-
公开(公告)号：CN117218120A
公开(公告)日：2023-12-12
申请号：CN202311473501.7
申请日：2023-11-08
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及一种实体表面缺陷识别系统，其中，该实体表面缺陷识别系统包括：识别模块；所述识别模块用于通过训练后的轻量化卷积神经网络识别实体表面图像的缺陷类别；其中，所述轻量化卷积神经网络包括多个深度可分离卷积，所述深度可分离卷积包括逐深度卷积，所述逐深度卷积的卷积核大小为7*7，所述深度可分离卷积的输入和输出通过残差支路连接。通过本申请，解决了相关技术中还缺乏有效的实体表面缺陷识别系统的问题，实现了快速准确识别实体表面缺陷的过程。
-
公开(公告)号：CN115294467A
公开(公告)日：2022-11-04
申请号：CN202210868307.8
申请日：2022-07-22
Applicant: 安徽大学
IPC: G06V20/13 , G06N3/04 , G06N3/08 , G06T3/40 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本申请提供了茶叶病害的检测方法及相关装置，用于对茶叶进行检测，所述方法包括：将待测茶叶图像输入至茶叶病害检测模型，以得到待测茶叶图像的病害检测结果。其中，用于训练茶叶病害检测模型的深度学习模型包括BackBone单元、Neck单元和Head单元，BackBone单元添加有RFB模块，Neck单元添加有二维混合注意力模块，该二维混合注意力模块分为上下两个并行分支，它是由上分支的通道注意力子模块、空间注意力子模块和下分支的坐标注意力子模块混合而成。另外，采用无人机拍摄得到的遥感数据进行超分辨率重建，制作得到训练集。在茶叶病害检测模型中使用了平均精度更高、检测速度更快的单元和模块，定位到需要注意的茶叶病害位置，解决传统检测方法耗时耗力和漏检误检的问题。
-
公开(公告)号：CN114596274A
公开(公告)日：2022-06-07
申请号：CN202210204848.0
申请日：2022-03-03
Applicant: 安徽大学
Abstract: 本发明公开了一种基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，包括：利用Cascade RCNN网络改进后的骨干网络对待检测柑橘图像进行特征提取，改进后的骨干网络中至少一层采用可变形卷积；利用Cascade RCNN网络改进后的区域特征提取网络对骨干网络输出的特征进行高层次语义特征提取，改进后的区域特征提取网络包括一个自下而上卷积融合过程；利用Cascade RCNN网络的级联检测器对区域特征提取网络输出的高层次语义特征进行多阶段级联的目标识别检测过程，获取待检测柑橘图像的黄龙病检测结果。本发明有效提高了对柑橘黄龙病检测的准确性。
-
公开(公告)号：CN110196886A
公开(公告)日：2019-09-03
申请号：CN201910316918.X
申请日：2019-04-19
Applicant: 安徽大学
Abstract: 本发明涉及一种基于属性分类的农业面源污染多源异构大数据关联方法，与现有技术相比解决了难以根据数据属性进行高效关联的缺陷。本发明包括以下步骤：判断多源异构大数据属于定量数据还是定性数据；对定量数据采用支持向量机、度量学习等方法实现分类；对定性数据采用文本语义挖掘方法获取量化特征，再采用支持向量机、度量学习等方法实现分类；对分类后的结果进行编码实现多源异构大数据的关联；本发明还提出一种农业面源污染大数据监管平台，本发明将农业面源污染多源异构大数据的属性作为分类依据，通过对定量和定性数据采用不同的处理方法，实现农业面源污染多源异构大数据的分类，借助于生成的树状结构土壤污染属性编码进行关联。
-
公开(公告)号：CN103065061B
公开(公告)日：2015-11-18
申请号：CN201310038821.X
申请日：2013-01-31
Applicant: 安徽大学
IPC: G06F19/00
Abstract: 本发明涉及植保信息化技术领域，特别是涉及一种植物病情指数获取与发布装置。该装置包括图像采集辅助模块和移动终端；图像采集辅助模块包括背景板和高度板，图像采集辅助模块用于固定植物叶片，为图像采集发布模块提供采集背景和采集高度；移动终端，用于获取植物病害叶片的高清图像，计算病斑所占叶片面积的百分比，输出病情指数并发布防控建议。本发明提供的植物病情指数获取与发布装置，在规范、统一数据采集流程后，充分发挥移动终端便携、实时性强的优势，科学、准确地为基层植保调查员/技术员提供植物病情指数，为及时制定防控措施、实施喷药管理提供服务。
-
Patent Agency Ranking
公开(公告)号：CN118769100B
公开(公告)日：2024-11-19
申请号：CN202411281147.2
申请日：2024-09-13
