-
公开(公告)号：CN116597439A
公开(公告)日：2023-08-15
申请号：CN202310484606.6
申请日：2023-04-28
Applicant: 华南农业大学
Abstract: 本公开提供及一种反注意力番石榴语义分割检测设备，涉及图像处理技术领域，对待分割图像进行特征提取，获得特征图像；对特征图像进行预分割，获得初始分割图像，其中，初始分割图像中包括初始预测的目标区域；对初始分割图像中初始预测的目标区域内部的预设区域进行擦除，获得了保留有初始预测图像的目标区域的边缘区域的反注意力图像；对初始分割图像和反注意力图像进行特征融合，即通过初始分割图像上的边缘区域对反注意力图像上的初始预测的目标区域的边缘进行增强，获得语义分割图像，经过上述融合，使得获得的语义分割图像的边缘区域的特征更明显，提升了近色场景下的语义分割效果。
-
公开(公告)号：CN112581397B
公开(公告)日：2023-08-08
申请号：CN202011521308.2
申请日：2020-12-21
Applicant: 华南农业大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图像先验信息的退化图像修复方法、系统、介质和设备，该方法步骤包括：采用退化图像加高斯噪声的组合作为神经网络图像生成器的输入；采用MSE损失函数计算生成图像与退化图像之间的损失，迭代训练参数化神经网络；获取图像的底层语义信息作为先验信息，在训练中加入权重衰减策略；在每一次迭代中，在神经网络图像生成器的输入中加入高斯噪声，同时在网络参数中加入高斯噪声，当达到第一迭代训练次数时，采用自适应加权输出策略；当达到第二迭代训练次数时打断迭代，并用此时的参数化卷积神经网络生成器生成修复后的图像。本发明只需使用破损图像本身即可完成先验特征的提取及图像修复，在大面积缺失修复中达到了很好的修复效果。
-
公开(公告)号：CN115861091A
公开(公告)日：2023-03-28
申请号：CN202211415829.9
申请日：2022-11-11
Applicant: 华南农业大学
IPC: G06T5/00 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本公开涉及一种图像修复方法、装置、介质及电子设备，包括：根据待修复图像中的破损区域和未破损区域，生成与所述待修复图像同型的二值图像，其中，所述破损区域在所述二值图像中取值相同，所述未破损区域在所述二值图像中取值相同且与所述破损区域的取值不同；生成与所述待修复图像同型的正态随机噪声图像，以及计算所述二值图像与所述待修复图像的哈德曼乘积得到破损图像；根据所述正态随机噪声图像、所述二值图像以及所述破损图像，迭代对图像修复模型的参数进行调整，将所述图像修复模型迭代完成时输出的迭代图像作为目标修复图像。该方法不用进行样本标注和模型训练等，降低了图像修复的成本，并且可以提高图像修复的准确性。
-
公开(公告)号：CN112581397A
公开(公告)日：2021-03-30
申请号：CN202011521308.2
申请日：2020-12-21
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于图像先验信息的退化图像修复方法及其应用，该方法步骤包括：采用退化图像加高斯噪声的组合作为神经网络图像生成器的输入；采用MSE损失函数计算生成图像与退化图像之间的损失，迭代训练参数化神经网络；获取图像的底层语义信息作为先验信息，在训练中加入权重衰减策略；在每一次迭代中，在神经网络图像生成器的输入中加入高斯噪声，同时在网络参数中加入高斯噪声，当达到第一迭代训练次数时，采用自适应加权输出策略；当达到第二迭代训练次数时打断迭代，并用此时的参数化卷积神经网络生成器生成修复后的图像。本发明只需使用破损图像本身即可完成先验特征的提取及图像修复，在大面积缺失修复中达到了很好的修复效果。
-
公开(公告)号：CN117557901A
公开(公告)日：2024-02-13
申请号：CN202311470515.3
申请日：2023-11-06
Applicant: 华南农业大学
IPC: G06V20/10 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/082
Abstract: 本发明提出了一种田间小目标作物的检测模型及构建方法，包括：在实际农田场景中采集数据，处理并标注为YOLO格式的数据集；构建一种可高效检测田间小目标作物的轻量级模型T‑YOLO，在模型的骨干和颈部引入C2fG2轻量级模块和DBS高效特征提取模块，在轻量化的同时提取图像的多尺度信息，将浅层的图形特征和深层的语义特征相结合获取更完整的特征信息；移除模型头部对小目标作物不敏感的检测头，实现轻量化，在保留的检测头后构建动态检测头，增强模型的表征能力；根据实验条件选择合适的超参数训练模型。该方法检测精度高，模型复杂度低，易于部署，在检测小目标作物方面有明显的优势，为采摘自动化设备提供了理论和技术基础。
-
Patent Agency Ranking
