-
公开(公告)号：CN119763104A
公开(公告)日：2025-04-04
申请号：CN202411881060.9
申请日：2024-12-19
Applicant: 华南农业大学
Abstract: 本发明涉及辣椒病害检测技术领域，且公开了一种基于改进YOLOv7的辣椒病害检测系统及其方法，所述系统包括数据采集模块、数据预处理模块、YOLOv7模块、性能估算模块、输入模块、识别模块、分级模块和输出模块。本发明通过使用轻量级的GhostNetV2作为模型的特征提取网络，以提高检测速度，其次，级联融合网络取代了原始的特征融合网络，提高了模型在复杂背景下的表达能力，实现了多尺度特征提取和融合，最后，引入卷积块注意力模块，专注于图像中的重要特征，提高模型的准确性和鲁棒性。具有更好的检测性能和区分能力，可以更好地处理辣椒之间的遮挡和每种背景中不同病斑的识别，达到了对辣椒叶及果实病害的识别以及对其病害程度的分级的有益效果。
-
公开(公告)号：CN119715417A
公开(公告)日：2025-03-28
申请号：CN202411846802.4
申请日：2024-12-16
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于无人机多光谱遥感的甘薯生长参数监测方法，包括：S1、建立用于监测甘薯生长的监测系统；S2、使用无人机的多光谱遥感器收集甘薯生理参数；S3、由监测系统将生理参数转换为生长状态数据；S4、监测系统将同一天多个时间段的生长状态数据进行横向对比，计算出生长状态数据的上升数值，并将所述上升数值进行记录；S5、监测系统按天数归纳当天不同时间段的生长状态数据，以星期为时间段将星期内天数的生长状态数据横向对比，并进行记录；S6、计算当前每星期甘薯与上一星期甘薯生长状态数据对比结果显示的上升数值，并结合所述上升数值，得出完整生长参数。本发明能够对大规模的甘薯种植地生长参数进行可视化监测。
-
公开(公告)号：CN119792992A
公开(公告)日：2025-04-11
申请号：CN202510082332.7
申请日：2025-01-20
Applicant: 华南农业大学
Abstract: 本发明涉及灵芝萃取技术领域，其公开了一种基于智能温控的灵芝液多成分梯度萃取工艺。前述萃取工艺包括以下步骤：S1得到灵芝液。S2在50℃下对灵芝液进行酶解处理，后在60℃下进行超声处理，萃取出灵芝多糖。S3醇提预处理后在80℃下进行热回流处理，萃取出灵芝三萜类化合物。S4在40℃下进行超临界CO2处理，萃取出灵芝孢子油。S5在60℃下进行碱提酸沉，后分离纯化，萃取出灵芝酸。S6在80℃下进行热水浸提，后离子交换树脂纯化，萃取出灵芝核苷。本发明的萃取工艺来实现灵芝多糖、灵芝三萜类化合物、灵芝孢子油、灵芝酸和灵芝核苷的梯度提取，并提高萃取效率、改善萃取质量、以及降低能耗和成本。
-
公开(公告)号：CN118447496A
公开(公告)日：2024-08-06
申请号：CN202410595977.6
申请日：2024-05-14
Applicant: 华南农业大学
IPC: G06V20/68 , G06V20/17 , G06V10/82 , G06V10/25 , G06V10/764 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于改进YOLOv8的芦荟估产系统，包括数据采集模块、数据预处理模块、目标检测模块、性能估算模块、输入模块、跟踪模块、计数模块、输出模块和数据库；数据采集模块用于使用无人机拍摄视频获取芦荟植株数据；数据预处理模块，对无人机拍摄的芦荟数据视频进行预处理，得到图片数据集，并对芦荟植株进行标注，最后对数据集进行划分。本发明利用了现有技术中YOLOv8的深度网络学习架构进行芦荟植株检测过程中的深度学习，通过在主干添加EMA注意力机制模块提升模型特征提取能力，在颈部采用bifpn结构和改进卷积模块从而使模型更加轻量化，具有很强的学习效果，准确度和效率均高于普遍的人工计数。
-
公开(公告)号：CN119810036A
公开(公告)日：2025-04-11
申请号：CN202411846801.X
申请日：2024-12-16
Applicant: 华南农业大学
IPC: G06T7/00 , G06V10/20 , G06V10/30 , G06V10/34 , G06V10/143 , G06V10/25 , G06V10/58 , G06V10/60 , G06V10/764 , G06V10/77
Abstract: 本发明公开了一种基于高光谱成像技术的番茄黄化曲叶病无损检测方法及装置，方法包括：获取番茄叶片样本的高光谱成像数据；对所述高光谱成像数据进行黑白校正，并进行感兴趣区域提取；对提取感兴趣区域后的高光谱数据进行预处理；对预处理后的高光谱数据进行特征提取，以获取对特征贡献量最大的关键波长；建立SVM模型、PLS‑DA模型和GBM模型，使用经处理的高光谱数据对三种模型进行训练，得到训练好的分类模型；利用训练好的分类模型进行番茄黄化曲叶病的检测。本发明通过运用高光谱成像技术无损地获取待测番茄植株样本的高光谱数据，并运用包括机器学习在内的建模方法对数据进行特征提取和分类，以便高效准确地获取番茄黄化曲叶病分类结果。
-
Patent Agency Ranking
公开(公告)号：CN119445403A
公开(公告)日：2025-02-14
申请号：CN202411361396.2
申请日：2024-09-27
