-
公开(公告)号：CN112260101A
公开(公告)日：2021-01-22
申请号：CN202011087768.9
申请日：2020-10-13
Applicant: 南京林业大学
Inventor： 范习健
Abstract: 本发明公开了一种电力稳压维护装置，包括外箱，所述外箱内部设置有内箱，外箱内部上下两端固定连接有套筒，套筒转动连接有转杆，所述套筒内部放置有弹簧，弹簧末端与转杆位于套筒内部一端相接触，所述转杆位于套筒外部一端固定连接在内箱上，所述外箱内部设置有限位板，限位板位于内箱左右两侧，所述外箱上下两端设置有滑槽，滑槽内滑动安装有滑块，滑块与限位板固定连接，所述限位板前端侧壁上设置有把手；通过设置弹簧，可对内箱起到减震的作用，进而提高对电力装置的防护性，当需要对电力装置进行维护时，可转动内箱，使内箱开口朝向外箱开口处，即可将电力装置从内箱中拿出，对其进行维修，提高该装置的便利性。
-
公开(公告)号：CN118941821B
公开(公告)日：2025-01-28
申请号：CN202410986756.1
申请日：2024-07-23
Applicant: 南京林业大学
IPC: G06V10/74 , G06V10/80 , G06V20/10 , G06V20/17 , G06V10/77 , G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于少样本学习的穗类作物统一计数方法，本发明涉及六个不同的作物数据集，这些作物数据集通过地面相机和无人机捕获，视觉编码器用于增强特征嵌入，基础模型用于减轻复杂背景的影响，多尺度特征交互模块用于集成相似度度量，促进不同尺度的作物特征自动学习，增强对各种尺寸和形状的作物穗的描述能力，该模型采用两阶段训练程序，初始阶段侧重于潜在特征挖掘，以捕捉谷物的通用特征，并且随后的阶段无需额外训练即可进行推理，进而从选定的样本中提取目标作物的领域特征，以实现计数操作。本发明通过少样本学习计数多种谷物穗，可以有效降低标注成本，并提高谷物产量估算的准确性，确保粮食安全。
-
公开(公告)号：CN115937703B
公开(公告)日：2024-05-03
申请号：CN202211523308.5
申请日：2022-11-30
Applicant: 南京林业大学
Abstract: 本发明公开了一种用于遥感图像目标检测的增强特征提取方法，涉及图像识别领域，包括以下步骤：S1、获取图片，标注数据，配置YOLOV4网络运行环境；S2、改进网络，添加新模型，划分识别区域，配置权重并选择合适的样本进入网络训练；S3、改进网络中特征识别部分，替换特征检测模块，引入新的注意力模块；S4、改进损失函数；S5、消融实验检验改进点，控制变量法检验改进网络的有效性。本发明通过改进识别网络和检测模块，引入新注意力模块和改进损失函数，解决了小目标检测精度低问题，提高了对遥感图像中小目标的检测效果，使得检测更加准确。
-
公开(公告)号：CN115937703A
公开(公告)日：2023-04-07
申请号：CN202211523308.5
申请日：2022-11-30
Applicant: 南京林业大学
Abstract: 本发明公开了一种用于遥感图像目标检测的增强特征提取方法，涉及图像识别领域，包括以下步骤：S1、获取图片，标注数据，配置YOLOV4网络运行环境；S2、改进网络，添加新模型，划分识别区域，配置权重并选择合适的样本进入网络训练；S3、改进网络中特征识别部分，替换特征检测模块，引入新的注意力模块；S4、改进损失函数；S5、消融实验检验改进点，控制变量法检验改进网络的有效性。本发明通过改进识别网络和检测模块，引入新注意力模块和改进损失函数，解决了小目标检测精度低问题，提高了对遥感图像中小目标的检测效果，使得检测更加准确。
-
公开(公告)号：CN113542530A
公开(公告)日：2021-10-22
申请号：CN202110799055.3
申请日：2021-07-15
Applicant: 南京林业大学 , 南京华魄信息科技有限公司
Abstract: 本发明公开了基于无人巡检的电缆线物理破损点视觉识别系统及其方法，其技术方案是：包括采集模块，所述采集模块与控制终端无线通讯连接，所述采集模块被搭载在可移动设备上运动巡检，所述采集模块输入端分别设置有用于采集图像的广角摄像头和远景摄像头，所述广角摄像头固定在驱动模块上，所述远景摄像头随驱动模块调整运行，本发明基于无人巡检的电缆线物理破损点视觉识别系统及其方法，通过可移动设备搭载采集模块沿预设路径运行，能够沿途采集广角图像和电缆线的局部图像，在可移动设备受风力、路况、振动等不可抗拒力作用时，驱动模块以广角图像为参照带动远景摄像头实时调整电缆线的局部图像采集位置，使得采集点始终落在电缆线上。
-
Patent Agency Ranking
公开(公告)号：CN113344070A
公开(公告)日：2021-09-03
申请号：CN202110609315.6
申请日：2021-06-01
