-
公开(公告)号：CN113538389B
公开(公告)日：2023-05-09
申请号：CN202110838756.3
申请日：2021-07-23
Applicant: 仲恺农业工程学院
IPC: G06T7/00 , G06T7/62 , G06T7/73 , G06V10/44 , G06V10/75 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 一种鸽蛋品质识别方法，包括如下步骤：采用视觉传感器获取鸽蛋的图片，将鸽蛋标注为受精蛋、完好非受精蛋和破损非受精蛋三个类别，得到用于模型训练的训练集和验证集；将训练集和验证集中的图片输入YOLOv5s网络模型进行模型训练，得到YOLOv5s网络模型的最佳权重数据；将最佳权重数据加载到YOLOv5s网络模型中，输入待识别的图片，输出识别结果；可在暗室环境下，将鸽蛋放置于底部具有光源的检测位置处进行拍摄。本发明对鸽蛋等蛋类产品是否破损和受精进行识别，检测速度快，部署方便快速，方便根据识别结果对蛋类产品进行剔除和分类，检测效率高，保证蛋品质量，适合于规模化产品检测。
-
公开(公告)号：CN109828089B
公开(公告)日：2022-01-18
申请号：CN201910112831.0
申请日：2019-02-13
Applicant: 仲恺农业工程学院
Abstract: 本发明公开了一种基于DBN‑BP的水质参数亚硝酸氮的在线预测方法，包括如下步骤：(1)水质数据采集：在线水质检测系统连续采集水体中的水质参数数据以及对应的水质参数数据下的亚硝酸氮浓度数据，得到原始数据；所述水质参数包括温度值、pH值、溶解氧值、氧化还原电位值；(2)数据预处理：对收集的原始数据依次进行过滤异常数据处理、粗糙集约简处理、数据归一化处理，得到测试样品数据集；(3)计算预测值：将测试样品数据集输入DBN‑BP模型进行训练，计算获得预测值。本预测模型性能良好，预测效果优异，可作为水质参数亚硝酸氮的在线预测方法，提高亚硝酸氮测定的准确性。
-
公开(公告)号：CN113504201A
公开(公告)日：2021-10-15
申请号：CN202110775100.1
申请日：2021-07-07
Applicant: 仲恺农业工程学院
IPC: G01N21/359
Abstract: 基于可见‑近红外高光谱技术的脆肉皖脆度预测方法，包括如下步骤：由高光谱成像摄像机拍摄处理后得到样品的原始近红外光谱数据，依次经黑白校正处理、标准正则变换预处理后，通过随机森林算法得到影响脆肉皖脆度的特征光谱波长，并得到各样品的高光谱特征值；通过质构仪检测得到样品的硬度值，建立脆肉皖脆度值与高光谱特征值的BP‑NN预测模型；将样品的高光谱特征值输入建立的BP‑NN预测模型中，即得待测脆肉皖的脆度。本申请采用质构仪和可见‑近红外高光谱成像系统(400‑1100nm)对脆肉皖进行脆度‑高光谱数据分析，建立BP‑NN预测模型，该预测模型具有较好的预测效果，适用于脆肉皖脆度无损检测。
-
公开(公告)号：CN109828089A
公开(公告)日：2019-05-31
申请号：CN201910112831.0
申请日：2019-02-13
Applicant: 仲恺农业工程学院
Abstract: 本发明公开了一种基于DBN-BP的水质参数亚硝酸氮的在线预测方法，包括如下步骤：(1)水质数据采集：在线水质检测系统连续采集水体中的水质参数数据以及对应的水质参数数据下的亚硝酸氮浓度数据，得到原始数据；所述水质参数包括温度值、pH值、溶解氧值、氧化还原电位值；(2)数据预处理：对收集的原始数据依次进行过滤异常数据处理、粗糙集约简处理、数据归一化处理，得到测试样品数据集；(3)计算预测值：将测试样品数据集输入DBN-BP模型进行训练，计算获得预测值。本预测模型性能良好，预测效果优异，可作为水质参数亚硝酸氮的在线预测方法，提高亚硝酸氮测定的准确性。
-
公开(公告)号：CN108489927A
公开(公告)日：2018-09-04
申请号：CN201810067761.7
申请日：2018-01-24
Applicant: 仲恺农业工程学院
IPC: G01N21/3563 , G06N3/04 , G06N3/08
CPC classification number: G01N21/3563 , G06N3/04 , G06N3/08
Abstract: 本发明公开了鱼类产地溯源方法，包括以下步骤：通过红外光谱仪采集鱼肉样本的光谱数据；将光谱数据导入到训练好的特征值训练模型，提取鱼肉产地的特征值；特征值作为BP神经网络的输入，BP神经网络对特征值进行分类，预测出鱼肉样本的产地；本发明还公开了一种电子设备、计算机可读存储介质及鱼类产地溯源装置；本发明使用DBN算法对鱼类的光谱数据进行学习，消除不相关和无效的光谱信息，将学习后的特征值作为BP神经网络的输入来匹配鱼类识别模型，具有较高的去噪能力，同时能够避免BP神经网络的初值随机选定和参数选取不合适导致的局部最优等问题；整体上，本发明所提供的鱼类产地溯源方法能进一步提高鱼类产地识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN113537106A
