学
Abstract: 本发明特别涉及一种基于任务解耦的双分支超分辨率网络的图像超分辨率方法，包括如下步骤：获取LR‑HR图像对作为训练样本；搭建由结构提取分支和颜色提取分支构成的双分支超分辨率网络，利用训练样本对网络进行训练得到训练后的双分支超分辨率网络；将待处理图像作为LR图像导入到训练后的双分支超分辨率网络中，网络输出的结果即为HR图像。通过构建双分支超分辨率网络，其中的结构提取分支可以方便的提取图像的结构特征，颜色提取分支在不断提取更深层次特征的同时，不断的增强其中的颜色信息，最后混合这两种信息，得到更加优秀的超分辨率图像，通过对图像中的结构信息和颜色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。
-
公开(公告)号：CN116597308A
公开(公告)日：2023-08-15
申请号：CN202310549038.3
申请日：2023-05-16
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/80 , G06V10/774 , G06V10/82 , G06V10/30 , G06V10/54 , G06V10/58 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于改进型Transformer网络的小麦样本图像参考超分方法，包括：获取小麦样本的LR‑HSI图、HR‑HSI图和HR‑RGB图，组成图像对；对获取的图像对进行预处理，得到训练样本，将训练样本划分为训练集和测试集；搭建改进型Transformer网络，利用训练样本训练改进型Transformer网络；将待处理的小麦样本的LR‑HSI图和HR‑RGB图导入训练好的改进型Transformer网络，输出参考超分HR‑HSI图像。本发明通过双分支特征提取模块对训练样本有针对性的处理，通过多水平特征融合模块对训练样本多样特征细节的补充，使得改进型Transformer网络在小麦样本图像参考超分中拥有更加锐利的边缘与更精细的细节。
-
公开(公告)号：CN116168287A
公开(公告)日：2023-05-26
申请号：CN202211472750.X
申请日：2022-11-17
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明特别涉及一种基于高光谱成像的番茄植株干旱胁迫检测方法，包括如下步骤：采集待识别番茄叶片的高光谱图像，根据高光谱图像提取叶片的反射光谱数据；利用遗传算法筛选特征波长，根据特征波长对应的反射率图像间的相关性确定最佳的反射率图像集；利用卷积神经网络提取最佳反射率图像集深层次的图像特征；融合叶片的光谱和图像特征后输入至训练好的植株干旱胁迫识别模型中进行识别得到待识别番茄的干旱胁迫等级。采用光谱和图像结合的方式来选择反射率图像，降低数据冗余度，实现了信息的最大利用；通过卷积神经网络实现图像特征的自动提取，简单有效，避免复杂的数学计算；融合光谱和图像特征提升模型识别效果，提供互补信息，避免信息损失。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
