-
公开(公告)号：CN118898290A
公开(公告)日：2024-11-05
申请号：CN202410661208.1
申请日：2024-05-27
Applicant: 华南农业大学
IPC: G06N5/025 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F17/18 , G06F18/2433 , G06F123/02
Abstract: 本发明涉及复杂事件处理技术领域，尤指一种用于复杂事件规则的自动提取方法,包括：读取空气污染指数的数据集，对数据集进行预处理，得到时间窗口数据；根据时间窗口数据构建自注意力时域卷积网络预测模型；对自注意力时域卷积网络预测模型进行训练并得到预测值；对预测值与实际值进行求差处理，通过求两者差值的绝对值得到误差向量；通过多元高斯分布公式和最大似然估计法计算误差向量的均值和协方差矩阵，利用均值和协方差矩阵计算马氏距离，通过比较马氏距离与设定阈值的大小结果来标记异常数据或正常数据；异常数据或正常数据利用数据挖掘算法实现规则提取,通过本发明可以高效地提取复杂事件处理规则并分析数据。
-
公开(公告)号：CN118778949A
公开(公告)日：2024-10-15
申请号：CN202410662396.X
申请日：2024-05-27
Applicant: 华南农业大学
Abstract: 本发明涉及事件处理规则技术领域，尤指一种基于Flink的事件规则描述方法及其编译系统,包括编写单个模式描述文本，编译系统输入模块读取规则描述文本，输入模块判断文本属于单个模式还是模式组，选择对应的编译模块；编译模块的解析单元接收输入文本，解析单元对符合格式的文本进行切分提取出组成成分，并将组成成分传递给编译模块的编译单元；编译单元将组成成分编译成单个模式或模式组；编译成功的单个模式或模式组传递给输出模块；输出模块接收单个模式和模式组，最终以字典的形式一并输出，本发明通过文本语言来定义复杂事件及其处理方法，降低了使用难度，提高了使用的普遍性，此外通过提供文本化描述方法可以实现动态载入规则。
-
公开(公告)号：CN119740573A
公开(公告)日：2025-04-01
申请号：CN202411810967.6
申请日：2024-12-10
Applicant: 华南农业大学
IPC: G06F40/279 , G06F18/21 , G06F40/242 , G06N5/025
Abstract: 本申请提供基于知识图谱的语料库实体提取模型调整方法及系统，采用知识图谱提供数据训练大参数通用大语言模型，并以此数据用于对比评估训练成果的准确程度。随后通过大参数通用大语言模型生产语料为调整小参数通用大语言模型服务，且二次利用从知识图谱导出的数据，对调整后的小参数通用大语言模型进行评估，用于筛选出优质的小参数通用大语言模型以投入使用。该调整方法使得小参数通用大语言模型具备较高的实体与关系的提取能力，同时不依赖于大量算力，可降低数据成本，并解决模型通用性差与任务完成质量不佳的问题。
-
公开(公告)号：CN119618188A
公开(公告)日：2025-03-14
申请号：CN202411470240.8
申请日：2024-10-21
Applicant: 华南农业大学
Abstract: 本发明提供了一种果园农业机器人导航方法，属于农业机器人技术领域，该方法包括：构建果园的先验地图；对机器人的里程计初始化和后端修正：地面分割与障碍物识别；构建代价地图：通过先验地图的静态障碍物和地面分割后的动态障碍物构建代价地图，实现障碍物的可视化；路径规划：在代价地图上指定初始点和终点，先实现全局路径规划，在行进过程中出现动态障碍物时使用局部路径规划绕开障碍物实现避障功能，并进行实时轨迹优化和平滑控制。该方法能够实现机器人在复杂果园环境中的精确定位和自主导航；同时，通过全局路径规划和局部路径规划的结合，机器人能够灵活处理静态和动态障碍物，确保路径规划的鲁棒性和导航任务的有效性。
-
公开(公告)号：CN119537426A
公开(公告)日：2025-02-28
申请号：CN202411431784.3
申请日：2024-10-14
Applicant: 华南农业大学
IPC: G06F16/2455 , G06F16/28 , G06F18/214 , G06F18/243 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明提供了一种基于智能算法和Flink的空气污染实时预警方法，涉及环境检测技术领域，包括，采集污染气体数据并经过预处理后存入MySQL数据库；利用自注意力时域卷积网络模型对MySQL数据库中无标签的历史数据进行标记，得到标记数据集；使用决策树算法PART对标记数据集进行自动规则提取，得到规则集；通过Flink CEP将规则集转换成复杂事件模式规则；通过Maxwell实时捕获MySQL数据库变更的数据并同步至Kafka的主题分区；通过Flink实时消费Kafka中的主题分区的数据流，并使用Flink CEP匹配预定义的复杂事件模式规则，在匹配成功时生成空气污染等级的警告信息，并实时显示在控制台上。实现实时监控空气污染等级变化、自动提取复杂事件处理规则以及自动化的规则生成，显著减少了人工成本。
-
Patent Agency Ranking
公开(公告)号：CN116563542A
公开(公告)日：2023-08-08