公开(公告)号：CN113111961B
公开(公告)日：2023-10-17
申请号：CN202110449348.9
申请日：2021-04-25
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于三支决策模型的农产品信息分类处理方法及系统，该方法包括以下步骤：数据采集步骤：采集得到农产品属性集、农产品产地集；其中农产品属性集设有多个产品属性元素，农产品产地集设有多个产地元素；三支决策模型分析步骤：输入农产品属性集、农产品产地集，根据农产品分类三支决策模型进行预测得到各产地的农产品质量；当遇到延迟决策时，根据隶属度与非隶属度相关比例系数将三支处理转化为拟合二支处理；农产品信息分类步骤：根据各产地的农产品质量进行排序分类农产品信息。本发明在面对延迟决策的情况时，通过选择隶属度与非隶属度相关比例系数，将三支处理转化为拟合二支处理提高了农业信息分类处理的时间效率。
-
公开(公告)号：CN115761272A
公开(公告)日：2023-03-07
申请号：CN202211415817.6
申请日：2022-11-11
Applicant: 华南农业大学
IPC: G06V10/70 , G06N20/00 , G06V10/771
Abstract: 本公开涉及一种图像处理方法、装置、介质及电子设备，涉及图像处理技术领域，获取输出样本图像和图像处理模型输出的输出图像，从输出图像中提取N个特征参数，并且从N个特征参数中筛选出n个特征参数，根据n个特征参数、输出图像和输出样本图像计算损失函数，通过该损失函数对图像处理模型进行训练，为提高模型的性能，可以对图像处理模型的经过m次迭代训练，在每次迭代训练中，重新获取新的n个特征参数计算新的损失函数，在经过m次迭代训练后，得到训练后的图像处理模型。在每次迭代过程中，用于模型训练的特征参数不同，避免训练后的模型处于假收敛的情况，使得最终获得的模型性能良好，获得的模型用于图像处理，提升图像处理效果。
-
公开(公告)号：CN112287779B
公开(公告)日：2022-03-25
申请号：CN202011115429.7
申请日：2020-10-19
Applicant: 华南农业大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06N3/04 , G06T5/00
Abstract: 本发明公开了一种低光照度图像自然光照度补强方法及应用，该方法步骤包括：构建非配对数据集，构建图像翻译模型，根据CycleGAN的环形模型搭建图像翻译模型的结构；在图像翻译模型中加入实例正则化、注意力机制模块和语义一致性损失函数；基于非配对数据集训练图像翻译模型的高光照度和低光照度图像的映射，并进行高光照度循环和低光照度循环；训练生成对抗网络；分别计算高光照度循环和低光照度循环产生的图像与对应真实图像之间的距离；将低光照度的图像数据集输入生成对抗网络中，生成器输出高光照的转换图像。本发明实现了对夜间低光照度图像自然光照度强度补强，并在光照度增强的同时保证了翻译前后图像语义的一致性。
-
公开(公告)号：CN112861666A
公开(公告)日：2021-05-28
申请号：CN202110101534.3
申请日：2021-01-26
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于深度学习的鸡群计数方法及应用，该方法包括下述步骤：采集鸡群图像，对所有鸡群图像进行图像预处理和图像增强，将处理后的鸡群图像输入到MCNN网络中进行训练，并将图像块映射到相应的密度图；MCNN网络包括三列具有不同滤波器大小的卷积神经网络，利用具有不同卷积核大小的网络分别提取鸡群图像的特征，将特征图线性加权得到密度图；在所有鸡头的中心位置进行标记，学习每只鸡在图像中的标注位置，通过高斯核卷积获得地面真实密度图；对密度图进行积分得到鸡群图像中鸡的个数。本发明用特征提取代替了对目标个体的人工识别，不需要复杂的图像和特征处理过程，自动提取图像特征，自动学习特征。
-
公开(公告)号：CN112287779A
公开(公告)日：2021-01-29
申请号：CN202011115429.7
申请日：2020-10-19
Applicant: 华南农业大学
Abstract: 本发明公开了一种低光照度图像自然光照度补强方法及应用，该方法步骤包括：构建非配对数据集，构建图像翻译模型，根据CycleGAN的环形模型搭建图像翻译模型的结构；在图像翻译模型中加入实例正则化、注意力机制模块和语义一致性损失函数；基于非配对数据集训练图像翻译模型的高光照度和低光照度图像的映射，并进行高光照度循环和低光照度循环；训练生成对抗网络；分别计算高光照度循环和低光照度循环产生的图像与对应真实图像之间的距离；将低光照度的图像数据集输入生成对抗网络中，生成器输出高光照的转换图像。本发明实现了对夜间低光照度图像自然光照度强度补强，并在光照度增强的同时保证了翻译前后图像语义的一致性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.022 seconds)
