-
公开(公告)号：CN114741548B
公开(公告)日：2024-11-08
申请号：CN202210458831.8
申请日：2022-04-27
Applicant: 安徽农业大学
IPC: G06F16/583 , G06N3/0464 , G06T7/11 , G06T7/73 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/74
Abstract: 本发明公开了一种基于小样本学习的桑叶病虫害检测方法，包括以下步骤：步骤1、数据集采集：获取基类数据集和新类数据集；步骤2、数据集预处理；步骤3、构建RP‑DCNet模型；步骤4、将基类数据集在元学习阶段对RP‑DCNet模型进行训练；步骤5、将新类数据集和与新类数据集数量相当的基类数据集在元微调阶段对RP‑DCNet模型进行训练；步骤6、经过训练对RP‑DCNet模型的参数进行调整得到最优配置参数；步骤7、基于最优配置参数下的模型用于桑叶病虫害检测。本发明在样本数量较少情况下，依然能够保持较高的检测精度。
-
公开(公告)号：CN114764827B
公开(公告)日：2024-05-07
申请号：CN202210456922.8
申请日：2022-04-27
Applicant: 安徽农业大学
IPC: G06T7/70 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/08 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种自适应低光照场景下的桑叶病虫害检测方法，包括以下步骤：步骤1、收集桑叶病虫害图片作为数据集；步骤2、将数据集分为训练集和测试集，并进行预处理；步骤3、构建ZTOC Swin Transformer模型，对模型进行训练得到最优配置参数；步骤4、通过参数为最优配置参数的模型对待识别的桑叶健康状态图像进行识别，得到桑叶病害检测结果。本发明可适应各种光照场景，并能够降低计算量，提高检测效率和准确性。
-
公开(公告)号：CN114842300B
公开(公告)日：2024-05-03
申请号：CN202210514016.9
申请日：2022-05-11
Applicant: 安徽农业大学
IPC: G06V10/774 , G06V10/82 , G06V10/74 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/088 , G06N3/094
Abstract: 本发明公开了一种适应雨天环境的农作物病虫害检测方法，包括以下步骤：步骤1、获取有雨、无雨、农作物病虫害图像数据集；步骤2、对数据集进行预处理；步骤3、利用有雨、无雨图像数据集对DCD‑GAN模型进行训练；步骤4、将最优配置参数下的DCD‑GAN模型的输出连接YOLOX模型的输入，得到D‑YOLOX模型；步骤5、利用农作物病虫害图像数据集对D‑YOLOX模型进行训练；步骤6、通过最优配置参数下的D‑YOLOX模型进行雨天环境的农作物病虫害图像处理。本发明能够有效避免因雨天拍摄的图像质量差，雨水干扰对模型性能产生影响。
-
公开(公告)号：CN114943831A
公开(公告)日：2022-08-26
申请号：CN202210875310.2
申请日：2022-07-25
Applicant: 安徽农业大学
IPC: G06V10/25 , G06V10/30 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06Q50/02
Abstract: 本发明公开了一种基于知识蒸馏的移动端病虫害目标检测方法及移动端设备，方法包括以下步骤：步骤1、获取农作物病虫害图像作为数据集；步骤2、对数据集进行预处理；步骤3、采用Swin Transformer神经网络模型并进行训练；步骤4、将训练好的Swin Transformer神经网络模型基于知识蒸馏算法，构建Distill Swin Transformer神经网络模型；步骤5、将Distill Swin Transformer神经网络模型部署至移动端进行检测，移动端设备包括处理器可存储检测模型的可读存储介质。本发明具有农户检测病虫害效率高和精确度高的优点。
-
公开(公告)号：CN114900875A
公开(公告)日：2022-08-12
申请号：CN202210446107.3
申请日：2022-04-26
Applicant: 安徽农业大学
IPC: H04W52/02
Abstract: 本发明公开了一种可降低功耗的个人智能终端应用程序网络数据接收方法，包括以下步骤：步骤1、获取接收网络数据包的协议接口；步骤2、获取网络数据包的有效包长，并判断是否需要向所述应用程序推送网络数据包；步骤3、当判断需要推送时，预测得到网络数据包的种类；步骤4、基于系统信息、步骤3得到的种类得到延迟时间；步骤5、根据延迟时间与网络数据包存续于协议接口中的时间是否对齐，判断是否向应用程序交付网络数据包。本发明可有效降低个人智能终端设备功耗。