申请号：CN202310499071.X
申请日：2023-05-05
Applicant: 华南农业大学
Abstract: 本发明提供了一种基于大数据无人机遥感图像的并行分割方法、设备和介质，属于遥感图像分割技术领域，该基于无人机遥感图像的分割方法，包括以下步骤：获取目标图像，并将所述目标图像转换成二进制文本文件；读取所述二进制文本文件，并将所述二进制文本文件生成弹性分布数据集；改写图像分割算法并生成传递函数，根据所述弹性分布数据集构建新的弹性分布数据集；当触发操作指令后，运行图像分割算法，并行处理所述新的弹性分布数据集，并输出处理结果，完成大规模图像的并行分割操作。本申请提供的方案，通过Spark+图像分割算法进行集群式并行分割操作，能够对无人机拍摄的海量图像进行快速有效的分割处理，极大地缩短处理时间，提高了效率。
-
公开(公告)号：CN119583802A
公开(公告)日：2025-03-07
申请号：CN202411461856.9
申请日：2024-10-18
Applicant: 华南农业大学
IPC: H04N19/134 , G06N3/045 , G06N3/0464 , G06N3/08 , H04N19/70 , H04N19/96 , H04N19/50
Abstract: 本发明提供了一种用于VVC编码单元的CU分区模式预测方法及视频编码设备，涉及视频编码技术领域。该预测方法包括，构建并训练CNN‑RNN混合神经网络模型，CNN‑RNN混合神经网络模型包括CNN模块和RNN模块，CNN模块用于提取CU的局部纹理特征，RNN模块用于捕捉CU的时序依赖关系；将待编码的CU输入CNN‑RNN混合神经网络模型，输出CU分区模式的预测结果及预测结果的置信度评分；基于置信度评分，选择以预测结果作为最终CU分区模式，或执行RDO搜索并以RDO搜索的结果作为最终CU分区模式。能够有效提取CU的局部纹理特征和时序依赖关系，并根据模型预测的置信度评分，选择最终的CU分区模式。在保证编码效率的前提下，降低计算复杂度，提高编码速度。
-
公开(公告)号：CN118747878A
公开(公告)日：2024-10-08
申请号：CN202410762069.1
申请日：2024-06-13
Applicant: 华南农业大学
Abstract: 本发明提供了一种基于激光雷达与图像传感器融合的果树多维定位方法，涉及农业生产设备领域，该基于激光雷达与图像传感器融合的果树多维定位方法包括：果树视觉定位模型训练；激光雷达和图像传感器的标定；采集图像并导入果树视觉定位模型，输出果树定位框的二维坐标；获取激光点云数据并将点云数据转为深度图；根据深度图及果树定位框的二维坐标，确定果树定位框的三维坐标。通过训练专门针对果树的视觉定位模型，能够有效识别果树并输出其在图像中的二维坐标，结合激光雷达获取的深度信息，能够有效地提高果树定位的精度和可靠性，从而实现精准的果树识别和定位，能够为果园机器人提供准确的定位信息，提高作业效率和安全性。
-
公开(公告)号：CN116645376A
公开(公告)日：2023-08-25
申请号：CN202310625044.2
申请日：2023-05-30
Applicant: 华南农业大学
IPC: G06T7/10 , G06V10/774 , G06V10/82 , G06V20/68 , G06F16/182
Abstract: 本发明涉及荔枝树冠并行化分割技术领域，尤其涉及一种基于Hadoop与U‑Net无人机遥感荔枝树冠图像并行分割方法，其包括以下步骤：S1.获取荔枝树树冠图像，标注荔枝树冠及荔枝树树冠背景，分为训练集和测试集；S2.得到树冠分割模型；S3.评估树冠分割模型，选出最优树冠分割模型权重；S4.搭建Hadoop完全分布式平台；S5.将最优树冠分割模型权重的文件上传到Hadoop完全分布式平台，并且将海量待分割的荔枝树冠图像上传分布式文件系统HDFS；S6.荔枝树冠图像被分配到MapReduce程序的每个map阶段且利用python工具包对荔枝树冠图像进行格式转换，加载训练完之后该U‑Net模型架构的权重的文件，实现荔枝树冠图像并行化分割，其能够快速提高荔枝树冠分割效率，实现对荔枝冠层信息的快速观察。
-
公开(公告)号：CN118890481A
公开(公告)日：2024-11-01
申请号：CN202410661876.4
申请日：2024-05-27
Applicant: 华南农业大学
IPC: H04N19/172 , G06V20/40 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , H04N19/70 , H04N19/593
Abstract: 本发明涉及视频编码技术领域领域，尤指一种基于Transformer和CNN结构的VVC的CU预测方法，其包括从公开数据集中获取VVC测试视频序列，使用VTM源码对测试视频序列进行编码并获取原始图像帧；从原始图像帧中提取32x32CU，构建32x32尺寸CU样本集；选择T‑CNN模型，利用样本集训练T‑CNN模型，通过训练好的T‑CNN模型预测CU分区模式，通过本发明可以避免传统的RDO蛮力搜索过程,大幅降低VVC帧内编码的计算复杂度,同时通过T‑CNN模型结构和阈值决策,保持较高的编码效率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.03 seconds)
