-
公开(公告)号：CN115019215A
公开(公告)日：2022-09-06
申请号：CN202210947014.9
申请日：2022-08-09
Applicant: 之江实验室
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06V10/764 , G06V10/26 , G06V10/778
Abstract: 本发明公开一种基于高光谱图像的大豆病虫害识别方法和装置，该方法包括：步骤一，利用无人机搭载的高光谱相机与RGB相机采集高光谱数据集及其对应的RGB数据集；步骤二，对采集的高光谱数据集进行数据增广；步骤三，对RGB图像进行植株区域分割后与对应的高光谱图像进行像素点相乘得到含植株区域的图像，对该图像进行预处理计算出各类别平均光谱特性曲线；步骤四，输入高光谱数据集至大豆病虫害识别网络模型，采用课程学习方式以及各类别平均光谱特性曲线进行模型训练；步骤五，采用训练好的大豆病虫害识别网络模型，对采集输入的高光谱图像进行预测分类，输出最终预测的虫害类别。本发明能有效提高大豆病虫害识别的准确度。
-
公开(公告)号：CN116992919B
公开(公告)日：2023-12-19
申请号：CN202311269915.8
申请日：2023-09-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06N3/042 , G06N3/0464 , G06N3/0499 , G06N3/084 , G16B40/00 , G06F18/213 , G06F18/22
Abstract: 本发明公开了一种基于多组学的植物表型预测方法和装置，该方法基于图卷积神经网络，将多组学如基因组、转录组、代谢组的数据作为图节点，不同组学之间的关联程度作为图的边来构建每个植株的图结构数据，将构建的图结构数据输入图卷积神经网络中，提取节点特征，通过Transformer网络更新节点特征，节点特征拼接后输入全连接层，输出表型预测值，利用整个图结构融合多组学特征实现表型的预测。本发明创新性的利用图卷积神经网络结合Transformer网络实现基因到表型的预测，并利用多组学构建图结构融合多组学数据实现精准表型预测，在一定程度上解决只用单一组学表型预测不准的问题，
-
公开(公告)号：CN117011718A
公开(公告)日：2023-11-07
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: 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，而原图在品种识别任务中使特征提取网络关注叶片原有形状信息和全局特征；采用对抗损失函数进行原图与增强图的辨别，预防分类模型过拟合到增强数据中。
-
Patent Agency Ranking
公开(公告)号：CN116805393A
公开(公告)日：2023-09-26
申请号：CN202310577483.0
申请日：2023-05-22
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 , G06V10/58 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/26 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 一种基于3DUnet光谱‑空间信息融合的高光谱图像分类方法，包括：步骤一，获取高光谱摄像机对地面场景拍摄的三维图像数据以及对应像素级别的类别标注并做预处理；步骤二，对所述预处理后的Signal‑HSI信号进行样本分割；步骤三，对步骤二处理后的Patch利用3DUnet网络进行光谱特征提取及空间特征提取；步骤四，选对步骤三中的网络模型进行训练并保存训练后的参数；步骤五，利用训练好的网络模型，输入高光谱图像，预测出对应的像素类别。本发明还包括一种基于3DUnet光谱‑空间信息融合的高光谱图像分类系统。本发明通过不同层级的特征提取以及注意力机制，提高解码效率，实现高光谱图像像素级别的分类。
-
公开(公告)号：CN116453003B
公开(公告)日：2023-09-01
申请号：CN202310701408.0
申请日：2023-06-14
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06V10/22 , G06V10/26 , G06V10/28 , G06V10/56 , G06N3/0464 , G06N3/08 , G06Q50/02
Abstract: 本发明一种基于无人机监测智能识别水稻生长势的方法，包括：获取水稻小区图像，对图像进行标注，建立深度卷积神经网络检测模型，使用标注的水稻小区图像对模型进行优化训练，将待检测的水稻小区图像输入训练好的模型中，检测每张图像中水稻小区目标框的位置；选取每张水稻小区图像中最大面积的目标框，对目标框中的水稻小区图像进行预处理；计算预处理后的水稻小区图像的植被覆盖率，按照植被覆盖率高低判定水稻小区生长势的级别。本发明还提供了一种基于无人机监测智能识别水稻生长势的系统。本发明方法简单，在水稻生长势的识别方面精度高，速度快，成本低，能够广泛应用于农业的自动化、智能化生产管理中。
-
公开(公告)号：CN118608686A
公开(公告)日：2024-09-06
申请号：CN202410661661.2
申请日：2024-05-27
IPC: G06T17/00 , G06T17/20 , G06T15/00 , G06T15/04 , G06V20/64 , G06V10/26 , G06V10/44 , G06V10/75 , G06K7/14 , G06T7/73 , G06T7/80
Abstract: 本发明公开了一种基于多ArUco码的三维重建方法和装置，方法包括以下步骤：相机内参标定；放置一组ArUco码；获取图像数据；初始化相机和ArUco码位姿；初步优化所有位姿；提取并匹配特征点；初步计算稀疏点云；光束法平差全局优化；稠密重建。本发明提出的三维重建方法能恢复物体的真实尺度并自带世界坐标系定义，计算效率高，且所需的采集设备轻便灵活、成本较低。
-
公开(公告)号：CN117058492A
公开(公告)日：2023-11-14
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：CN116453003A
公开(公告)日：2023-07-18
申请号：CN202310701408.0
申请日：2023-06-14
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06V10/22 , G06V10/26 , G06V10/28 , G06V10/56 , G06N3/0464 , G06N3/08 , G06Q50/02
Abstract: 本发明一种基于无人机监测智能识别水稻生长势的方法，包括：获取水稻小区图像，对图像进行标注，建立深度卷积神经网络检测模型，使用标注的水稻小区图像对模型进行优化训练，将待检测的水稻小区图像输入训练好的模型中，检测每张图像中水稻小区目标框的位置；选取每张水稻小区图像中最大面积的目标框，对目标框中的水稻小区图像进行预处理；计算预处理后的水稻小区图像的植被覆盖率，按照植被覆盖率高低判定水稻小区生长势的级别。本发明还提供了一种基于无人机监测智能识别水稻生长势的系统。本发明方法简单，在水稻生长势的识别方面精度高，速度快，成本低，能够广泛应用于农业的自动化、智能化生产管理中。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.028 seconds)
