-
公开(公告)号：CN111199207A
公开(公告)日：2020-05-26
申请号：CN201911404612.6
申请日：2019-12-31
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于深度残差神经网络的二维多人体姿态估计方法，包括步骤：1)获取基础人体姿态估计训练数据集2)将获取的图片送入预训练的深度残差神经网络，生成对应的特征向量；3)将特征向量通过两个方向的多次卷积操作生成两个分支的特征映射，生成关节点置信场和部位亲和场；4)计算真实图片的关节点置信场和部位亲和力场，组合成为真实图片的特征映射，将步骤3)中的特征映射与真实图片的特征映射之间均方误差，做网络的训练；重复步骤1)-步骤3)，生成训练后图片的关节点置信场和部位亲和力场；5)使用步骤4)中生成的关节点置信场和部位亲和场进行关节点的计算和关节点连接。本发明可以很好地应付复杂的姿态变换并且推广到多人姿态估计。
-
公开(公告)号：CN110363095A
公开(公告)日：2019-10-22
申请号：CN201910536393.0
申请日：2019-06-20
Applicant: 华南农业大学
Abstract: 本发明公开的一种针对表格字体的识别方法，包括以下步骤：获取表格图像，对表格图像进行预处理，包括：图像灰度化、图像去噪、图像倾斜校正；然后进行表格提取，提取表格横线、提取表格竖线、合并表格线段，去除不合格的表格线，得到完整表格；对完整表格进行定位截取，获取表格内容在完整表格中的定位；对定位截取内容进行表格内容提取，获取表格内容；使用识别技术对表格内容进行识别，得到初步识别结果，并分别训练对应的语言库，使用对应的语言库对初步识别结果进行选举，得到最终识别结果；本发明能够对多种格式的表格进行准确定位提取表格线和表格结构，能避免虚线和细线的对表格提取的干扰，能同时对印刷体和手写体进行准确识别。
-
公开(公告)号：CN108959841A
公开(公告)日：2018-12-07
申请号：CN201810336860.0
申请日：2018-04-16
Applicant: 华南农业大学
CPC classification number: G06N3/0454 , G06N3/08 , G06N3/084
Abstract: 本发明公开了一种基于DBN算法的药物靶向蛋白作用预测方法，该方法是从药物的分子结构出发，提取药物的扩展连通指纹，从蛋白质的氨基酸序列出发，提取了蛋白质的三肽结构特征，将药物的扩展连通指纹和蛋白质的三肽结构特征两两拼接，构造成一个药物－蛋白质特征向量，之后输入到深度置信网络中进行训练，网络的输出为网络输入的药物－蛋白质对发生相互作用的概率，最后选择合适的阈值判断这一对关联是否成立。本发明能够使得在没有人工干预的情况下，较快速地给出药物‑靶向蛋白可能的相互作用对，从而节省药物研发试验成本，加快了药物新功能的挖掘和发现。
-
公开(公告)号：CN119379810A
公开(公告)日：2025-01-28
申请号：CN202411469960.2
申请日：2024-10-21
Applicant: 华南农业大学
IPC: G06T7/80 , G06T5/60 , G06T3/4038 , G06T3/4046 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种基于双目光学图像的水下三维全景重构方法和系统，能够有效应对海底复杂环境下光学图像退化的问题，通过深度学习算法对图像进行恢复与增强，提高了水下图像重构质量；同时通过优化立体视觉匹配算法，能够生成高精度的水下点云数据；另外，还通过环境自适应的点云校正，修正了光学失真带来的偏差，进一步提高了水下全景重构的精度；本发明能够有效提升水下三维重构的精度和效率，解决传统方法中的图像质量低和光学失真问题，适用于海洋生物调查、水下考古、海洋牧场管理等领域，并为水下环境的研究和利用提供可靠的数据支持。
-
公开(公告)号：CN117557327A
公开(公告)日：2024-02-13
申请号：CN202311022587.1
申请日：2023-08-14
Applicant: 华南农业大学
IPC: G06Q30/0601 , G06F16/9535 , G06F16/9536 , G06N3/0464 , G06N3/08 , G06F18/21 , G06F18/214 , G06N20/00
Abstract: 本发明公开了一种基于改进图卷积神经网络的物品推荐方法，包括：1)采集用于推荐的用户‑物品交互数据集，并将其转化为原子文件；2)利用原子文件构建用户‑物品二部图，将用户‑物品二部图输送到改进图卷积神经网络进行参数学习，得到一个能够用于推荐的最优网络；3)通过最优网络即可为用户‑物品二部图中的任意用户推荐其可能感兴趣的物品，即将一个待推荐的用户‑物品二部图输入到该最优网络中，就会准确给出所有用户的推荐列表。本发明鲁棒性更强，推荐结果更稳定和准确，同时明确挖掘了用户和物品在用户‑物品二部图上的邻居信息，通过整合用户‑物品二部图上丰富的邻域信息，丰富了用户和物品节点的邻域关系，使得网络的推荐性能得到了进一步的提升。
-
Patent Agency Ranking
公开(公告)号：CN117475368A
公开(公告)日：2024-01-30
申请号：CN202311022590.3
