-
公开(公告)号：CN110084194B
公开(公告)日：2020-07-28
申请号：CN201910345604.2
申请日：2019-04-26
Applicant: 南京林业大学
Abstract: 本发明公开一种基于高光谱成像与深度学习的籽棉地膜在线识别方法，利用高光谱成像仪获取籽棉地膜反射光谱图像，构建堆叠加权自编码器和粒子群优化的极限学习机组成的深度学习网络对高光谱图像在线识别，本发明利用深度学习中的堆叠加权自编码器与极限学习机构成的网络对籽棉地膜的高光谱图像进行分类，在每层自编码器中引入加权机制，在保证多通道输入优势的同时，降低噪声的影响；极限学习机的权值和偏置是随机确定的，容易产生过拟合，利用粒子群算法优化极限学习机的权值和偏置，在保证识别速度的同时，提高分类精度。堆叠加权自编码器与极限学习机构成的深度学习网络可以用于籽棉地膜的在线识别。
-
公开(公告)号：CN114694140B
公开(公告)日：2024-11-22
申请号：CN202210286878.0
申请日：2022-03-22
Applicant: 南京林业大学
IPC: G06T7/00 , G06V20/68 , G06V10/28 , G06V10/56 , G06V10/58 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于光谱成像的定向训练桔梗杂质识别方法，属于深度学技术领域，首先建立多维标签体系；然后针对每个标签构建模型分支结构，在进行模型数据训练的过程中，先对多维标签的每个维度分别进行二分类训练，再对整体的进行误差调优，从而实现针对桔梗杂物的不同的色彩属性进行二分类判别。本发明引入多维度标签体系，使得光谱数据归属于多个类别，从类别标签的角度引入先验知识，使得算法在分类过程中能够更加具有可解释性。采用不同的属性标签来划分光谱所属类别，使得光谱的分类结果更加具有可解释性，并可以依据相应的属性进行训练，从而提高模型的最终分类精度；实现高精度的识别并分类与桔梗具有不同光谱特性的杂质。
-
公开(公告)号：CN117036899A
公开(公告)日：2023-11-10
申请号：CN202310812403.5
申请日：2023-07-03
Applicant: 南京林业大学
IPC: G06V10/82 , G06V10/764 , G06V10/56 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于改进Yolov7模型的废弃塑料瓶颜色分类方法。首先，获取不同颜色的塑料瓶图像，进行标签标注，构建初始数据集；采用图像处理方法扩充数据集，并划分训练集和测试集，得到最终的数据集；引入yolov7网络模型并加以改进，使用改进后的模型对数据集进行训练得到最终的塑料瓶颜色分类模型；利用最终的废弃塑料瓶分类模型对待检测图像进行检测，得到检测结果。本发明通过改进yolov7网络模型，降低了网络参数总量和计算复杂度，同时还提高了网络推理速度，而且提高模型的准确率和精度。
-
公开(公告)号：CN116596891A
公开(公告)日：2023-08-15
申请号：CN202310578316.8
申请日：2023-05-22
Applicant: 南京林业大学
IPC: G06T7/00 , G06V10/25 , G06V10/32 , G06V10/56 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/044 , G06N3/082 , G06N3/0895
Abstract: 本发明涉及一种基于半监督多任务检测的木地板颜色分类及缺陷检测方法，属于图像处理领域。该方法包括：对输入图像进行缺陷色彩校正；标记少量图像作为数据集输入Color‑RCNN模型训练，实现颜色分类和缺陷检测；训练半监督预测监视网络判别伪标签是否准确的；用Color‑RCNN模型预测剩余的未标记图像，实现颜色分类，生成伪标签，用半监督预测监视网络对伪标签进行判别，将正确的检测框留下，过滤掉错误的检测框；将识别正确的图像加入数据集，重新输入Color‑RCNN模型训练，预测剩余的未标记图像，直至未标记图像全部获得正确标签，实现半监督学习。本发明在图像识别的过程中，通过半监督学习，使用少量人工标记和大量未标记的木地板图像训练出模型，提高了分选的效率。
-
公开(公告)号：CN114882291B
公开(公告)日：2023-06-06
申请号：CN202210607623.X
申请日：2022-05-31
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/77 , G06V10/34 , G06V10/30 , G06V10/24 , G06V10/26 , G06V10/54 , G06V10/82 , G06N5/01 , G06N20/00
Abstract: 本发明公开一种基于高光谱图像像素块机器学习的籽棉地膜识别分类方法，利用高光谱成像设备获取杂质混合后的物料高光谱图像，将高光谱图像切割为与剔除要求对应的像素块，并提取空间纹理特征结合光谱特征作为像素块的特征，构建机器学习模型，构建杂质对接矩阵，提升对于连续像素块的识别精度，最终实现对像素块中物料进行在线分类识别。本发明利用极限梯度提升算法对原始光谱特征重要性进行排序，引入加权光谱特征值概念，构建随机森林分类器对籽棉与地膜进行在线分类识别；有效解决了地膜由于透光性产生异物同谱问题导致识别像素点过少、分类精度不高的问题。
