-
公开(公告)号：CN105224942B
公开(公告)日：2020-02-04
申请号：CN201510402298.3
申请日：2015-07-09
Applicant: 华南农业大学
Abstract: 本发明涉及一种RGB‑D图像分类方法及系统。所述方法包括：S1.利用卷积神经网络（CNN）分别对源RGB图像和Depth图像进行处理提取低层次特征；S2.通过递归神经网络（RNN）对图像低层次特征进行反馈学习，提取图像中层特征；S3.采用块内约束字典学习方法，对图像中层特征进行特征组稀疏表示，获取RGB‑D图像的高层特征表示；S4.将RGB‑D图像的高层特征输入线性SVM完成RGB‑D图像的分类识别。本发明能实现图像自动提取特征，学习的RGB‑D图像特征表示能有效区分噪声数据与高相似度图像分类，提高RGB‑D图像分类精确率，采用线性SVM，提高图像分类速度。
-
公开(公告)号：CN103164710B
公开(公告)日：2016-01-13
申请号：CN201310053703.6
申请日：2013-02-19
Applicant: 华南农业大学
Abstract: 本发明公开一种基于压缩感知的选择集成人脸识别方法，包括以下步骤：1）本方法首先根据不同的特征提取方法和不同稀疏系数求解方法建立多个压缩感知人脸分类器；2）通过选择算法选择多个由步骤1）中所产生的分类器组成集成分类器；3）利用人脸识别器快速判别待识别图像是否为有效人脸图像；4）将步骤3）中已识别为有效的人脸图像根据集成分类器进行集成人脸识别。本发明提出的选择集成人脸识别方法能够集成人脸识别，提高系统稳定性和泛化能力。本发明在ORL和YALE人脸库上的试验，验证了本发明所提出的方法的可行性和有效性。
-
公开(公告)号：CN118411527A
公开(公告)日：2024-07-30
申请号：CN202410590504.7
申请日：2024-05-13
Applicant: 华南农业大学
IPC: G06V10/26 , G06V10/774 , G06V10/40 , G06V10/22 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/77 , G06V10/80
Abstract: 本发明涉及图像处理技术领域，公开了一种尿液有形成分实例分割方法，方法构建尿液有形成分图像数据集；将尿液有形成分图像输入训练好的改进的YOLOv8‑seg模型进行实例分割，得到尿液有形成分实例分割结果；其中，改进的YOLOv8‑seg模型包括骨干网络、颈部网络和头部网络；将尿液有形成分图像输入骨干网络进行特征提取，得到第一尿液有形成分图像特征；颈部网络对尿液有形成分图像特征的定位信息与语义信息进行增强处理，得到第二尿液有形成分图像特征；将第二尿液有形成分图像特征输入头部网络进行定位和分类处理，并对定位和分类处理结果进行分割掩码处理，得到尿液有形成分实例分割结果。本发明提高了尿液有形成分实例分割的分割准确性和速度。
-
公开(公告)号：CN118230358A
公开(公告)日：2024-06-21
申请号：CN202410301067.2
申请日：2024-03-15
Applicant: 华南农业大学
Abstract: 本发明涉及图像处理技术领域，公开了一种猪只多目标跟踪方法，所述方法包括构建猪只的视频数据集输入YOLO‑X检测模型进行目标检测，将目标检测结果输入构建好的多目标跟踪模型进行目标跟踪，得到目标跟踪结果；其中，目标跟踪结果包括猪只的检测位置；将目标跟踪结果输入多目标跟踪模型先进行位置预测，得到猪只的跟踪轨迹预测位置，然后对猪只的检测位置和跟踪轨迹预测位置进行基于IoU的初次跟踪匹配，并根据初次跟踪匹配结果进行跟踪轨迹管理和基于Adaptive‑BIoU的二次跟踪匹配，得到最终的跟踪匹配结果。本发明能够实现对猪只运动的精准监测，确保跟踪的连续性和稳定性，提高了猪只目标检查和跟踪性能的整体准确性。
-
公开(公告)号：CN115830490A
公开(公告)日：2023-03-21
申请号：CN202211386127.2
申请日：2022-11-07
Applicant: 华南农业大学
IPC: G06V20/40 , G06V10/764 , G06V40/20 , G06V40/10 , G06V10/80 , G06V10/82 , G06V10/24 , G06T7/246 , G06T7/277 , G06T7/73 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种群养生猪多目标跟踪及行为统计方法，包括如下步骤：S1：建立群养生猪的视频数据集，构建YOLOX‑X模型，所述YOLOX‑X模型依次包括特征提取主干网络，中间多尺度特征融合网络，目标检测定位和行为识别网络三个部分；S2：构建YOLOX‑X+ByteTrack模型，所述YOLOX‑X+ByteTrack模型包括YOLOX‑X模型、卡尔曼滤波、IoU匹配算法、匈牙利匹配算法和轨迹的创建、删除和合并；S3：在YOLOX‑X+ByteTrack模型中设计猪只锚框和轨迹插值后处理策略，获得改进的YOLOX‑X+ByteTrack模型；S4：采用改进的YOLOX‑X+ByteTrack模型对群养生猪进行目标追踪和行为统计。本发明能够有效改进ID频繁错误变换，提升跟踪器的准确度，保持优秀的检测跟踪速度，生成每头猪只的行为与健康情况分析表，实现群养猪场的猪只多类行为的实时监控与快速准确跟踪。
