-
公开(公告)号：CN119904747A
公开(公告)日：2025-04-29
申请号：CN202411963203.0
申请日：2024-12-30
Applicant: 安徽大学
Abstract: 本发明涉及一种基于提示学习的农作物病害识别方法，包括：获取农作物病害图像数据集；构建提示学习模型；将训练集输入提示学习模型进行训练；采用动态校准策略进行动态校准；校准后的提示向量通过动量缓冲机制进行更新，替换调整后的提示向量，得到更新后的提示学习模型；将待识别的农作物病害图像输入更新后的提示学习模型，得到识别结果。本发明首次将提示学习引入农作物病害识别任务，有效融合不同层次的特征信息，显著提升模型对基类的识别精度和新类的泛化性能；动态校准策略提升模型的域泛化能力，无需额外训练数据，利用CLIP模型中的跨模态知识在测试时对结果直接调优，有效解决传统熵最小化方法存在的特征偏移和性能衰减问题。
-
公开(公告)号：CN119785221A
公开(公告)日：2025-04-08
申请号：CN202411983904.0
申请日：2024-12-31
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/40 , G06V10/54 , G06V10/56 , G06N20/00 , G06N3/126 , G06V10/774 , G06V10/764 , G06N5/01
Abstract: 本发明涉及基于多时相多特征与可解释性机器学习算法相结合的小麦赤霉病遥感预测方法，与现有技术相比解决了难以基于多时多特征相结合提升赤霉病预测精度的缺陷。本发明包括以下步骤：单时相和多时相数据的获取及预处理；构建多时相特征；小麦赤霉病最优特征的筛选；小麦赤霉病预测模型的构建和训练；待预测遥感影像的获取；小麦赤霉病遥感预测结果的获得。本发明结合了小麦的多时相和多特征，基于模拟退火算法寻找最优的XGBoost超参数训练模型，且获得理性的分类模型，实现了小麦赤霉病遥感影像的精准预测。
-
公开(公告)号：CN119671930A
公开(公告)日：2025-03-21
申请号：CN202411427034.9
申请日：2024-10-14
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/82 , G06V10/764 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种融合图像高频信息的玉米叶片病害识别方法，与现有技术相比解决了深度模型在识别复杂背景下玉米叶病害图像上难以学习到高频细节信息特征的缺陷。本发明包括以下步骤：获取玉米叶片图像并进行预处理；构建玉米叶片病害识别模型；玉米叶片病害识别模型的训练；待识别玉米叶片图像的获取；玉米叶片图像识别结果的获得。本发明将图像高频信息融合到轻量级MobileNetV3‑Large网络中，提出了一种融合图像高频信息的玉米叶病害识别模型，该模型具有更好的拟合能力，提高了对复杂环境下玉米叶病害的识别性能。
-
公开(公告)号：CN117576467B
公开(公告)日：2024-04-26
申请号：CN202311560242.1
申请日：2023-11-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/20 , G06V10/82 , G06V10/44 , G06V10/56 , G06V10/77 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06V10/80 , G06N3/08 , G06N3/045
Abstract: 本发明涉及一种融合频率域和空间域信息的农作物病害图像识别方法，与现有技术相比解决了难以在复杂环境下实现农作物病害检测的缺陷。本发明包括以下步骤：农作物病害图像的获取及预处理；双分支病害图像识别模型的构建；双分支病害图像识别模型的训练；待识别农作物病害图像的获取；农作物病害图像识别结果的获得。本发明结合图像频率域信息与空间域信息提出了双分支的深度神经网络用于农作物病害识别，频率分支接受频域信息作为输入用于提取丰富的农作物病害频率分量特征，可变形注意力Transformer分支擅长于表征全局特征并且有选择的关注农作物病害局部区域特征，融合方法MSAF更好的融合农作物病害频率特征和空间特征。
-
公开(公告)号：CN113469064B
公开(公告)日：2024-03-29
申请号：CN202110757395.X
申请日：2021-07-05
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明实施方式提供一种复杂环境下的玉米叶病害图像的识别方法及系统，属于图像识别技术领域。所述识别方法包括：获取待识别的玉米叶病害图像；对图像执行第一卷积运算以得到第一特征图；根据公式(1)对第一特征图执行第一池化操作以得到第二特征图；对第二特征图执行第二卷积运算以得到第三特征图；根据公式(2)对第三特征图执行第二池化操作以得到第四特征图；将第四特征图输入分类层中以确定图像对应的玉米叶病害类型。该方法及系统通过构建轻量型神经网络，并结合CASF特征的融合原理，实现了采用轻量型神经网络对玉米叶病害图像的精确、高效识别，克服了现有技术中因采用重量型神经网络而导致的识别方法应用场景局限的技术缺陷。
