-
公开(公告)号：CN115205832B
公开(公告)日：2025-04-29
申请号：CN202210799123.0
申请日：2022-07-08
Applicant: 南京农业大学
IPC: G06V20/60 , G06V10/764 , G06V10/774 , G06V10/422 , G06V10/82 , G06N3/045 , G06N3/047 , G06N3/048 , G06N3/082 , G06N3/096
Abstract: 本发明公开了一种基于VGG16的多任务学习植物表型处理方法及装置，该方法包括：(1)构建植物表型处理与分析模型：以VGG16网络作为多任务学习的硬参数共享网络，除去原VGG16的最后一个最大池化层以及之后所有的全连接层，增加任务相关的全连接层，并将其分别应用于三个特定任务层；(2)训练模型：使用任务依赖不确定性权衡每一个特定任务层的损失函数，以此来平衡回归和分类任务的损失，使用柔性因子连接不同任务，自动优化不同任务的权重，让每个任务都得到最优化训练；(3)基于训练后模型对植物表型进行处理与分析。本发明能同时完成三个有关拟南芥表型处理与分析的任务，大大提升了多任务整体分类及预测效果。
-
公开(公告)号：CN114913406B
公开(公告)日：2025-02-28
申请号：CN202110128301.2
申请日：2021-01-29
Applicant: 南京农业大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G01N21/25 , G06N3/096 , G06N3/0464
Abstract: 本发明公开了一种基于光学特性参数反演的叶绿素含量估测方法，它包括以下步骤：(1)、构建基于面光源的叶片模型进行光子传输模拟，获得仿真光谱图像；(2)、将仿真光谱图像输入卷积神经网络进行训练，得到预训练模型；(3)、基于预训练模型，在实测光谱数据上进行最大均值差异MMD迁移，获得训练全部层的光学参数反演模型；(4)、利用MMD迁移得到的光学参数反演模型进行叶片叶绿素含量估测。基于MMD迁移的绿萝叶片光学参数反演方法，与普通模型迁移方法相比，具有更好的性能。
-
公开(公告)号：CN116625976A
公开(公告)日：2023-08-22
申请号：CN202310376137.6
申请日：2023-04-10
Applicant: 南京农业大学
IPC: G01N21/359 , G01N21/31 , G01N21/59 , G01N21/01
Abstract: 本发明公开了一种微生物浓度的监测系统及方法，包括光源驱动模块、光电转换模块、无线传输模块、A/D模数转换模块、MCU芯片、上位机、LED光源、光源波长测算模块，所述LED光源、透镜、待测溶液、光电转换模块构成利用光电转换监测微生物浓度的监测通路，所述待测溶液为用于监测微生物浓度的微生物培养溶液。本发明构建的监测系统将传统以光吸收为定量指标转换为光散射，采用最优波长的LED光源作为光源测定系统光密度ODsys，通过建立偏最小二乘法线性模型及四阶多项式非线性模型进行拟合校准得到OD600nm，提高抗色素干扰能力，以及提高高浓度(OD600nm>2.5)测定准确性。
-
公开(公告)号：CN116416524A
公开(公告)日：2023-07-11
申请号：CN202310330513.8
申请日：2023-03-30
Applicant: 南京农业大学
IPC: G06V20/10 , G06V10/77 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种水稻白叶枯病早期无症状检测方法，包括以下步骤：利用随机森林算法在特征波长区间中选取出高重要性评分的光谱波长作为特征敏感波长；将特征敏感波长处的高光谱图像作为用于区分高光谱图像所属叶片类别的敏感图像特征；基于敏感图像特征对3DCNN模型训练得到用于水稻白叶枯病早期无症状检测的3DCNN无症状检测模型；在3DCNN无症状检测模型中引入多尺度光谱空洞卷积模块进行精度优化得到MS‑SDC‑3DCNN模型。本发明利用随机森林算法对高光谱图像进行降维，采用多尺度光谱空洞卷积模块对无症状检测模型进行优化，无症状检测模型利用经提取和融合后多个波长分辨率的特征，更有效地使用重要的波长信息，以提高无症状检测模型的检测性能。
-
公开(公告)号：CN116309791A
公开(公告)日：2023-06-23
申请号：CN202310551893.8
申请日：2023-05-17
Applicant: 南京星罗基因科技有限公司 , 南京农业大学
IPC: G06T7/62 , G06T7/194 , G06V10/20 , G06V10/762
Abstract: 本发明公开了一种禽类羽毛面积参数的检测方法，包括：基于羽毛图像采集，对羽毛图像进行预处理；通过目标检测算法，构建目标检测模型，输出羽毛在图像中的位置；通过图像切割算法，经过多次迭代后，完成整体图像的前后景分割；通过闭运算算法，对羽毛轮廓进行边缘平滑；通过文字识别算法和随机抽样一致性算法，将轮廓的像素面积转换为真实的面积，从而输出最准确的面积参数。本发明能准确识别目标，使得羽毛获得的面积边缘光滑，提高自动化程度，降低人工成本，提升了对图像中重叠羽毛的分割效果，达到了目标的百分百识别，使得输出的面积参数符合生产需要。
