-
公开(公告)号：CN111553580A
公开(公告)日：2020-08-18
申请号：CN202010323828.6
申请日：2020-04-22
Applicant: 浙江农林大学
Abstract: 本发明公开了一种基于K均值和支持向量机的护林员巡护情况的综合分析方法，包括：(1)采集护林员巡护情况数据并进行标准化处理，获得处理后的数据集；(2)对数据集进行K均值聚类，根据最优聚类簇数K划分评价等级，依据聚类结果和评价等级对护林员巡护情况数据进行等级评价，并将评价等级作为护林员巡护情况数据的数据标签，构建训练数据集；(3)利用训练数据集优化用于预测护林员巡护情况数据的评价等级的支持向量机的模型参数，获得最优支持向量机模型；(4)利用最优支持向量机模型预测获得待评价护林员巡护情况数据的评价等级结果。该综合分析方法获得的分析结果客观、准确，为护林员管理者提供有效决策依据。
-
公开(公告)号：CN107607053B
公开(公告)日：2019-09-20
申请号：CN201710849961.3
申请日：2017-09-20
Applicant: 浙江农林大学
Abstract: 本发明公开一种基于机器视觉和三维重建技术的立木胸径测量方法，由以下具体算法及模型实现的：(1)智能移动端设备相机标定模型及算法，镜头畸变矫正模型及算法；(2)二维图像坐标系‑三维世界坐标系重建模型；该模型解决了不同距离下单位像素对应现实世界物理尺寸不同的问题，从而能从不同距离下进行立木胸径测量。(3)自然环境下立木树干轮廓检测及提取算法；(4)立木树干轮廓最小外接矩型检测算法；(5)立木树干高度及胸径测量算法；该模型解决单幅图像中单株立木的胸径测量。本发明解决在环境复杂、劳动强度大、过度依赖人工测量的森林资源调查工作中存在的问题，并降低劳动强度和人力成本，提高劳动效率。
-
公开(公告)号：CN109035320A
公开(公告)日：2018-12-18
申请号：CN201810913286.0
申请日：2018-08-12
Applicant: 浙江农林大学
Abstract: 本发明公开了一种基于单目视觉的深度提取方法，步骤一：对手机相机进行标定，获取相机内部参数和图像分辨率；步骤二：建立深度提取模型，步骤三：通过对待测目标物的图像采集，获取目标点像素值u、v；步骤四：利用上述步骤获取的相机内部参数和目标点像素值并结合相机深度提取模型，计算出图像上待测目标物深度值。本发明的基于单目视觉的深度提取方法，能够适用于视场角、焦距、图像分辨率等参数不同的相机，提高测距精度，为机器视觉中目标物测量及真实场景三维重建提供支持。
-
公开(公告)号：CN107977978A
公开(公告)日：2018-05-01
申请号：CN201711059423.0
申请日：2017-11-01
Applicant: 浙江农林大学
IPC: G06T7/207
CPC classification number: G06T7/207 , G06T2207/30004
Abstract: 本发明公开了一种基于椭圆轴关系确定细胞粘连方式的方法及系统，用以解决现有技术不能准确地确定细胞粘连方式的问题。该方法包括：S1、定义相差显微镜细胞图像中具有不同重要性的灰度层级结构信息；S2、通过手动标记方式确定各细胞的主要信息；S3、基于细胞主要信息添加细胞中间信息；S4、基于已检测到的细胞信息，将细胞次要信息作为指示信息以检测细胞间的粘连情况，并估计细胞椭圆区域，通过椭圆长短轴关系分析粘连细胞之间的粘连方式；S5、依据粘连方式检测结果，更新所述指示矩阵。本发明基于目标椭圆区域估计与椭圆长短轴关系确定粘连细胞粘连方式，能更细致地有效地分析粘连细胞之间的粘连方式，从而能更准确地反映细胞之间的粘连关系。
-
公开(公告)号：CN107958459A
公开(公告)日：2018-04-24
申请号：CN201711057585.0
申请日：2017-11-01
Applicant: 浙江农林大学
CPC classification number: G06T7/11 , G06T7/136 , G06T7/187 , G06T2207/10061
Abstract: 本发明公开了一种构建相差显微镜细胞图像层级结构信息的方法及系统，用以解决现有技术不能准确有效地划分细胞图像中具有不同特性区域的问题。该方法包括：S1、运用多类别最大类间方差算法获得相差显微镜细胞图像灰度层级结构信息；S2、通过分析灰度层级结构信息中独立区域块个数的分布情况确定下限参数值与上限参数值；S3、基于上限参数值与下限参数值定义相差显微镜细胞图像中的主要信息、中间信息以及次要信息。本发明基于多类别最大类间方差算法与其针对具体细胞图像的最佳参数获得相差显微镜细胞图像灰度层级结构信息，并通过上限参数值与下限参数值定义图像主要信息、中间信息以及次要信息，能有效地对细胞图像进行有序地划分。
-
Patent Agency Ranking
公开(公告)号：CN107705298A
公开(公告)日：2018-02-16
申请号：CN201710843637.0