申请日：2023-08-14
Applicant: 华南农业大学
IPC: G06V20/52 , G06V20/40 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774 , G06T7/246 , G06T7/194
Abstract: 本发明公开了一种基于多目标跟踪与分割的群养生猪体重动态监测方法，包括：S1、构建猪只实例分割数据集、猪只多目标跟踪与分割数据集和猪只体重估计数据集；S2、设计了一个基于上下文感知的实例嵌入编码器，将该编码器与YOLOv8s‑seg模型结合构成多目标跟踪与分割模型，并进行参数训练。对ResNet50模型进行改进，使其能输出猪只体重的估测值，并进行参数训练；S3、输入待测试视频，多目标跟踪与分割模型能自动对输入视频中的每头猪只进行分割和跟踪，同时，将产生的掩模输入到猪只体重估计模型，得到猪只不同时间的体重，实现猪只体重的动态监测。本发明实现了群养猪快速准确的跟踪和实时体重监测，为分析猪只生长发育情况和猪只健康情况提供科学指导。
-
公开(公告)号：CN116228626A
公开(公告)日：2023-06-06
申请号：CN202211433652.5
申请日：2022-11-16
Applicant: 华南农业大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06V10/40 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/084 , G06F8/60 , G06N5/04
Abstract: 本发明公开了一种基于改进YOLOv5的磁性电感元件表面缺陷检测方法，对原来YOLOv5的特征提取模块、特征融合模块和预测模块进行改进，把增强数据集送入改进YOLOv5进行训练，训练时先将输入数据进行Mosaic和CutMix拼接；将拼接后数据输入到改进YOLOv5，在反向传播中使用二元交叉熵和EIOU计算缺陷预测结果和缺陷标签的损失值，经过多次迭代至损失值最小，得到最优模型；在应用阶段通过OpenCV加速图像传输速度和获得待检测图像，并使用TensorRT对改进YOLOv5进行GPU部署和推理加速。本发明解决了磁性电感元件表面缺陷检测中因为表面粗糙和结构复杂造成的误检和漏检问题，以及因为缺陷分类复杂造成的误判问题。
-
公开(公告)号：CN114359644A
公开(公告)日：2022-04-15
申请号：CN202111583032.5
申请日：2021-12-22
Applicant: 华南农业大学
IPC: G06V10/771 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于改进VGG‑16网络的农作物病虫害识别方法，包括：S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；S2、将农作物病虫害图像数据中的图像输入到改进VGG‑16网络进行参数训练；S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别。本发明突破原有技术准确率较低、缺乏鲁棒性和自适应能力差等问题，鲁棒性更强，识别率更高，网络参数更少，自适应能力更强，识别速度更快，对图像中的农作物病虫害识别更加准确。
-
公开(公告)号：CN113887868A
公开(公告)日：2022-01-04
申请号：CN202111013269.X
申请日：2021-08-31
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于改进的神经网络实现食品风险评估的方法，包括步骤：1)获取样本食品数据集；2)对样本食品数据集进行预处理，将预处理后的样本数据集分为训练集和测试集；3)将训练集输入到改进的DCN网络模型中进行训练，训练完成后得到最优的改进DCN网络模型；4)将测试集输入到最优的改进DCN网络模型中进行测试，测试后得到样本食品的最终预测值，是每个样本食品所对应的风险评估预测分数。本发明将神经网络的特征提取技术和食品风险评估结合起来，通过决策树的残差计算方法和深度交叉网络中的特征交叉计算方法来挖掘数据特征，利用模型实现样本食品风险评估的预测，从而有效缓解食品风险预测耗费人工的问题。
-
公开(公告)号：CN108734694A
公开(公告)日：2018-11-02
申请号：CN201810309381.X
申请日：2018-04-09
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，包括步骤：对已经标注的甲状腺肿瘤超声图像进行数据增强，增加训练样本的个数和尺度；使用resnet-50网络模型对图像数据集进行特征提取；使用区域建议网络RPN生成建议窗口(proposals)，并映射到特征图上生成区域建议框；然后通过RoI pooling使得每个RoI生成固定尺寸的特征图；最后利用softmax Loss和softmax L1 Loss对分类概率和边框回归联合训练。本发明方法不需要手工进行肿瘤超声图像分割，能够端到端训练网络，并采用数据增强提高识别率。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.029 seconds)