公开(公告)日：2021-10-22
申请号：CN202110837178.1
申请日：2021-07-23
Applicant: 仲恺农业工程学院
Abstract: 一种基于YOLOv5的鱼类摄食行为识别方法，包括如下步骤：通过摄像头采集某一单一鱼群喂食前后的视频，提取关键帧图片并标注，建立数据集；图片输入YOLOv5网络模型，经预处理后依次进入Backbone网络和Neck网络进行特征融合，再输入Head输出端，得到预测框的位置、类别和置信度，采用加权非极大值抑制筛选预测框，通过计算损失函数调节权重参数，通过验证集不断优化模型参数，得到最佳权重数据；将测试集图片输入训练好的YOLOv5网络模型中，得到目标检测结果。本发明目标检测的准确性，采用YOLOv5网络模型，能够快速识别、实时跟踪和预测，并及时采取行动，达到提高养殖效益的目的。
-
公开(公告)号：CN109669403B
公开(公告)日：2020-05-19
申请号：CN201811217079.8
申请日：2018-10-18
Applicant: 仲恺农业工程学院
IPC: G05B19/418
Abstract: 本发明公开了一种基于DBN‑SOFTMAX的涉危农业投入品智能监测系统，包括监控中心以及LORA网关，所述监控中心内部设有云服务器、智能设备模块、DBN‑SOFTMAX网络和数据库，且DBN‑SOFTMAX网络的内部设有投入品预测模块和SOFTMAX分类器，所述LORA网关一侧连接有若干个LoRa节点，所述LORA网关另一侧通过数据接收服务端与云服务器和数据库连接，所述云服务器一侧与投入品预测模块连接，所述投入品预测模块一侧与智能设备模块一侧连接，所述数据库与SOFTMAX分类器连接。本发明可对种植基地的农业投入品实时监测。
-
公开(公告)号：CN113537106B
公开(公告)日：2023-06-02
申请号：CN202110837178.1
申请日：2021-07-23
Applicant: 仲恺农业工程学院
IPC: G06V20/52 , G06V20/40 , G06V10/44 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于YOLOv5的鱼类摄食行为识别方法，包括如下步骤：通过摄像头采集某一单一鱼群喂食前后的视频，提取关键帧图片并标注，建立数据集；图片输入YOLOv5网络模型，经预处理后依次进入Backbone网络和Neck网络进行特征融合，再输入Head输出端，得到预测框的位置、类别和置信度，采用加权非极大值抑制筛选预测框，通过计算损失函数调节权重参数，通过验证集不断优化模型参数，得到最佳权重数据；将测试集图片输入训练好的YOLOv5网络模型中，得到目标检测结果。本发明目标检测的准确性，采用YOLOv5网络模型，能够快速识别、实时跟踪和预测，并及时采取行动，达到提高养殖效益的目的。
-
公开(公告)号：CN115326782A
公开(公告)日：2022-11-11
申请号：CN202211117202.5
申请日：2022-09-14
Applicant: 仲恺农业工程学院
Abstract: 一种利用拉曼光谱检测罗非鱼鱼肉脆度的方法，包括如下步骤：数据采集，通过共聚焦拉曼光谱仪采集鱼肉样品的原始拉曼光谱，通过质构仪得到该鱼肉样品的脆度值，重复操作，得到多个鱼肉样品的原始拉曼光谱及其对应的脆度值；数据集建立，对原始拉曼光谱进行预处理，得到各样品的拉曼光谱特征数据，建立包含各样品拉曼光谱特征数据和脆度值的数据集；预测模型建立，由数据集中的数据训练，得到SSDA‑HELM‑SOFTMAX预测模型，输入待测鱼肉的拉曼光谱数据进行鱼肉脆度预测。本发明通过拉曼光谱数据以及质构分析得到的脆度值建立SSDA‑HELM‑SOFTMAX预测模型，由拉曼光谱预测鱼肉的脆度值，预测效果好，检测效率高。
-
公开(公告)号：CN114972949A
公开(公告)日：2022-08-30
申请号：CN202210520214.6
申请日：2022-05-13
Applicant: 仲恺农业工程学院
IPC: G06V10/82 , G06V10/774 , G06V10/764 , G06V10/80 , G06K9/62 , G06F17/10 , G06N3/04 , G06N3/08
Abstract: 一种乳鸽鸽龄检测方法，包括如下步骤：改进YOLOv5s网络模型，先将CBAM中的空间注意力改进为逐点空间注意力，再将改进后的CBAM注意力机制嵌入在YOLOv5s模型主干网络中每个残差分支的末端，将YOLOv5s的NMS策略从每个类分别进行NMS改进为多个类同时进行NMS，得到改进的YOLOv5s网络模型；数据集制作，对乳鸽图片按照日龄阶段进行标注；将数据集输入改进后的YOLOv5s网络模型中进行模型训练；加载最佳权重数据后，输入待识别图片进行识别。本发明加强了对重叠乳鸽的识别效率，也避免出现一只鸽子检测出多个不同生长阶段，提高了识别的准确率，检测速度快，促进投料的自动化。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.023 seconds)
