-
公开(公告)号：CN110940636B
公开(公告)日：2020-12-08
申请号：CN201911237047.9
申请日：2019-12-05
Applicant: 华南农业大学
Abstract: 本发明公开了一种柑橘林病虫害智能识别与林间信息监测系统，包括：移动识别监测平台采集各种图像以及林间数据，并发送给上位机和云平台；并进行初步诊断，将初步诊断结果发送给上位机；无人机采集遥感图像，发送给云平台和上位机，以及对遥感图像进行处理，生成空中遥感诊断结果，并发送给上位机；上位机接收并显示各种图像、林间数据、初步诊断结果以及空中遥感诊断结果，以及向移动识别监测平台和无人机发送用户指令；上位机从云平台获取多源数据融合分析诊断结果和处方图；云平台将从移动识别监测平台和无人机获取的数据进行多源数据融合分析，并向上位机发送多源数据融合分析的诊断结果和处方图，以有效减少人力、时间投入。
-
公开(公告)号：CN109948563A
公开(公告)日：2019-06-28
申请号：CN201910229945.3
申请日：2019-03-22
Applicant: 华南农业大学
Abstract: 本发明公开一种基于深度学习的松材线虫病枯死树检测定位方法，包括以下步骤：(1)采集样本图像，预处理样本图像，并对松树进行标注，得到训练样本；(2)运用深度学习框架和卷积神经网络对松材线虫病枯死树训练样本进行训练，得到检测模型；(3)无人机对目标区域进行高空定点拍摄，采集图像和位置信息；(4)将采集后的图像传输到检测模型中，检测模型对采集后的图像进行枯死树识别，并输出检测完成后的检测图像，根据枯死树在图像中坐标位置，最终得到松材线虫病枯死树地理位置信息处方图。本发明能够快速、高效以及准确地检测出患病的松树，判断出患病松树的位置，以便后续的处理。
-
公开(公告)号：CN109636791A
公开(公告)日：2019-04-16
申请号：CN201811528272.3
申请日：2018-12-13
Applicant: 华南农业大学
CPC classification number: G06T7/0002 , G06N3/08 , G06T2207/10004 , G06T2207/20081 , G06T2207/30188
Abstract: 本发明涉及一种基于深度学习的柑橘黄龙病检测方法、装置及系统，该方法包括：获取待识别柑橘叶片的图像数据；将所述图像数据，输入到移动端的柑橘黄龙病检测的神经网络模型；确定所述图像数据对应的检测结果。该检测方法操作简便、无损、费用低廉、受广大柑橘生产者欢迎；且简化了诊断流程、降低了诊断成本，可以帮忙果农做到了尽早的检测和发现病害，实现对果园中柑橘果树进行快速、实时、准确、无损的诊断，可为果农施肥、生产提供参考，对果树产量有极大帮助，对推动精准农业和农业信息化有积极作用。
-
公开(公告)号：CN104008551B
公开(公告)日：2017-06-13
申请号：CN201410255640.7
申请日：2014-06-10
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于可见光图像的柑橘黄龙病检测方法，在训练阶段，采集大量已感染柑橘黄龙病的柑橘叶片的图像以及正常叶片的图像，提取纹理特征和颜色特征的特征值，将上述特征值与正常叶片的特征值通过BP神经网络进行训练、学习，得到最优的BP神经网络模型；在进行识别阶段，提取待识别叶片图像的特征，输入上述最优的BP神经网络模型中，即判断柑橘树是否健康。本发明还可进一步判断黄龙病的种类，以及是否是非黄龙病黄化。本发明能够对柑橘黄龙病进行早期、准确、非破坏性诊断，具有检测精度高的优点。
-
公开(公告)号：CN103278460B
公开(公告)日：2015-07-29
申请号：CN201310210407.2
申请日：2013-05-30
Applicant: 华南农业大学
Abstract: 本发明公开了一种柑橘树红蜘蛛虫害胁迫情况测试分析方法，包括以下步骤：1)选取多片柑橘健康叶片样本与柑橘红蜘蛛叶片样本；2)采集柑橘叶片样本的高光谱图像；3)测定柑橘叶片样本的叶绿素和类胡萝卜素含量；4)对采集的高光谱图像进行预处理；5)对预处理后的高光谱图像进一步去噪；6)提取进一步去噪的高光谱图像的特征波段；7)利用提取的特征波段建立检测模型，通过逐步回归分析挑选出最佳波段组合，确定与叶绿素、类胡萝卜素含量之间的定量关系；8)采用所建立模型对柑橘叶片的叶绿素和类胡萝卜素含量进行检测，进而预测柑橘树红蜘蛛虫害胁迫情况。本发明通过建立模型预测柑橘树红蜘蛛虫害胁迫情况，具有非人工、无损害的特点。
-
Patent Agency Ranking
公开(公告)号：CN119993491A
公开(公告)日：2025-05-13
申请号：CN202510084175.3
申请日：2025-01-20
Applicant: 华南农业大学
IPC: G16H50/30 , G06N3/0499 , G06N3/084 , G06F18/213 , G06F18/211