Applicant: 国网安徽省电力有限公司肥东县供电公司 , 安徽大学 , 国网安徽省电力有限公司合肥供电公司
IPC: B24B27/033 , B24B47/00
Abstract: 本发明公开了一种小电缆管道通管机器人，涉及通管机器人的技术领域，包括行走机构，设置在行走机构上的空心圆座；与空心圆座相对转动连接的转动盘；多个打磨单元，其呈圆周阵列地设置在空心圆座上，每个打磨单元包括滑套、弧形的打磨条、与打磨条固定连接的导向杆，滑套沿空心圆座的周向滑动连接在空心圆座上，滑套沿空心圆座的径向滑动连接在导向杆上；该一种小电缆管道通管机器人，驱动机构的旋转输出端通过螺杆可以驱使转动盘相对空心圆座转动，转动盘旋转的动力通过各滑杆传递给对应的打磨条，从而使得各打磨条具有一个旋转的动力，便于对管道内壁上的尖锐的碎屑进行打磨，从而达到对新建管道内壁进行清理的效果。
-
公开(公告)号：CN117636170A
公开(公告)日：2024-03-01
申请号：CN202311659394.7
申请日：2023-12-06
IPC: G06V20/10 , G06V10/26 , G06V10/25 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及基于Re‑UNet模型的梨树种植区遥感提取方法，与现有技术相比解决了遥感影像梨树种植区提取方面存在的分类结果不准确、效率低的缺陷。本发明包括以下步骤：遥感影像数据集的获取；梨树种植区提取模型Re‑UNet的构建；梨树种植区提取模型Re‑UNet的训练；获取待分割的梨树种植区遥感影像并进行预处理；梨树种植区遥感提取结果的获得。本发明基于UNet语义分割模型，解决了小数据集中容易出现的过拟合问题，同时加入了空间、通道注意力机制与残差模块，进一步增强了高分辨率遥感影像中梨树种植区的特征传递和累积整合特性，有效减少了“椒盐现象”和错分情况，提高了整体的分割精度。
-
公开(公告)号：CN116311230A
公开(公告)日：2023-06-23
申请号：CN202310556136.X
申请日：2023-05-17
Applicant: 安徽大学
IPC: G06V20/68 , G06V10/82 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/774 , G06N3/048 , G06N3/047 , G06N3/082 , G06N3/0464
Abstract: 本发明公开了一种面向真实场景下的玉米叶片病害识别方法及装置，包括：获取训练样本集；构建MSDCNeXt模型，所述模型包括多个阶段的MSDCNeXt block堆叠模块，每个阶段的MSDCNeXt block堆叠模块后面设有降采样层，MSDCNeXt block内部采用瓶颈结构的残差模块；基于训练样本集训练所述MSDCNeXt模型，获取玉米叶片病害识别模型；通过训练完成的玉米叶片病害识别模型进行玉米叶片图像分析，获取玉米叶片病害识别结果。本发明通过MSDCNeXt模型提高了玉米叶片病害图像识别准确率。
-
公开(公告)号：CN112884025B
公开(公告)日：2022-11-04
申请号：CN202110141168.4
申请日：2021-02-01
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多特征分段式训练的茶叶病害分类系统，包含以下阶段：第一阶段、数据预处理；第二阶段、最优网络训练；第三阶段、图像分类功能；所述的第一阶段、数据预处理包括病害图片的裁切和数据的扩充两步；所述的第二阶段、最优网络训练包括数据划分和特征学习网络迭代训练两步本发明通过深度学习的方法设计了一种茶叶病害特征学习网络对茶叶病害数据进行训练，然后及那个已训练好的网络模型进行迁移，将最终的茶叶病害分类智能化，并且排除人为主观因素，使得到的结果较好。
-
公开(公告)号：CN113469064A
公开(公告)日：2021-10-01
申请号：CN202110757395.X
申请日：2021-07-05
Applicant: 安徽大学
Abstract: 本发明实施方式提供一种复杂环境下的玉米叶病害图像的识别方法及系统，属于图像识别技术领域。所述识别方法包括：获取待识别的玉米叶病害图像；对图像执行第一卷积运算以得到第一特征图；根据公式(1)对第一特征图执行第一池化操作以得到第二特征图；对第二特征图执行第二卷积运算以得到第三特征图；根据公式(2)对第三特征图执行第二池化操作以得到第四特征图；将第四特征图输入分类层中以确定图像对应的玉米叶病害类型。该方法及系统通过构建轻量型神经网络，并结合CASF特征的融合原理，实现了采用轻量型神经网络对玉米叶病害图像的精确、高效识别，克服了现有技术中因采用重量型神经网络而导致的识别方法应用场景局限的技术缺陷。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.042 seconds)