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于深度学习的水稻精细化表型特征分析系统及方法，包括：包括数据图像采集模块、数字图像处理模块、三维模型重建模块、点云数据处理模块、点云分割提取特征模块以及表型参数获取模块，所述数据图像采集模块、数字图像处理模块、三维模型重建模块、点云数据处理模块、点云分割提取特征模块以及表型参数获取模块依次通信连接。本发明能够迅速且有效地对水稻品种特性进行精确评估，通过计算机视觉的三维重建技术代替手动测量动态、无损地实现水稻表型参数的测量，量化单株最小包围盒体积等复杂的表型信息有助于精确解析水稻生长过程中的遗传变异与环境互作，提升品种改良效率，加快育种进程。
-
公开(公告)号：CN119723322A
公开(公告)日：2025-03-28
申请号：CN202411555103.4
申请日：2024-11-04
Applicant: 华南农业大学
IPC: G06V20/10 , G06V20/40 , G06V10/26 , G06V10/82 , G06N3/045 , G06N3/096 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于改进Deeplab v3+的芦荟病害分级系统及其方法，包括数据采集模块、数据预处理模块、语义分割模块、性能估算模块、输入模块、识别模块、分级模块、输出模块和数据库；所述语义分割模块，用于对芦荟叶片及表面病斑进行特征提取，得到芦荟叶片识别和病斑分割结果；语义分割模块采用UAMT网络框架，包括教师模型和学生模型，并在“预测一致性”部分增加了对不确定信息的约束，以在计算一致性损失时，只对教师模型和学生模型预测偏差较小的结果进行学习，而对预测偏差较大的结果进行抑制；所述教师模型和学生模型均采用改进的Deeplab v3+网络；本发明可以实现对芦荟叶片表面病害的分割识别以及对其病害程度的分级，具有较高的精度和效率。
-
公开(公告)号：CN118711059A
公开(公告)日：2024-09-27
申请号：CN202410782095.0
申请日：2024-06-18
Applicant: 华南农业大学
IPC: G06V20/10 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/77
Abstract: 本发明公开了一种基于深度学习的计算机视觉芦荟炭疽病检测方法。本发明中，基于卷积神经网络YOLOv8实现了自然环境下芦荟炭疽病病斑的自动检测，融合BiFPN网络和MCA注意力机制，基于这两个模块对YOLOv8网络进行改进对芦荟植株的炭疽病病斑进行定位识别。利用GAN数据增强以及YOLO数据增强，对芦荟植株的炭疽病数据集数量进行增强，再利用卷积神经网络进行特征提取，经过图像处理，提取了多尺度和遮挡情况下的病斑特征。对于病斑的数据，建立针对芦荟炭疽病病害程度的预测模型，通过mAP、准确率、鲁棒性等指标对模型进行评估，从而使得整个方法的准确性得到了提高，同时也降低了芦荟病害程度分析的时间，提高了检测效率，减轻了相关工作人员的劳动负担。
-
公开(公告)号：CN119991727A
公开(公告)日：2025-05-13
申请号：CN202510082006.6
申请日：2025-01-20
Applicant: 华南农业大学
IPC: G06T7/194 , G06T7/11 , G06T5/60 , G06T5/80 , G06N20/20 , G06N5/01 , G06T5/70 , G06V20/17 , G06V20/10
Abstract: 本发明公开了一种基于无人机多光谱遥感的甘薯小区区域划分与背景去除方法。本发明中，采用随机森林模型进行训练带来了显著的优势。首先，数据准备的全面性和特征选择的精准性共同提升了模型的预测准确性。通过整合多光谱遥感数据、植被指数和地形参数等多种特征，模型能够综合考量影响甘薯生长的多种因素，从而更准确地预测小区划分和背景去除的结果。特征重要性评估进一步筛选出对模型影响最大的特征，减少了不相关因素带来的干扰，使得模型更加专注于关键信息，提高了预测的精确度和可靠性。多棵决策树的集成学习机制，结合随机选择的特征和样本，有效避免了过拟合问题，确保了模型在未知数据上的稳定表现。
-
公开(公告)号：CN117392104A
公开(公告)日：2024-01-12
申请号：CN202311447276.X
申请日：2023-11-02
Applicant: 华南农业大学
IPC: G06T7/00 , G06T7/194 , G06V20/10 , G06V20/68 , G06V10/764 , G06V10/82 , G06V10/77 , G06V10/44 , G06V10/56 , G06V10/58 , G06V10/26 , G06V10/25 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的计算机视觉水稻质量测定方法。本发明中，基于卷积神经网络FasterR－CNN实现了盆栽水稻穗数的自动检测，基于SegNet网络框架训练模型对盆栽水稻稻穗进行分割。利用RGB和HIS等颜色空间对整株水稻图片和分割后稻穗图片进行阈值分割，经过图像处理，提取了51个整株水稻特征和33个穗部特征。根据提取的85个特征数据，建立多个盆栽水稻稻穗鲜质量和干质量预测模型，使用五倍交叉验证对模型进行评估，从而使得整个方法的准确性得到了提高，同时也降低了水稻质量检测分析的时间，提高了测试效率，减轻了相关工作人员的劳动负担。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