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于多头自注意力模块的遥感图像分类系统及方法，分类模型的框架网络主干采用的是RestNet50卷积神经网络，分类模型将RestNet50卷积神经网络最后三个瓶颈层模块替换为多头自注意力模块；模型包括：缩放点积注意力模块，用于将输入分类模型的检测图像参数进行运缩放点积注意力处理；多头自注意力模块，用于感知检测图像中可识别度最高的区域；第一归一化及残差连接模块、第二归一化及残差连接模块，用于保持检测图像参数在输入分类模型后与输入分类模型前维度上的一致，降低在分类模型网络中发生梯度消失的可能；全连接模块，用于对检测图像进行特征提取。
-
公开(公告)号：CN113128593A
公开(公告)日：2021-07-16
申请号：CN202110425490.X
申请日：2021-04-20
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于双线性卷积神经网络的植物细粒度识别方法，该识别方法包括以下步骤：S1、利用Relu激活函数进行粗粒度的特征提取，得到粗粒度特征X1；S2、获取双线性模型的整体表示；S3、在步骤S2中，将双线性模型中A、B两个特征提取函数提取的特征进行双线性融合,得到矩阵b；S4、对矩阵b，进行求和池化得到矩阵ξ，并对ξ进行多维矢量展开，得到特征向量x；S5、对特征向量x进行矩归一化和L2归一化得到双线性特征，本发明结构科学合理，使用安全方便，本发明使用双线性模型来有效提取高通量植物表现种间甚至个体间的细微差异，充分发挥了双线性池化对细粒度图像的特征提取优势，达到了较高的植物细粒度识别精度。
-
公开(公告)号：CN118941791B
公开(公告)日：2025-02-07
申请号：CN202410987058.3
申请日：2024-07-23
Applicant: 南京林业大学
IPC: G06V10/26 , G06V20/13 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于视觉结构信息指导的遥感图像语义分割方法，包括如下操作：选取遥感数据集和树木测绘数据集作为实验数据集；基于所述实验数据集，选取视觉基础模型，通过所述视觉基础模型从所述实验数据集的遥感图像中提取视觉结构图像；基于所述视觉结构图像，构建特征共嵌入模块提取所述视觉结构图像中的视觉特征图像；基于所述视觉特征图像，构建结构启发式特征融合模块对所述视觉特征图像进行特征融合和结构预测，得到处理后的实验数据集；构建目标损失函数对所述处理后的实验数据集进行预测。本发明方法通过视觉模型提取结构图像，构建模块提取并融合特征，并对处理后的数据集进行预测，从而可以提高遥感图像分割的准确率和鲁棒性。
-
公开(公告)号：CN113344070B
公开(公告)日：2024-12-13
申请号：CN202110609315.6
申请日：2021-06-01
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于多头自注意力模块的遥感图像分类系统及方法，分类模型的框架网络主干采用的是RestNet50卷积神经网络，分类模型将RestNet50卷积神经网络最后三个瓶颈层模块替换为多头自注意力模块；模型包括：缩放点积注意力模块，用于将输入分类模型的检测图像参数进行运缩放点积注意力处理；多头自注意力模块，用于感知检测图像中可识别度最高的区域；第一归一化及残差连接模块、第二归一化及残差连接模块，用于保持检测图像参数在输入分类模型后与输入分类模型前维度上的一致，降低在分类模型网络中发生梯度消失的可能；全连接模块，用于对检测图像进行特征提取。
-
公开(公告)号：CN117893476B
公开(公告)日：2024-09-06
申请号：CN202311727794.7
申请日：2023-12-15
Applicant: 南京林业大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/088 , G06N3/096
Abstract: 本发明公开了一种基于非对抗性无监督域适应的植物病害检测方法及系统，包括：分别采集实验室环境和田间自然条件下的植物病害图像并标记；使用残差神经网络，对采集的所述植物病害图像进行特征提取并转换为特征图像；构建混合神经网络结构，对所述特征图像学习多表征信息向量并拼接后计算得出分类损失函数；将子域适应方法嵌入到所述混合神经网络结构中度量域间差距；根据所述分类损失函数并引入辅助不确定性正则化得出迁移数据；训练得出最优总损失函数。本发明通过反向传播来有效训练网络，收敛速度较快；构建的混合神经网络结构提高了采集的植物病害图像的准确度，引入的辅助不确定性正则化提高源域向目标域迁移的可靠性，具有良好的泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.018 seconds)