Abstract: 本发明提供了一种基于深度生存分析的荔枝霜疫霉病风险预测方法，包括：构建前馈深度神经网络，输入层将特征矩阵数据传递至依次连接的多个隐藏层，隐藏层包括依次连接的全连接层和dropout层；最后一个隐藏层通过具有单一节点的线性层连接至风险函数输出层，获得深度生存分析预测模型；收集荔枝果树生存环境数据，以及相应时间段内的果树霜疫霉病患病的感染率数据构建训练数据集，并基于反向传播算法训练深度生存分析预测模型；利用训练后的深度生存分析预测模型，预测荔枝果树个体的生存概率，并获得荔枝果树个体的发病风险等级数据。本发明能够根据复杂的非线性关系对荔枝霜疫霉病的发生风险进行有效预测。
-
公开(公告)号：CN114612898B
公开(公告)日：2024-05-10
申请号：CN202210261258.1
申请日：2022-03-16
Applicant: 华南农业大学
IPC: G06V20/68 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，包括：采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像，构建数据集；所述图像包含成虫和/或虫茧的标注；所述数据集根据预设比例分为训练集和验证集；对训练集进行聚类分析，确定目标值分布；构建改进的YOLOv5模型；进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；将待检测的图像输入到权重为w的检测模型中，根据权重识别蒂蛀虫的生长阶段及数量；计算出蒂蛀虫羽化率。该方法可对待识别图像中所包含的成虫、虫茧及对应的数量进行准确的识别，进而可计算得出蒂蛀虫羽化率。有效减少了人力物力消耗，提高了检测准确率。
-
公开(公告)号：CN117953576A
公开(公告)日：2024-04-30
申请号：CN202311788558.6
申请日：2023-12-25
Applicant: 华南农业大学
IPC: G06V40/20 , G06V20/40 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于改进Gaitbase模型的牛的步态识别方法，步骤如下：获取和预处理牛的步态数据集，目标检测和跟踪，生成单一个体的步态RGB图像，提取黑白轮廓图像序列输入步态识别网络，在时间池化提取黑白轮廓图像步态特征后，通过SAM空间注意力机制进行优化然后再进行水平池化操作；最后，通过计算欧式距离度量，计算特征相似度并输出行牛的信息识别结果。本发明实现了一种基于改进Gaitbase模型的牛的步态识别方法，通过SAM空间注意力机制优化提取的步态特征，提高牛的步态识别准确率，解决牛的步态识别的问题，并使其更适用于牛的步态识别。
-
公开(公告)号：CN110057450B
公开(公告)日：2024-03-19
申请号：CN201910435698.2
申请日：2019-05-23
Applicant: 华南农业大学
IPC: G01J3/28 , G06V10/764
Abstract: 本发明公开了一种基于无线传输和模式识别的窄带多光谱成像系统及方法，包括：成像装置和地面控制器，成像装置和地面控制器无线连接；成像装置包括成像模块、微型计算机和第一无线通信模块，微型计算机分别与成像模块和第一无线通信模块连接；地面控制器包括显示模块、手持控制模块、微处理模块和第二无线通信模块，微处理模块分别与手持控制模块和第二无线通信模块连接，且显示模块和第二无线通信模块连接；第一无线通信模块和第二无线通信模块无线连接。本发明结构简单、操作简便、造价低廉，形成的多光谱图像既保留了明显光谱特征波段的目标对象的特征，又保留了较高的空间分辨率。
-
公开(公告)号：CN114612898A
公开(公告)日：2022-06-10
申请号：CN202210261258.1
申请日：2022-03-16
Applicant: 华南农业大学
IPC: G06V20/68 , G06V10/762 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，包括：采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像，构建数据集；所述图像包含成虫和/或虫茧的标注；所述数据集根据预设比例分为训练集和验证集；对训练集进行聚类分析，确定目标值分布；构建改进的YOLOv5模型；进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；将待检测的图像输入到权重为w的检测模型中，根据权重识别蒂蛀虫的生长阶段及数量；计算出蒂蛀虫羽化率。该方法可对待识别图像中所包含的成虫、虫茧及对应的数量进行准确的识别，进而可计算得出蒂蛀虫羽化率。有效减少了人力物力消耗，提高了检测准确率。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.028 seconds)
