-
公开(公告)号:CN112836658A
公开(公告)日:2021-05-25
申请号:CN202110171838.7
申请日:2021-02-08
Applicant: 南京林业大学
Abstract: 本发明公开一种基于迁移学习和稀疏损失函数的人脸识别方法,其特征在于:包括人脸数据库,该人脸数据库采用深度图像的组合,作为孪生神经网络模块的输入;孪生神经网络模块,该孪生神经网络模块中设置有卷积神经网络,用于提取人脸数据库输入的人脸的特征向量;将孪生神经网络模块提取到的人脸的特征向量,通过误差损失函数来计算输出的人脸特征向量的误差,并对孪生神经网络模块进行训练,使整个模型的误差越来越小。本发明通过孪生神经网络模块对这些组合进行训练,设计了新的稀疏损失函数,无论在正样本还是负样本的情况下,计算的误差将会在一定范围内,并且设计了边界参数,使得负样本的误差在边界之内,因此可快速准确的对人脸进行识别。
-
公开(公告)号:CN116778217B
公开(公告)日:2024-11-22
申请号:CN202310117786.4
申请日:2023-02-15
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于增量式学习的高光谱的杆状物识别方法,属于高光谱成像与深度学习领域。根据高光谱图像与类别标签,先通过神经网络对各个类别进行计算,得出不同类别物质的置信水平和特征信息,计算出物质的特征中心,向训练好的神经网络模型中输入新的光谱数据,根据特征信息与各类物质的特征中心的距离,确定未知物质的类别是已知还是未知类别,最后通过增量式学习的方式更新物体的特征中心以及创建新的类别,提高网络对于未知杆状物的识别精度和训练效率。本发明将卷积神经网络的卷积层输出作为特征信息,将全连接层的输出作为置信水平,确定了物体的特征中心,为后续的识别和学习提供了标准,提高了基于深度学习的光谱图像识别的精度。
-
公开(公告)号:CN114937190A
公开(公告)日:2022-08-23
申请号:CN202210607648.X
申请日:2022-05-31
Applicant: 南京林业大学
Abstract: 本发明公开了一种用于籽棉开松有效性的判别方法及系统,属于杂质分选与深度学习技术领域,该方法利用线阵相机和3D深度相机获取籽棉异纤除杂生产线中开松后的籽棉图像及三维信息,将线扫描图像数据与线扫描3D深度数据进行对齐和融合,在图像识别的基础上通过3D深度数据额外获取棉花成团表面深度信息,结合开松机振动数据,判断开松的有效性。本发明将线扫描图像数据与线扫描3D深度数据进行对齐和融合,同时采集开松机的振动数据,提高判别准确率,在相同采样率和采样长度的情况下有效降低对计算机硬件的性能要求,有利于降低运行和维护成本。
-
公开(公告)号:CN114882291A
公开(公告)日:2022-08-09
申请号:CN202210607623.X
申请日:2022-05-31
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/77 , G06V10/34 , G06V10/30 , G06V10/24 , G06V10/26 , G06V10/54 , G06V10/82 , G06N5/00 , G06N20/00
Abstract: 本发明公开一种基于高光谱图像像素块机器学习的籽棉地膜识别分类方法,利用高光谱成像设备获取杂质混合后的物料高光谱图像,将高光谱图像切割为与剔除要求对应的像素块,并提取空间纹理特征结合光谱特征作为像素块的特征,构建机器学习模型,构建杂质对接矩阵,提升对于连续像素块的识别精度,最终实现对像素块中物料进行在线分类识别。本发明利用极限梯度提升算法对原始光谱特征重要性进行排序,引入加权光谱特征值概念,构建随机森林分类器对籽棉与地膜进行在线分类识别;有效解决了地膜由于透光性产生异物同谱问题导致识别像素点过少、分类精度不高的问题。
-
公开(公告)号:CN114708457A
公开(公告)日:2022-07-05
申请号:CN202210336884.2
申请日:2022-03-31
Applicant: 南京林业大学
Abstract: 本发明公开了一种用于抗紫边识别的高光谱深度学习识别方法,属于高光谱成像与深度学习技术邻域。根据高光谱图像中待识别点的邻域点的光谱特征,先对邻域的识别结果进行检测,利用贝叶斯公式分析周围区域获得先验分类结果;再使用神经网络对待识别区域进行识别,提高网络对于信息缺乏区域的识别精度。本发明在图像识别的过程中,利用像素周围区域的光谱信息为紫边区域提供识别的数据支持,进而使得紫边区域能在光谱信息缺少的情况下,能够利用邻域信息提高识别精度。将高光谱技术和图像先验知识结合,利用待识别点与周围点的空间关系,进而提高紫边区域的识别精度,对于提高深度学习算法的识别率具有十分重要的意义。
