-
公开(公告)号：CN115187868A
公开(公告)日：2022-10-14
申请号：CN202210934304.X
申请日：2022-08-04
Applicant: 河南大学
IPC: G06V20/10 , G06V10/12 , G06V10/40 , G06V10/762 , G06V10/774 , G06V10/82
Abstract: 本发明涉及智慧农业技术领域，具体涉及一种实时多功能病虫害智能识别预警系统，该系统包括农作物病害识别模块、农作物病害预警模块、农作物虫害图像检测模块、农作物虫害图像批量检测模块、农作物虫害视频检测模块。本发明利用训练完成的病害识别网络实现对农作物病害的识别与预警，利用训练完成的虫害检测网络实现对农作物虫害的识别与实时检测，基于PyQt5开发出GUI，用户只需在界面上进行简单的鼠标点击就可以开启关闭识别检测以及实时得到识别检测结果，其中，病害识别网络和虫害检测网络分别可以是通过对RepVGG卷积神经网络和改进的YOLOV5网络进行训练得到的。本发明提高了农作物病虫害识别检测的准确度和速度。
-
公开(公告)号：CN113517033B
公开(公告)日：2022-08-12
申请号：CN202110535993.2
申请日：2021-05-17
Applicant: 河南大学
Abstract: 本发明公开了小样本环境下基于XGBoost的化学反应产率智能预测与分析方法，包括对三维描述符的数据获取、智能预测和结果分析。三维描述符的数据获取，是通过将绘制出的相关化学结构的二维结构图转化为三维结构图，然后再利用相关软件计算其三维结构的描述符；三维描述符的智能预测，是通过梯度提升树模型XGBoost对获取的三维描述符进行训练和预测；该算法中嵌入了网格搜索法，对多个参数的可能取值进行排列组合，通过模型预测结果选取最佳参数；三维描述符的结果分析，是对智能预测模块的输出进行分析；通过计算也能得到描述符的重要性排序，以此为用户提供更可靠的决策信息。本发明能够辅助化学家做出合理分析预测，大大加速化学研发过程。
-
公开(公告)号：CN111657936B
公开(公告)日：2022-04-12
申请号：CN202010550452.2
申请日：2020-06-16
Applicant: 河南大学
Abstract: 本发明公开了一种基于小波变换和全变差正则化的信号去噪方法。包括：对含有噪声的脑电信号y(n)进行小波阈值去噪；计算信号y(n)与小波阈值去噪后信号的余量；对余量d(n)利用全变差正则化进行去噪；将去噪后的信号重构，得到干净信号的估计值；根据去噪评价指标评估脑电信号去噪性能。利用本发明，可以在信号去噪场景中，一方面放松小波阈值去噪中的阈值选择对去噪效果的影响；另一方面保护信号边缘信息，使得去噪后的信号不出现局部震荡，以得到更好的去噪效果。
-
公开(公告)号：CN112949517A
公开(公告)日：2021-06-11
申请号：CN202110257061.6
申请日：2021-03-09
Applicant: 河南大学
Abstract: 本发明公开了基于深度迁移学习的植物气孔密度和开度识别方法，包括步骤：1）将部分气孔图像进行气孔及气孔内壁双目标标注，作为训练集、验证集，其余作为测试集；2）基于训练集和验证集进行模型训练和优化，当损失函数收敛到最小值时，保存当前模型；3）载入训练后的模型，对测试集图像进行智能识别定位、标注，自动计算得到气孔密度；4）对智能定位后的气孔内壁进行拟合计算，生成对应的气孔开度表型数据文件；5）系统将检测定位及拟合效果可视化呈现给用户，用户可根据需要做参数调整，直至满意。本发明能自动且高效精准地对气孔密度及开度进行智能检测识别和分析，并自动生成相应的表型数据，方便后续研究。
-
公开(公告)号：CN119478494A
公开(公告)日：2025-02-18
申请号：CN202411420466.7
申请日：2024-10-12
Applicant: 河南大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06N3/0464 , G06N3/048 , G06V10/82 , G06V10/46
Abstract: 本发明公开了一种基于CSC和提示学习的零样本图像描述生成方法，该方法基于卷积稀疏编码思想，构造两层图像稀疏特征提取模型，通过提取稀疏特征减少干扰特征然后导入图像编码器进一步提取特征，再将得到的图像的特征经过文本解码器得到图像的类别硬提示，最后将图像的类别硬提示和图像特征输入大语言模型进行图像描述生成。该方法通过图像稀疏特征提取和加入类别硬提示使大语言模型在生成图像描述时可以充分利用到原图像中的关键信息，减少图像中背景特征的干扰，减轻大模型幻觉问题，可以在开放世界环境中得到更好的图像描述生成效果。
-
Patent Agency Ranking
公开(公告)号：CN116935182B
公开(公告)日：2024-12-17
申请号：CN202310598706.1
申请日：2023-05-20
Applicant: 河南大学