-
Patent Agency Ranking
公开(公告)号：CN114863279A
公开(公告)日：2022-08-05
申请号：CN202210485150.0
申请日：2022-05-06
Applicant: 安徽农业大学
IPC: G06V20/10 , G06V10/82 , G06V10/774 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于RS‑DCNet的花期检测方法，包括以下步骤：步骤1、获取基类数据集和新类数据集；步骤2、对数据集中数据进行预处理、数据广增，并分为训练集、验证集等；步骤3、以DCNet模型为基础构建RS‑DCNet模型；步骤4、在元学习阶段和元微调阶段对RS‑DCNet模型分别训练，使RS‑DCNet的参数调节为最优配置参数；步骤5、利用RS‑DCNet模型识别花期图像。本发明在样本数量只有几张的情况下，依然能够保持较高的检测精度。
-
公开(公告)号：CN114842300A
公开(公告)日：2022-08-02
申请号：CN202210514016.9
申请日：2022-05-11
Applicant: 安徽农业大学
IPC: G06V10/774 , G06V10/82 , G06V10/74 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种适应雨天环境的农作物病虫害检测方法，包括以下步骤：步骤1、获取有雨、无雨、农作物病虫害图像数据集；步骤2、对数据集进行预处理；步骤3、利用有雨、无雨图像数据集对DCD‑GAN模型进行训练；步骤4、将最优配置参数下的DCD‑GAN模型的输出连接YOLOX模型的输入，得到D‑YOLOX模型；步骤5、利用农作物病虫害图像数据集对D‑YOLOX模型进行训练；步骤6、通过最优配置参数下的D‑YOLOX模型进行雨天环境的农作物病虫害图像处理。本发明能够有效避免因雨天拍摄的图像质量差，雨水干扰对模型性能产生影响。
-
公开(公告)号：CN114821182A
公开(公告)日：2022-07-29
申请号：CN202210494136.7
申请日：2022-05-05
Applicant: 安徽农业大学
IPC: G06V10/764 , G06V10/774 , G06V10/25 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种水稻生长阶段的图像识别方法，包括以下步骤：步骤1、在实地采集和网上采集水稻图片作为数据集；步骤2、将数据集分为训练集和测试集，并进行预处理和数据增强；步骤3、构建ODRL‑Swin Transformer模型；步骤4、通过训练设置ODRL‑Swin Transformer模型的配置参数为所述最优配置参数，步骤5、由ODRL‑Swin Transformer模型输出最终的水稻预测识别结果。本发明可提高对水稻图像识别的准确性。
-
公开(公告)号：CN114821239B
公开(公告)日：2024-07-02
申请号：CN202210507282.9
申请日：2022-05-10
Applicant: 安徽农业大学
IPC: G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种有雾环境下的病虫害检测方法，包括以下步骤：步骤1、收集清晰的图像作为训练Optimized‑AECR‑Net模型的数据集，收集病虫害的图像作为训练OACER‑Swin Transformer模型的数据集；步骤2、对数据集进行预处理，并对病虫害数据集进行加雾处理；步骤3、构建并训练Optimized‑AECR‑Net模型；步骤4、构建并训练OACER‑Swin Transformer模型；步骤5、采用OACER‑Swin Transformer模型进行病虫害检测。本发明方法能够有效避免因雾天拍摄的图片质量差导致的模型性能差，该方法适用于有雾环境下的各种农作物病虫害检测。
-
公开(公告)号：CN114519402A
公开(公告)日：2022-05-20
申请号：CN202210400877.4
申请日：2022-04-18
Applicant: 安徽农业大学
IPC: G06K9/62 , G06N3/08 , G06T7/73 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于神经网络模型的柑橘病虫害检测方法，包括以下步骤：步骤1、获取柑橘病虫害图像作为数据集；步骤2、将数据集分为训练集和测试集，并进行预处理；步骤3、构建Contextual Swin Transformer模型，对模型进行训练得到最优配置参数；步骤4、通过参数为最优配置参数的模型对待识别病虫害种类的柑橘病图像进行识别，得到病虫害识别结果。本发明可降低计算量，提高检测效率和准确性。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.029 seconds)