-
公开(公告)号:CN114693975A
公开(公告)日:2022-07-01
申请号:CN202210335541.4
申请日:2022-03-31
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/26 , G06V10/82 , G06K9/62 , G06N3/08
Abstract: 本发明公开一种用于深度学习的光谱区域联合识别方法,属于高光谱成像与深度学习技术领域,利用高光谱图像的频域特征,将光谱数据从空间维度划分为多个区域,实现高精度图像分类;在识别过程中优先识别中心区域并向周围区域进行扩散;在低频占主要成分的分区先进行识别,并将识别结果在联合区域内进行扩散,获得置信度扩散图,对于扩散浓度较低的区域再进行二次识别,实现提高识别速度和识别结果的空间区域一致性。本发明将高光谱技术和频谱分析技术结合,利用被识别物体占据多个连续像素区域的特性,进而提高光谱图像的分类识别速度。
-
公开(公告)号:CN112836658B
公开(公告)日:2022-03-25
申请号:CN202110171838.7
申请日:2021-02-08
Applicant: 南京林业大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06N3/08
Abstract: 本发明公开一种基于迁移学习和稀疏损失函数的人脸识别方法,其特征在于:包括人脸数据库,该人脸数据库采用深度图像的组合,作为孪生神经网络模块的输入;孪生神经网络模块,该孪生神经网络模块中设置有卷积神经网络,用于提取人脸数据库输入的人脸的特征向量;将孪生神经网络模块提取到的人脸的特征向量,通过误差损失函数来计算输出的人脸特征向量的误差,并对孪生神经网络模块进行训练,使整个模型的误差越来越小。本发明通过孪生神经网络模块对这些组合进行训练,设计了新的稀疏损失函数,无论在正样本还是负样本的情况下,计算的误差将会在一定范围内,并且设计了边界参数,使得负样本的误差在边界之内,因此可快速准确的对人脸进行识别。
-
公开(公告)号:CN113848216A
公开(公告)日:2021-12-28
申请号:CN202111112804.7
申请日:2021-09-18
Applicant: 南京林业大学
Abstract: 本发明公开一种基于雾生成对抗神经网络的沥青混凝土检测系统及方法,包括计算机系统和图像采集装置等,图像采集装置采集搅拌完成的沥青混凝土图像,并将图像传输至计算机系统,实现在线检测沥青混凝土质量;本发明将机器视觉与神经网络算法相结合,通过雾生成对抗神经网络模型对沥青图像进行去烟雾、去模糊化操作,然后利用卷积神经网络检测沥青混凝土外观的均匀性,判断沥青混凝土中有无花白料、有无结块成团现象和严重离析现象,实时计算出沥青混凝土的质量是否合格。本发明自动化程度高、精确度高、实时性好、效率高,可与拌合站系统组网形成完整的监控体系,能够及时发现沥青混凝土搅拌时存在的质量问题,有效减少了经济损失,节约了时间。
-
公开(公告)号:CN111738287B
公开(公告)日:2021-03-26
申请号:CN202010259251.7
申请日:2020-04-03
Applicant: 南京林业大学
Abstract: 本发明公开了一种多模态信息融合的马尾松种子活性检测方法,首先对马尾松种子中的淀粉变化进行检测、并对马尾松种子环境中的二氧化碳浓度的变化进行检测,并融合马尾松种子质量、体积及湿度信息先建立种子活性的样本模板,再进行模板比对与更新,最终实现马尾松种子活性的分级检测。本发明将多种模态的信息融合进入马尾松种子的识别,并在一次测量的同时记录种子的各项活性指标;避免了传统方法中分别的多次不同试验,达成了马尾松种子活性检测的一次性快速化,大大节约了实验所需花费时间。
-
公开(公告)号:CN110390322B
公开(公告)日:2020-05-05
申请号:CN201910800155.6
申请日:2019-08-28
Applicant: 南京林业大学
Abstract: 本发明公开了一种用于深度学习的籽棉地膜高光谱可视化标签方法,属于高光谱成像与深度学习技术领域。利用相邻替代性算法分析光谱的特征谱段,再结合二分法,将图像数据进行降维,生成籽棉地膜的高光谱伪彩色图,并使用框选标记的形式对伪彩色图进行标记,通过二维图像标记对应产生高维光谱的图像标签。本发明将高光谱技术应用于籽棉地膜识别领域,对于彩色相机和黑白相机无法识别的残留的透明地膜,本发明通过高光谱成像仪采集籽棉地膜在1000~2500nm的高光谱图像,进而识别并分类与籽棉具有不同光谱特性的残膜。
-
-
-
-
-
-
-
-
-