-
公开(公告)号：CN118279610B
公开(公告)日：2024-08-30
申请号：CN202410704308.8
申请日：2024-06-03
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
Abstract: 本发明公开了一种基于图像表型匹配的大豆表型识别方法、电子设备、介质，包括：获取待识别的大豆图片；将其输入至预先训练好的图像编码器中提取得到图像特征，将图像特征输入至预先训练好的表型解码器中得到大豆图片获得表型结果；其中，图像编码器以及表型解码器的训练过程包括：获取大豆成熟期图像并对其设置表型标签和数组标签；将大豆成熟期图像及其对应的表型标签分别输入至图像编码器、表型编码器，从而训练图像编码器、表型编码器；固定表型编码器的网络权重；将表型标签输入至表型编码器提取得到表型特征，将表型特征输入至表型解码器提取得到表型结果识别特征，基于表型结果识别特征与数组标签间的差值从而反向传播优化表型解码器。
-
公开(公告)号：CN116703820B
公开(公告)日：2024-05-03
申请号：CN202310406884.X
申请日：2023-04-17
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T7/00 , G06T7/70 , G06N3/0464 , G06N3/084 , G06V10/82 , G06V10/774
Abstract: 一种基于热力图的高密度豆粒计数及中心点定位方法，用高斯函数生成高斯核模板，结合已标记的豆粒中心点位置，生成用于豆粒计数的真值热力图；采用基于空洞卷积的CSRNet作为密度图估计模块，将原始图像与真值热力图输入到模型中计算得到与原始图像同大小的热力图，通过对比预测热力图与真值热力图的L2损失进行参数的学习，实现高质量的热力图估计。对于待测试图像，使用CSRNet预测热力图，再通过判断局部最大位置点，从热力图中获取得到所有中心点的位置坐标，并通过局部中心点热力图的值取整获得豆粒数。还包括一种基于热力图的高密度豆粒计数及中心点定位系统。本发明可提高豆粒计数模型在高密度、遮挡严重场景下的计数准确性。
-
公开(公告)号：CN117058492B
公开(公告)日：2024-02-27
申请号：CN202311322535.6
申请日：2023-10-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/70 , G06N3/09 , G06N5/04
Abstract: 一种基于学习解耦的两阶段训练病害识别方法和系统，其方法包括：步骤S1：采集待识别作物的图像样本，制作训练数据集；步骤S2：构造基于学习解耦的分类算法网络模型；步骤S3：对基于学习解耦的分类算法模型进行一阶段训练；步骤S4：固定部分权重，对基于学习解耦的分类算法模型进行二阶段训练；步骤S5：基于训练得到的基于学习解耦的分类算法模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。本发明具有准确度高，标注成本极低，且可实现单模型对病害种类和病害等级进行细分类识别。
-
公开(公告)号：CN117011718B
公开(公告)日：2024-02-02
申请号：CN202311288015.8
申请日：2023-10-08
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V20/10 , G06V10/764 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/094
Abstract: 据中。一种基于多元损失融合的植物叶片细粒度识别方法和系统，首先将植物叶片图像以九宫格的方式进行随机掩码完成图像增强，并与原图成对地输入到特征提取网络模型中，得到特征向量；将特征向量输入分类网络层中，并进行品种识别；将特征向量输入到对抗网络层中，进行二分类识别；将掩码图的特征向量输入到自编码网络模块中，进行图像复原的自监督学习；三项任务的损失函数共同监督并指导网络的训练；在自监督任务中掩码图像通过学习复原本身位置使特征提取网络关注到叶片局部特征，而原图在品(56)对比文件王泽宇 等.基于多模态特征的无监督领域自适应多级对抗语义分割网络《.通信学报》.2022,第43卷(第12期),157-171.齐爱玲 等.基于中层细微特征提取与多尺度特征融合细粒度图像识别《.计算机应用》.2023,第43卷(第8期),2556-2563.Gang Li 等.Self-supervised VisualRepresentation Learning for Fine-GrainedShip Detection《.2021 IEEE 4thInternational Conference on InformationSystems and Computer Aided Education(ICISCAE)》.2021,67-71.
-
公开(公告)号：CN116817754B
公开(公告)日：2024-01-02
申请号：CN202311082530.0
申请日：2023-08-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G01B11/00 , G01B11/02 , G01N21/84 , G06V20/60 , G06V10/10 , G06V10/44 , G06V10/50 , G06V10/75 , G06V10/82
Abstract: 一种基于稀疏重建的大豆植株表型提取方法及系统，其方法包括：对大豆植株进行多视角成像，通过密度图估计在各视图中提取植株二维关键点，包括端点关键点、节点关键点和豆粒关键点，同时通过亲和力场估计给出同一豆荚中豆粒关联关系，基于对称极线距离和二分匹配，关联各视图中的同一关键点和同一豆荚，进而通过三角测量计算各关键点的三维坐标，用于测量株高、统计豆粒的空间分布、计算节数、单株粒数和荚数等。本发明可精准且高效的提取大豆植株表型，具有较高的可行性和实用性。(56)对比文件Haoran Zhao等.Exploring BetterSpeculation and Data Locality in SparseMatrix-Vector Multiplication on IntelXeon.2020 IEEE 38th InternationalConference on Computer Design.2020,全文.Yourui Huang等.Low IlluminationSoybean Plant Reconstruction and TraitPerception.Agriculture.2022,第12卷(第12期),第2.1-2.3节.李晨雨.基于三维重建的大豆植株叶面积自动测量方法的研究.中国优秀硕士学位论文全文数据库 农业科技辑.2023,(第1期),全文.