IPC: G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及智慧医疗技术领域，具体涉及一种基于RepCSC‑Net的乳腺肿瘤良恶性识别方法，包括：获取乳腺钼靶影像数据集，对乳腺钼靶影像数据集进行图像增强处理，并分为训练集、验证集和测试集；构建具有结构重参数化策略的RepCSC模块，获得RepCSC‑Net模型；获得训练后的RepCSC‑Net模型，进而获得验证后的RepCSC‑Net模型；将测试集输入到验证后的RepCSC‑Net模型，输出乳腺肿瘤的识别结果。本发明通过构建RepCSC‑Net模型，有效提高了乳腺肿瘤良恶性识别精度，可以应用于肿瘤良恶性识别领域。
-
公开(公告)号：CN119131792A
公开(公告)日：2024-12-13
申请号：CN202411220663.4
申请日：2024-09-02
Applicant: 河南大学
IPC: G06V20/69 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774
Abstract: 本发明公开了一种渐进融合空间和通道特征的信息智能补偿和压缩方法，并将该方法用于获取叶片气孔表型数据。该方法包括特征提取：采用卷积神经网络提取气孔图像中气孔纹理及语义特征；特征补偿和压缩：通过构建渐进的空间和通道特征补偿和压缩的颈部网络将骨干网络提取出的多尺度特征进行融合，补偿与气孔相关特征的损失并进一步压缩冗余特征。智能检测：将细化后的三个特征图引入到分支解耦的检测头中进行预测，获得气孔表型数据。该方法极大地方便了研究者获取更加准确的作物气孔表型性状数据，对智慧农业的发展起到积极的推动作用。
-
公开(公告)号：CN119048740A
公开(公告)日：2024-11-29
申请号：CN202411168933.1
申请日：2024-08-23
Applicant: 河南大学
IPC: G06V10/25 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/80 , G06V10/82 , G06F17/11 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及智慧矿业技术领域，具体涉及一种基于选择性状态空间方程的煤矸石智能识别方法，包括：获取煤矸石数据集中的训练集和验证集，构建煤矸石识别模型；利用训练集对煤矸石识别模型进行训练，并在每轮训练结束后，利用验证集计算模型损失函数值，直至完成设置的轮数，获得训练后的煤矸石识别模型；获取待检测的预处理后的煤矸石图像，将待检测的预处理后的煤矸石图像输入到训练后的煤矸石识别模型，得到煤矸石智能识别结果。本发明通过引入选择性状态空间方程，对煤矸石的图像特征进行建模和分析，以提取更加有效和鲁棒的特征表示，其提高了煤矸石智能识别结果的准确性。
-
公开(公告)号：CN118691972A
公开(公告)日：2024-09-24
申请号：CN202410779456.6
申请日：2024-06-17
Applicant: 河南大学
IPC: G06V20/10 , G06V10/25 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/54 , G06V10/82 , G06N3/08 , G06N3/0464 , G06V20/70 , G06V10/764
Abstract: 本发明涉及智慧农业技术领域，具体涉及一种基于HDIoU的农作物无损叶片气孔表型智能分析方法，包括：获取农作物叶表皮的气孔图像构建训练集和验证集，对训练集和验证集中的图像进行双目标的旋转框的标注；对训练集进行预设轮次的训练包括：利用YOLOv8的骨干网络提取图像的气孔纹理和语义特征，利用YOLOv8的颈部网络进行不同尺度的融合；将融合后的特征图输入分支解耦的检测头中进行预测，获得预测的气孔表型数据；根据每一轮训练时网络模型利用验证集基于HDIoU计算损失函数值确定最优的网络模型，利用最优的网络模型对农作物叶表皮细胞图像进行气孔检测。本发明能够获取更加准确的农作物无损叶片气孔表型性状数据。
-
公开(公告)号：CN116912212A
公开(公告)日：2023-10-20
申请号：CN202310886912.2
申请日：2023-07-19
Applicant: 河南大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于YOLO‑CSC模型的肺结节CT图像分析方法，通过在目标检测网络YOLOv5中引入卷积稀疏编码，使得网络在提升目标检测和识别能力的同时，避免学习到其他冗余特征；进而在YOLOv5的路径聚合网络中增加一个高分辨率的特征层，并去除最低分辨率的特征层，使得对极小的肺结节有更好地检测效果，并提高网络查准率和查全率。本发明构建了一个特征表示学习能力强，且具有良好可解释性的深度目标检测网络，旨在快速精确识别小尺寸、假阳性的肺结节。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.125 seconds)
