-
公开(公告)号:CN115186705A
公开(公告)日:2022-10-14
申请号:CN202210782053.8
申请日:2022-07-04
Applicant: 北京林业大学
Abstract: 本发明公开了一种基于深度卷积循环神经网络的钻蛀振动信号增强方法。方法使用基于深度学习的语音增强技术,构建了钻蛀振动信号增强模型,用于对常见环境中采集到的钻蛀振动信号进行增强。发明包括以下步骤:(1)挑选并砍伐受钻蛀性害虫侵害树木,(2)采集树干中钻蛀振动信号,(3)采集环境噪声,(4)将钻蛀振动信号与环境噪声混合制作数据集,(5)构造深度卷积循环神经网络,(6)利用数据集训练深度卷积循环神经网络。本发明提供的方法能够有效抑制随钻蛀振动信号一同采集的噪声,保留较纯净的钻蛀振动信号,运行速度较快,显著提升了检测模型对钻蛀振动信号识别准确率,为提高钻蛀性害虫的早期预警能力提供了技术支撑。
-
公开(公告)号:CN109684906B
公开(公告)日:2021-04-30
申请号:CN201810554522.4
申请日:2018-05-31
Applicant: 北京林业大学
Abstract: 本发明为一种基于深度学习的检测红脂大小蠹的方法。其首先将从改造后的诱捕器中采集的小蠹图像传输至服务器进行图像预处理,然后输入针对蠹虫数据集使用k‑means方法优化默认框的Faster R‑CNN目标检测模型进行检测,最后将检测结果进行一系列后处理后绘制在输入图像上。本发明可实现林场现场图像数据实时采集和远程在线识别,减少了人力付出,实现了林业害虫监测的自动化。
-
公开(公告)号:CN109684906A
公开(公告)日:2019-04-26
申请号:CN201810554522.4
申请日:2018-05-31
Applicant: 北京林业大学
CPC classification number: G06K9/00771 , G06K9/00744 , G06K9/40 , G06K9/6223 , G06K9/6268
Abstract: 本发明为一种基于深度学习的检测红脂大小蠹的方法。其首先将从诱捕器中采集的小蠹图像传输至服务器进行图像预处理,然后将预处理后的图像输入针对蠹虫数据集使用k-means方法优化默认框后的Faster R-CNN目标检测模型进行检测,对模型检测结果使用非极大值抑制方法排除同类之间IoU大于50%的检测框,然后按分类信心降序排序后,输出前M个结果,再对这M个结果按照分类信心进行筛选,将分类信心高于0.5的检测框和对应分类信心以及计数结果,绘制在输入图像上。本发明可实现林场现场图像数据实时采集和远程在线识别,减少了人力付出。
-
公开(公告)号:CN204514236U
公开(公告)日:2015-07-29
申请号:CN201420807498.8
申请日:2014-12-18
Applicant: 北京林业大学
IPC: G01B5/08
Abstract: 本实用新型涉及周长变化物体的周长连续测量装置,其包括齿条和固定在树木上的数码盘。测量齿条设置在树木上能够对其周长测量的位置上,齿条可以随被测物体的周长的伸长而伸长,还可以随被测物体的周长的减小而减小。测量尺主体采用基本无朔性变形的材料制成。所述齿条的齿为柔性齿,所述齿条设置在被测树木的胸径测量位置,并围绕树木,一端固定另一端浮动,浮动端有足够长度的处于悬空状态的多出齿条。数码盘带有计数齿轮,借助于计数齿轮的齿数来计算所述齿条移动的长度,从而计算出树木的胸径的变化。数码盘上装有两条导电滑轨,所述数码盘上的导电滑轨为断续的同心环结构,所述导电触片的触点与所述导电滑轨接触。
-
-
-