-
Patent Agency Ranking
公开(公告)号：CN110263863A
公开(公告)日：2019-09-20
申请号：CN201910547744.8
申请日：2019-06-24
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法，其主要步骤为：(1)建立基于迁移学习与双线性的细粒度菌类表型识别模型；(2)基于识别模型进行迁移学习与训练；(3)将图像输入识别模型后进行预处理；(4)对预处理后的图像数据进行特征提取。本发明将两个对称InceptionResNetV2特征提取网络提取到的特征结合起来，得到更细粒度的特征，使识别效果更好；并且使用基于模型的迁移学习训练方法，将在ImageNet数据集上预训练好的特征提取网络参数权重迁移到菌类细粒度表型数据集上，能够在较短的训练时间内，达到更好的收敛性能，使识别结果更好。
-
公开(公告)号：CN110175642A
公开(公告)日：2019-08-27
申请号：CN201910432558.X
申请日：2019-05-22
Applicant: 南京农业大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于PCA降维和特征二元化的菊花相似性计算方法，该方法首先对菊花数据预处理和BOW(Bag-of-words)建模，包括将大规模样本数据集中的图像转为灰度图像，提取所有图像的SIFT特征描述向量和使用K-means聚类，最后引入FDF-IFDF模型，生成最终的训练样本特征向量文件；通过PCA降维处理对高维向量进行降维，把降维后的数据映射到一个二进制超立方体的顶点上并最小化量化误差，生成菊花图像的二元编码；通过哈希函数并构建位置敏感哈希索引。本发明更容易获取图像的本质特征，通过降维实现简化处理过程。
-
公开(公告)号：CN108830320A
公开(公告)日：2018-11-16
申请号：CN201810616815.0
申请日：2018-06-15
Applicant: 南京农业大学
IPC: G06K9/62
Abstract: 本发明提出一种基于鉴别和鲁棒多特征提取的高光谱图像分类方法，针对高光谱图像中不同类型的空谱特征，本方法将其投影到一个共同的低秩、鉴别子空间，并保留不同特征的重要性。本方法运行包括两个阶段，首先，根据不同特征的重要性，分别赋予它们不同的权重；然后，学习一个具有鲁棒和鉴别特性的低维子空间；接着，将不同的特征投影至低维子空间中；最后，使用支持向量机对新的特征进行分类。本发明通过特征降维，不仅能够对噪声鲁棒，抵御高光谱图像中的噪声干扰，同时可以保留不同特征的重要性，同时利用已有的标签，使获得的特征具有鉴别特性，有效提高了分类的效果。
-
公开(公告)号：CN107886716A
公开(公告)日：2018-04-06
申请号：CN201710878523.X
申请日：2017-09-20
Applicant: 南京农业大学
CPC classification number: G08G1/0125 , G06F17/30153
Abstract: 一种冷链车轨迹数据压缩方法，基于LZW算法，步骤包含：S1、结合城市路网结构分块标记路网结构，建立LZW算法压缩所用的串表；S2、通过冷链车辆轨迹数据选择串表；S3、结合轨迹点方向信息对轨迹进行过滤；S4、逐次读入轨迹数据，拆分轨迹数据，查询串表，找到近似数据；S5、计算读入的轨迹数据与串表中代表路口的近似数据的距离，距离值符合判定的轨迹数据，返回串表中对应路口数据的下标，并写入压缩缓存；S6、将压缩缓存写入压缩文件中。本发明方法具有良好的压缩率指标，对轨迹数据压缩效果良好，压缩速度快；通过压缩后的轨迹点还原的出的轨迹与原始行车轨迹相似度高。
-
公开(公告)号：CN103440672A
公开(公告)日：2013-12-11
申请号：CN201310302804.2
申请日：2013-07-19
Applicant: 南京农业大学
Abstract: 本发明提供一种花卉花朵图像分割提取方法，采用改进的主动轮廓模型算法，实现从蝴蝶兰花簇图像中提取单个花朵图像，为自动识别花卉的生长状态奠定基础。首先利用改进的骨架算法和轮廓重生算法，生成花卉花簇的初始轮廓；再利用含有形状能量的主动轮廓模型进行轮廓的演化，使其接近真实的花卉花簇边缘，最后根据花卉花蕊位置获得相应的花卉花朵。实例验证和比对实验结果表明，该算法能够较好的分割和提取蝴蝶兰花簇中单个花朵，并具有较强的抗噪能力。利用本文的方法，可以较好的提取蝴蝶兰花簇中的单个花朵，与人工提取效果进行比对，正确率达到了91.5%。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.03 seconds)