-
Patent Agency Ranking
公开(公告)号：CN111507967A
公开(公告)日：2020-08-07
申请号：CN202010306354.4
申请日：2020-04-17
Applicant: 华南农业大学
Abstract: 本发明公开了一种自然果园场景下的芒果高精度检测方法，包括：建立自然场景下的芒果数据库；构建基于Mask Scoring R-CNN的初步网络结构；在ROI Align层后增加一个并行训练的BoxIOU分支，为RPN输出的候选框预测IOU得分；测试阶段BoxIOU分支预测的IOU得分与相应的分类置信度进行耦合，再将耦合后的分值替代原本的分类置信度作为后处理阶段的非极大抑制的排列依据；利用训练后的BoxIOU MangoNet进行芒果果实的检测和分割。该方法为果实目标筛选出定位更准确的检测框，简单有效，能够解决自然果园场景下受复杂环境干扰的检测分割难题。
-
公开(公告)号：CN105224942A
公开(公告)日：2016-01-06
申请号：CN201510402298.3
申请日：2015-07-09
Applicant: 华南农业大学
Abstract: 本发明涉及一种RGB-D图像分类方法及系统。所述方法包括：S1.利用卷积神经网络（CNN）分别对源RGB图像和Depth图像进行处理提取低层次特征；S2.通过递归神经网络（RNN）对图像低层次特征进行反馈学习，提取图像中层特征；S3.采用块内约束字典学习方法，对图像中层特征进行特征组稀疏表示，获取RGB-D图像的高层特征表示；S4.将RGB-D图像的高层特征输入线性SVM完成RGB-D图像的分类识别。本发明能实现图像自动提取特征，学习的RGB-D图像特征表示能有效区分噪声数据与高相似度图像分类，提高RGB-D图像分类精确率，采用线性SVM，提高图像分类速度。
-
公开(公告)号：CN103164710A
公开(公告)日：2013-06-19
申请号：CN201310053703.6
申请日：2013-02-19
Applicant: 华南农业大学
Abstract: 本发明公开一种基于压缩感知的选择集成人脸识别方法，包括以下步骤：1）本方法首先根据不同的特征提取方法和不同稀疏系数求解方法建立多个压缩感知人脸分类器；2）通过选择算法选择多个由步骤1）中所产生的分类器组成集成分类器；3）利用人脸识别器快速判别待识别图像是否为有效人脸图像；4）将步骤3）中已识别为有效的人脸图像根据集成分类器进行集成人脸识别。本发明提出的选择集成人脸识别方法能够集成人脸识别，提高系统稳定性和泛化能力。本发明在ORL和YALE人脸库上的试验，验证了本发明所提出的方法的可行性和有效性。
-
公开(公告)号：CN115223191B
公开(公告)日：2025-04-29
申请号：CN202210542599.6
申请日：2022-05-18
Applicant: 华南农业大学
IPC: G06V40/10 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/40
Abstract: 本发明公开了一种群养生猪行为的识别和跟踪方法，包括如下步骤：S1：建立群养生猪的视频数据集；S2：构建YOLOX‑S模型；S3：构建YOLOX‑S+DeepSORT模型，所述YOLOX‑S+DeepSORT模型包括YOLOX‑S模型、卡尔曼滤波和匈牙利匹配算法；S4：构建改进的YOLOX‑S+DeepSORT模型，所述改进的YOLOX‑S+DeepSORT模型包括YOLOX‑S+DeepSORT模型和DeepSORT优化算法。本发明能够有效改进ID频繁错误变换，提升跟踪器的准确度，保持优秀的检测跟踪速度，实现实际养猪场的猪只多类行为的实时监控与快速准确跟踪。
-
公开(公告)号：CN111507967B
公开(公告)日：2023-06-02
申请号：CN202010306354.4
申请日：2020-04-17
Applicant: 华南农业大学
IPC: G06T7/00 , G06T7/11 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种自然果园场景下的芒果高精度检测方法，包括：建立自然场景下的芒果数据库；构建基于Mask Scoring R‑CNN的初步网络结构；在ROI Align层后增加一个并行训练的BoxIOU分支，为RPN输出的候选框预测IOU得分；测试阶段BoxIOU分支预测的IOU得分与相应的分类置信度进行耦合，再将耦合后的分值替代原本的分类置信度作为后处理阶段的非极大抑制的排列依据；利用训练后的BoxIOU MangoNet进行芒果果实的检测和分割。该方法为果实目标筛选出定位更准确的检测框，简单有效，能够解决自然果园场景下受复杂环境干扰的检测分割难题。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.017 seconds)