-
Patent Agency Ranking
公开(公告)号：CN117197807A
公开(公告)日：2023-12-08
申请号：CN202311220559.0
申请日：2023-09-20
Applicant: 安徽大学
IPC: G06V20/69 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及基于YOLOv4‑tiny轻量化模型的小麦赤霉病孢子识别方法，与现有技术相比解决了赤霉病孢子检测准确率低、检测速度慢、计算量大的缺陷。本发明包括以下步骤：孢子图像数据集的建立；构建轻量化孢子识别模型；轻量化孢子识别模型的训练；待识别孢子图像的获取；小麦赤霉病孢子识别结果的获得。本发明利用YOLOv4‑tiny具有更高的检测速度和较好的实时性的特点，在保证准确性的同时实现快速检测；本发明通过将YOLOv4主干特征提取网络CSPDarknet53模块替换为CSPDarknet53_tiny模块，有效的实现了小麦赤霉病孢子快速准确检测识别。
-
公开(公告)号：CN119671930B
公开(公告)日：2025-05-27
申请号：CN202411427034.9
申请日：2024-10-14
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/82 , G06V10/764 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种融合图像高频信息的玉米叶片病害识别方法，与现有技术相比解决了深度模型在识别复杂背景下玉米叶病害图像上难以学习到高频细节信息特征的缺陷。本发明包括以下步骤：获取玉米叶片图像并进行预处理；构建玉米叶片病害识别模型；玉米叶片病害识别模型的训练；待识别玉米叶片图像的获取；玉米叶片图像识别结果的获得。本发明将图像高频信息融合到轻量级MobileNetV3‑Large网络中，提出了一种融合图像高频信息的玉米叶病害识别模型，该模型具有更好的拟合能力，提高了对复杂环境下玉米叶病害的识别性能。
-
公开(公告)号：CN117347322A
公开(公告)日：2024-01-05
申请号：CN202311399582.0
申请日：2023-10-26
Applicant: 安徽大学
IPC: G01N21/47
Abstract: 本发明公开了一种水稻稻纵卷叶螟的虫害等级确定方法，涉及遥感监测技术领域，本发明通过测定水稻冠层光谱和叶绿素相对含量；根据水稻冠层光谱和叶绿素相对含量确定单位面积上受危害叶片占总叶片数据的百分比，从而划分虫害等级；分别绘制健康和虫害水稻的光谱反射率的差值和变化率曲线，将虫害等级与对应反射率进行相关性分析，根据相关性分析结果和高光谱反射率，构建反演稻纵卷叶螟的高光谱虫害指数；根据反演稻纵卷叶螟的高光谱虫害指数，确定水稻稻纵卷叶螟的虫害等级；与传统技术相比，本发明减少了随机误差，避免了遥感技术空间分辨率或光谱分辨率的限制，可以获得满足稻纵卷叶螟监测的理想数据，清晰地表达水稻稻纵卷叶螟的虫害等级。
-
公开(公告)号：CN113469064A
公开(公告)日：2021-10-01
申请号：CN202110757395.X
申请日：2021-07-05
Applicant: 安徽大学
Abstract: 本发明实施方式提供一种复杂环境下的玉米叶病害图像的识别方法及系统，属于图像识别技术领域。所述识别方法包括：获取待识别的玉米叶病害图像；对图像执行第一卷积运算以得到第一特征图；根据公式(1)对第一特征图执行第一池化操作以得到第二特征图；对第二特征图执行第二卷积运算以得到第三特征图；根据公式(2)对第三特征图执行第二池化操作以得到第四特征图；将第四特征图输入分类层中以确定图像对应的玉米叶病害类型。该方法及系统通过构建轻量型神经网络，并结合CASF特征的融合原理，实现了采用轻量型神经网络对玉米叶病害图像的精确、高效识别，克服了现有技术中因采用重量型神经网络而导致的识别方法应用场景局限的技术缺陷。
-
公开(公告)号：CN120047734A
公开(公告)日：2025-05-27
申请号：CN202510115836.4
申请日：2025-01-24
Applicant: 安徽大学 , 合肥数翰数据科技有限公司
IPC: G06V10/764 , G06V10/80 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明涉及一种基于多层信息融合的农作物病害图像分类方法，与现有技术相比解决了难以准确定位病害区域的缺陷。本发明包括以下步骤：农作物病害图像的获取及预处理；构建农作物病害图像分类模型；农作物病害图像分类模型的训练；待分类农作物病害图像的获取；农作物病害图像分类结果的获得。本发明的融合方法减少了背景干扰，并很好地关注到目标微小病害区域，从而提高了模型的识别有效性。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.024 seconds)