-
Patent Agency Ranking
公开(公告)号：CN116817754A
公开(公告)日：2023-09-29
申请号：CN202311082530.0
申请日：2023-08-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G01B11/00 , G01B11/02 , G01N21/84 , G06V20/60 , G06V10/10 , G06V10/44 , G06V10/50 , G06V10/75 , G06V10/82
Abstract: 一种基于稀疏重建的大豆植株表型提取方法及系统，其方法包括：对大豆植株进行多视角成像，通过密度图估计在各视图中提取植株二维关键点，包括端点关键点、节点关键点和豆粒关键点，同时通过亲和力场估计给出同一豆荚中豆粒关联关系，基于对称极线距离和二分匹配，关联各视图中的同一关键点和同一豆荚，进而通过三角测量计算各关键点的三维坐标，用于测量株高、统计豆粒的空间分布、计算节数、单株粒数和荚数等。本发明可精准且高效的提取大豆植株表型，具有较高的可行性和实用性。
-
公开(公告)号：CN116703820A
公开(公告)日：2023-09-05
申请号：CN202310406884.X
申请日：2023-04-17
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T7/00 , G06T7/70 , G06N3/0464 , G06N3/084 , G06V10/82 , G06V10/774
Abstract: 一种基于热力图的高密度豆粒计数及中心点定位方法，用高斯函数生成高斯核模板，结合已标记的豆粒中心点位置，生成用于豆粒计数的真值热力图；采用基于空洞卷积的CSRNet作为密度图估计模块，将原始图像与真值热力图输入到模型中计算得到与原始图像同大小的热力图，通过对比预测热力图与真值热力图的L2损失进行参数的学习，实现高质量的热力图估计。对于待测试图像，使用CSRNet预测热力图，再通过判断局部最大位置点，从热力图中获取得到所有中心点的位置坐标，并通过局部中心点热力图的值取整获得豆粒数。还包括一种基于热力图的高密度豆粒计数及中心点定位系统。本发明可提高豆粒计数模型在高密度、遮挡严重场景下的计数准确性。
-
公开(公告)号：CN117314755A
公开(公告)日：2023-12-29
申请号：CN202311605122.9
申请日：2023-11-29
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T3/40 , G06T5/00 , G06T7/00 , G06V20/70 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/0895
Abstract: 本发明公开了一种基于跨模态图像生成的多视角植株生成方法和装置，属于农业方面的图像处理领域，包括：采集植株图像并标注文本信息；基于图像和文本对文本图像映射模型进行训练微调并冻结，得到图像和文本的内嵌向量；基于图像和文本的内嵌向量，构建基于扩散模型的包含文本图像先验模块和图像编码器模块的图像生成模型并训练；实际推理阶段根据基因型‑表型预测模型得到的目标植株表型数据，引导图像生成模型生成多视角小图，并输入图像超分辨模块得到高分辨率的目标植株图像。本发明采用扩散模型构建图像生成模型和图像超分辨模块，能够实现生成效率高、可扩展性强且生成图像质量高的植株表型数据可视化图像预测，为可视育种提供支撑。
-
公开(公告)号：CN117095240A
公开(公告)日：2023-11-21
申请号：CN202311332316.6
申请日：2023-10-16
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/764 , G06V10/44 , G06V10/42 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/094
Abstract: 一种基于细粒度特征的叶片分类方法和系统，其方法包含：叶片图像随机混乱模块对同一类的两张叶片图像分区块之后，再把所有区块进行随机重组，得到两张相同数量和尺寸的重组叶片图像，以混乱叶片的全局特征；使用深度学习网络提取叶片的原图特征和重组图特征：训练时，在特征层后面加全连接层，并计算分类损失和对抗损失向前传播；测试时，使用模型便可以提取原图的局部细粒度特征和全局特征，从而实现对叶片的分类。本发明对叶片图像进行重组，模型在重组图像上得不到全局特征时，将专注于学习叶片的局部细粒度特征，而原始图像的输入又可以提供模型全局特征的学习，从而大大提高叶片分类的精度。
-
公开(公告)号：CN117079060A
公开(公告)日：2023-11-17
申请号：CN202311325300.2
申请日：2023-10-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/764 , G06V10/774 , G06V10/25 , G06V20/40 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/045
Abstract: 一种基于光合信号的叶片智能分类方法和系统，其方法包含：叶片光合信号提取、叶片光合信号分类。叶片光合信号提取通过叶片检测模型提取出视频中的叶片，使用分割算法对提取出的叶片进行分割，从而分割出叶片区块，然后以叶片区块内的像素均值记为当前帧的光合信号值，视频的多帧连续光合信号值即组成此叶片的光合信号。叶片光合信号分类使用神经网络对采集到的叶片光合信号进行特征提取训练，来实现叶片的分类。本发明提出一种基于植物叶片的光合信号，确定其提取方法，并针对植物叶片的光合信号变化，采用深度学习训练的方式，提取出植物叶片与其光合信号变化的相关性，从而大大提高叶片分类的精度。
-
-
-
-
-
-
-
-
-
Search Results
181
records
(took 0.067 seconds)
