-
公开(公告)号：CN111862028B
公开(公告)日：2021-04-09
申请号：CN202010678895.X
申请日：2020-07-14
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于深度相机和深度学习的木材缺陷检测分选装置及方法，包括工控机、检测机构和设置在所述检测机构后侧的分选机构，所述检测机构包括检测传送带和深度图像采集机构。本发明通过深度相机采集木材表面的RGB图像和深度信息，用GAN网络结合小波变换重构RGBD彩色深度信息。在进行小波变换中，人工标记训练数据中的木材裂缝，形成自适应的裂缝小波基函数。在此基础上进行小波重构提高后续算法的效率，结合深度学习算法分析得出缺陷类型。该算法能够对不同缺陷类型的木材进行分选，不仅提高了缺陷判别的效率，还大大提高了分选的效率。
-
公开(公告)号：CN111862028A
公开(公告)日：2020-10-30
申请号：CN202010678895.X
申请日：2020-07-14
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于深度相机和深度学习的木材缺陷检测分选装置及方法，包括工控机、检测机构和设置在所述检测机构后侧的分选机构，所述检测机构包括检测传送带和深度图像采集机构。本发明通过深度相机采集木材表面的RGB图像和深度信息，用GAN网络结合小波变换重构RGBD彩色深度信息。在进行小波变换中，人工标记训练数据中的木材裂缝，形成自适应的裂缝小波基函数。在此基础上进行小波重构提高后续算法的效率，结合深度学习算法分析得出缺陷类型。该算法能够对不同缺陷类型的木材进行分选，不仅提高了缺陷判别的效率，还大大提高了分选的效率。
-
公开(公告)号：CN111738287A
公开(公告)日：2020-10-02
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：CN110390322A
公开(公告)日：2019-10-29
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算法，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。
-
公开(公告)号：CN114708457B
公开(公告)日：2024-10-29
申请号：CN202210336884.2
申请日：2022-03-31
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/08 , G06N7/01
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。
-
Patent Agency Ranking
公开(公告)号：CN116596891B
公开(公告)日：2024-09-10
申请号：CN202310578316.8
申请日：2023-05-22
Applicant: 南京林业大学
IPC: G06T7/00 , G06V10/25 , G06V10/32 , G06V10/56 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/044 , G06N3/082 , G06N3/0895
Abstract: 本发明涉及一种基于半监督多任务检测的木地板颜色分类及缺陷检测方法，属于图像处理领域。该方法包括：对输入图像进行缺陷色彩校正；标记少量图像作为数据集输入Color‑RCNN模型训练，实现颜色分类和缺陷检测；训练半监督预测监视网络判别伪标签是否准确的；用Color‑RCNN模型预测剩余的未标记图像，实现颜色分类，生成伪标签，用半监督预测监视网络对伪标签进行判别，将正确的检测框留下，过滤掉错误的检测框；将识别正确的图像加入数据集，重新输入Color‑RCNN模型训练，预测剩余的未标记图像，直至未标记图像全部获得正确标签，实现半监督学习。本发明在图像识别的过程中，通过半监督学习，使用少量人工标记和大量未标记的木地板图像训练出模型，提高了分选的效率。
-
公开(公告)号：CN116310511B
公开(公告)日：2024-07-30
申请号：CN202310106101.6
申请日：2023-02-13
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/56 , G06V10/774 , G06V10/82 , G06V10/776 , G06N3/0464 , G06N3/08 , G06V10/26
Abstract: 本发明公开了一种基于自学习的实木地板颜色分类方法，属于机器视觉和图像处理领域。将预处理后的实木地板图像进行区块化处理来数据增强，训练出一个可以识别已知类别和未知类别的循环迭代树；将待分类图像输入到循环迭代树中，得到实木地板的颜色类别，如果不属于已知的颜色种类，则使用少量特定已知的颜色区块替换待识别实木地板的部分位置；循环多次后，如果确定为未知类别，则将该实木地板的颜色更新进循环迭代树中，实现自学习。本发明在图像识别的过程中，通过区块化处理进行数据增强，以达到使用少量实木地板样本即可训练出可用模型。在识别中，不断更新循环迭代树进行自学习，使得模型可以不断学习新的数据，不断增强模型的识别能力。
-
公开(公告)号：CN116778217A
公开(公告)日：2023-09-19
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：CN116310511A
公开(公告)日：2023-06-23
申请号：CN202310106101.6
申请日：2023-02-13
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/56 , G06V10/774 , G06V10/82 , G06V10/776 , G06N3/0464 , G06N3/08 , G06V10/26
Abstract: 本发明公开了一种基于自学习的实木地板颜色分类方法，属于机器视觉和图像处理领域。将预处理后的实木地板图像进行区块化处理来数据增强，训练出一个可以识别已知类别和未知类别的循环迭代树；将待分类图像输入到循环迭代树中，得到实木地板的颜色类别，如果不属于已知的颜色种类，则使用少量特定已知的颜色区块替换待识别实木地板的部分位置；循环多次后，如果确定为未知类别，则将该实木地板的颜色更新进循环迭代树中，实现自学习。本发明在图像识别的过程中，通过区块化处理进行数据增强，以达到使用少量实木地板样本即可训练出可用模型。在识别中，不断更新循环迭代树进行自学习，使得模型可以不断学习新的数据，不断增强模型的识别能力。
-
公开(公告)号：CN115273072B
公开(公告)日：2023-05-19
申请号：CN202210663984.6
申请日：2022-06-13
Applicant: 南京林业大学
IPC: G06V20/68 , G06V10/30 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G01N21/84 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/082
Abstract: 本发明公开一种基于改进Yolov5s模型的苹果叶片病害检测方法，首先，获取苹果叶片不同病害的图像，进行标签标注，构建初始数据集；采用图像处理方法扩充数据集，并划分训练集和测试集，得到最终的数据集；引入Yolov5s模型并加以改进，使用改进后的模型对数据集进行训练得到最终的苹果叶片病害检测模型；利用最终的苹果叶片病害检测模型对待检测图像进行检测，得到检测结果。本发明通过改进Yolov5s模型和引入Attentive GAN算法，不仅在网络训练模型时增强网络学习特征的表达能力，提高模型的准确率和精度，而且能够在雨天情况下实现对苹果叶片病害的准确识别。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.031 seconds)