申请日：2017-09-19
Applicant: 浙江农林大学
Abstract: 本发明公开了一种检测心肌细胞核独立情况和粘连情况的方法及系统，用以解决现有技术不能很好地检测与分析心肌细胞免疫组化图像中细胞核独立情况与粘连情况的问题。该方法包括：S1、基于图像灰度层级结构信息，分析每个局部连通区域内的灰度层级结构信息的包含关系；S2、采用距离变换操作，分析灰度层级结构信息中各二值独立连通区域的距离层级结构信息关系。本发明通过构建图像的灰度层级结构信息，并基于各局部独立连通区域的灰度层级结构信息关系以及内部各二值独立连通区域的距离层级结构信息关系检测和分析细胞核独立情况和粘连情况，从而理解心肌细胞免疫组化图像内部的场景信息，有利于心肌细胞免疫组化图像的后处理。
-
公开(公告)号：CN105513078A
公开(公告)日：2016-04-20
申请号：CN201510933995.1
申请日：2015-12-15
Applicant: 浙江农林大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/10004 , G06T2207/30204
Abstract: 本发明是有关于一种基于图像的立木信息采集方法和装置，其中的方法包括：获取摄像头的标定参数，所述标定参数为：世界坐标系与图像坐标系之间的坐标变换参数；获取基于标定参数而拍摄的包含有被测立木的图像；计量所述图像中的被测立木的被测参数所对应的像素数量；根据被测参数所对应的像素数量、基于所述标定参数而拍摄的图像中的参照物所对应的像素数量以及基于所述标定参数反算出的所述参照物在世界坐标系中的坐标计算被测立木的被测参数。本发明提供的上述技术方案有效的提高了立木信息采集的便捷性和信息采集效率，并在较大程度上降低了立木信息采集的实现成本。
-
公开(公告)号：CN119339408A
公开(公告)日：2025-01-21
申请号：CN202411344884.2
申请日：2024-09-25
Applicant: 浙江农林大学
Abstract: 本发明公开了一种基于骨架特征的生猪行为识别方法，包括以下步骤，采集并构建数据集；构建行为识别的图卷积网络模型，在所述图卷积网络模型中引入残差结构；利用Yolov8‑Pose模型对输入的视频提取生猪骨架特征，并将所述生猪骨架特征输入所述图卷积网络模型；对所述生猪骨架特征的信息进行距离加权，输出生猪站、坐、躺三种行为准确分类的识别结果。本发明的有益效果：一是针对实际场景中关键点可能误检、漏检的情况提出图数据的增强方法；使用Yolov8‑pose估计生猪姿态，其AP50达到了83％；三是构建的行为识别图卷积网络模型对站、躺、坐三种行为的平均识别准确率达到了87.3％，其中坐姿识别准确率高达94.1％。
-
公开(公告)号：CN119229651A
公开(公告)日：2024-12-31
申请号：CN202411372413.2
申请日：2024-09-29
Applicant: 浙江农林大学
IPC: G08G1/01 , G06Q10/04 , G06Q50/26 , G06F16/29 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明涉及大数据和深度学习技术领域，尤其涉及一种基于地理信息的大数据城市交通流量预测方法、设备和计算机可读存储介质。本发明的方法通过多源数据融合、空间特征提取、时间序列分析和外部因素动态融合等技术手段，实现了对城市交通流量的高精度预测。该方法在数据质量、多源数据融合、空间特征提取、时间序列分析和实时性等方面表现出显著的技术效果，为城市交通管理、规划和决策提供了强有力的技术支持，具有广泛的应用前景和重要的社会经济价值。
-
公开(公告)号：CN114419674B
公开(公告)日：2024-12-27
申请号：CN202210081495.X
申请日：2022-01-24
Applicant: 浙江农林大学
IPC: G06V40/10 , G06V10/26 , G06V10/28 , G06V10/30 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种基于无监督聚类和深度学习的群猪躺模式识别方法，包括以下步骤，采集初始数据集并对图像进行统一裁剪；利用Grabcut图像分割的方法提取出目标图像；通过动态阈值分割，使所述目标图像二值化，利用无监督聚类算法Mean‑shift找到聚类中心，通过各个椭圆拟合中心到聚类中心的距离并输出其方差和标准差；对所述标准差进行处理，使其数据的值映射到[0,1]之间，利用训练完成的所述CNN‑SVM模型对群猪躺模式进行识别。本发明的有益效果：基于CNN‑SVM分类模型对群猪5种躺卧模式进行高精度分类识别，识别准确率为97.09％，平衡准确率为96.59％，平衡准确率加权为97.07％。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.022 seconds)