-
Patent Agency Ranking
公开(公告)号：CN115273072A
公开(公告)日：2022-11-01
申请号：CN202210663984.6
申请日：2022-06-13
Applicant: 南京林业大学
IPC: G06V20/68 , G06V10/30 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G01N21/84 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于改进Yolov5s模型的苹果叶片病害检测方法，首先，获取苹果叶片不同病害的图像，进行标签标注，构建初始数据集；采用图像处理方法扩充数据集，并划分训练集和测试集，得到最终的数据集；引入yolov5s网络模型并加以改进，使用改进后的模型对数据集进行训练得到最终的苹果叶片病害检测模型；利用最终的苹果叶片病害检测模型对待检测图像进行检测，得到检测结果。本发明通过改进yolov5s网络模型和引入Attentive GAN算法，不仅在网络训练模型时增强网络学习特征的表达能力，提高模型的准确率和精度，而且能够在雨天情况下实现对苹果叶片病害的准确识别。
-
公开(公告)号：CN112808603B
公开(公告)日：2021-10-12
申请号：CN202011526794.7
申请日：2020-12-22
Applicant: 南京林业大学
Abstract: 本发明公开了基于RealSense相机的鲜切花分选装置及方法，属于鲜切花分选技术领域。该装置包括工控机、传送装置、检测装置和分选装置，检测装置包括激光传感器和图像采集装置，图像采集装置包括光源、RealSense相机、翻转装置。通过三个RealSense相机采集鲜切花二维图像和深度信息，使用图像处理算法得到二维图像的尺寸特征和颜色特征，使用深度学习算法分析二维图像和深度信息得到鲜切花成熟度，综合多个鲜切花特征，使用分类算法对鲜切花进行分级，最后通过分选装置将鲜切花分成三类收集。该方法能够将不同等级鲜切花进行特征提取，并进行分选，提高了鲜切花识别分级和分选的效率。
-
公开(公告)号：CN112950602A
公开(公告)日：2021-06-11
申请号：CN202110264308.7
申请日：2021-03-11
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于深度相机与机器学习的糖果缺陷检测装置及分类方法，深度相机采集光源反射的糖果图像，并传输至工控机，工控机对糖果图像进行处理后，控制分选机构完成缺陷糖果的剔除工作；本发明的分类方法将机器视觉算法与深度学习算法相结合，利用机器视觉算法在RGB颜色空间对图像进行特征提取，并对图像中粘连的糖果进行分割，保证了算法在工业环境下运行的稳定性；利用深度学习算法中的卷积神经网络Resnet18检测缺陷糖果，通过改进网络结构进行糖果分类，并输出糖果缺陷面积。本发明降低了人工分拣的误检率和漏检率与企业的生产成本，满足了企业的生产需求，提高了生产效率。
-
公开(公告)号：CN112808603A
公开(公告)日：2021-05-18
申请号：CN202011526794.7
申请日：2020-12-22
Applicant: 南京林业大学
Abstract: 本发明公开了基于RealSense相机的鲜切花分选装置及方法，属于鲜切花分选技术领域。该装置包括工控机、传送装置、检测装置和分选装置，检测装置包括激光传感器和图像采集装置，图像采集装置包括光源、RealSense相机、翻转装置。通过三个RealSense相机采集鲜切花二维图像和深度信息，使用图像处理算法得到二维图像的尺寸特征和颜色特征，使用深度学习算法分析二维图像和深度信息得到鲜切花成熟度，综合多个鲜切花特征，使用分类算法对鲜切花进行分级，最后通过分选装置将鲜切花分成三类收集。该方法能够将不同等级鲜切花进行特征提取，并进行分选，提高了鲜切花识别分级和分选的效率。
-
公开(公告)号：CN112766229A
公开(公告)日：2021-05-07
申请号：CN202110171946.4
申请日：2021-02-08
Applicant: 南京林业大学
Abstract: 本发明公开一种基于注意力机制的人脸点云图像智能识别系统，包括点云数据转化模块、特征提取模块、注意力机制模块、图像融合模块、数据集样本划分以及孪生神经网络模块。本发明中提出将点云数据转化为人脸深度图，并对深度图进行特征提取，加入注意力机制，能够更好地提取出反映人脸的特征区域；本发明提出对数据样本划分为正样本和负样本，并使用孪生神经网络模块对正负样本进行训练，利用对比损失函数能够更好地对人脸特征向量进行误差计算，最后找到最接近的人脸类别，能够更加准确、迅速地进行人脸识别。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.029 seconds)
