-
公开(公告)号：CN108845075A
公开(公告)日：2018-11-20
申请号：CN201810381202.3
申请日：2018-04-25
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于深度学习网络的堆肥腐熟实时预测方法，以堆肥的堆体内温度、湿度、表面图像深度特征向量作为堆肥的描述特征，借助于深度学习方法高效学习能力，实现腐熟的在线实时监测。腐熟预测过程起始于堆体温度、湿度实时测量和图像采集，方法首先对图像进行预处理，由卷积神经网络(CNN)提取图像的深度特征，然后与堆体温度、湿度组合作为腐熟判断过程的输入量，送入循环神经网络(RNN)预测出当前时刻是否腐熟。本发明提出的相对完善、合理、准确的堆肥腐熟实时监测方法，为生产提供指导。
-
公开(公告)号：CN108682006A
公开(公告)日：2018-10-19
申请号：CN201810379431.1
申请日：2018-04-25
Applicant: 南京农业大学
CPC classification number: G06T7/0002 , G06T7/44 , G06T7/90 , G06T2207/10024 , G06T2207/20032 , G06T2207/20081 , G06T2207/20084 , G06T2207/30188
Abstract: 本发明公开了一种非接触式罐装堆肥腐熟判断方法，包括以下步骤：S1、提取t时刻图像数据；S2、预处理；S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取得到255维的特征向量；S4、将S1中热成像图颜色直方图数据同S3中图像特征提取卷积神经网络输出的特征向量组合在一起形成堆肥实时特征，并归一化处理；S5、基于长短期记忆网络LSTM进行预测；S6、输出判断结果。采用本方法基于温度、外观的实时检测堆肥状态的方法结果准确、操作难度小。
-
公开(公告)号：CN110059759A
公开(公告)日：2019-07-26
申请号：CN201910336951.9
申请日：2019-04-25
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于加权LBP-颜色矩的堆肥腐熟度预测方法，它包括以下步骤：S1、获取堆肥图像；S2、分别获得堆肥图像的LBP纹理特征和堆肥图像的颜色特征；S3、将堆肥图像的LBP纹理特征和颜色特征进行加权融合，获得堆肥图像特征向量；S4、对堆肥图像特征向量做PCA降维获得降维堆肥图像特征向量；S5、降维堆肥图像特征向量输入至SVM分类器进行腐熟度预测；S6、SVM分类器输出预测结果。整个评价方法易操作，非常适于推广应用。
-
公开(公告)号：CN108596987B
公开(公告)日：2022-01-04
申请号：CN201810380685.5
申请日：2018-04-25
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于图像深度特征序列的堆肥腐熟判断方法，包括以下步骤：S1、提取t时刻堆肥表面图像数据；S2、预处理，将堆肥表面图像数据进行图像去雾处理；S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取；S4、基于循环神经网络RNN进行预测，S3获得的堆肥图像特征作为输入量；S5、输出判断结果。本发明从堆肥图像外观特征出发，利用数字图像技术、人工智能技术，提出一种设备少、花费小、部署简单、抗干扰、实时响应的堆肥腐熟实时判断方法，为生产提供指导。
-
Patent Agency Ranking
公开(公告)号：CN108682006B
公开(公告)日：2021-07-20
申请号：CN201810379431.1
申请日：2018-04-25
Applicant: 南京农业大学
Abstract: 本发明公开了一种非接触式罐装堆肥腐熟判断方法，包括以下步骤：S1、提取t时刻图像数据；S2、预处理；S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取得到255维的特征向量；S4、将S1中热成像图颜色直方图数据同S3中图像特征提取卷积神经网络输出的特征向量组合在一起形成堆肥实时特征，并归一化处理；S5、基于长短期记忆网络LSTM进行预测；S6、输出判断结果。采用本方法基于温度、外观的实时检测堆肥状态的方法结果准确、操作难度小。
-
公开(公告)号：CN109273054B
公开(公告)日：2021-07-13
申请号：CN201811014322.6
申请日：2018-08-31
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于关系图谱的蛋白质亚细胞区间预测方法，它以蛋白质序列为研究对象，提出了一种基于关系图谱的改进词袋模型用于提取蛋白质序列特征信息并送入分类器进行蛋白质亚细胞区间预测的方法。该方法在传统词袋模型的基础上，结合马尔科夫假设对蛋白质序列单词片段提取位置关系图谱，并把该关系图谱送入卷积神经网络(CNN)进行深度特征提取，将提取出的深度特征与基于传统词袋模型得到的词袋特征融合作为蛋白质序列的最终的融合特征表示，并送入支持向量机多类分类器进行分类预测。实例结果表明，单独使用关系图谱特征进行分类的预测准确率高于单独使用传统词袋特征，将关系图谱特征与传统词袋特征融合进行分类的预测效果更佳。
-
公开(公告)号：CN108845075B
公开(公告)日：2021-06-29
申请号：CN201810381202.3
申请日：2018-04-25
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于深度学习网络的堆肥腐熟实时预测方法，以堆肥的堆体内温度、湿度、表面图像深度特征向量作为堆肥的描述特征，借助于深度学习方法高效学习能力，实现腐熟的在线实时监测。腐熟预测过程起始于堆体温度、湿度实时测量和图像采集，方法首先对图像进行预处理，由卷积神经网络(CNN)提取图像的深度特征，然后与堆体温度、湿度组合作为腐熟判断过程的输入量，送入循环神经网络(RNN)预测出当前时刻是否腐熟。本发明提出的相对完善、合理、准确的堆肥腐熟实时监测方法，为生产提供指导。
-
公开(公告)号：CN109273054A
公开(公告)日：2019-01-25
申请号：CN201811014322.6
申请日：2018-08-31
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于关系图谱的蛋白质亚细胞区间预测方法，它以蛋白质序列为研究对象，提出了一种基于关系图谱的改进词袋模型用于提取蛋白质序列特征信息并送入分类器进行蛋白质亚细胞区间预测的方法。该方法在传统词袋模型的基础上，结合马尔科夫假设对蛋白质序列单词片段提取位置关系图谱，并把该关系图谱送入卷积神经网络(CNN)进行深度特征提取，将提取出的深度特征与基于传统词袋模型得到的词袋特征融合作为蛋白质序列的最终的融合特征表示，并送入支持向量机多类分类器进行分类预测。实例结果表明，单独使用关系图谱特征进行分类的预测准确率高于单独使用传统词袋特征，将关系图谱特征与传统词袋特征融合进行分类的预测效果更佳。
-
公开(公告)号：CN108596987A
公开(公告)日：2018-09-28
申请号：CN201810380685.5
申请日：2018-04-25
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于图像深度特征序列的堆肥腐熟判断方法，包括以下步骤：S1、提取t时刻堆肥表面图像数据；S2、预处理，将堆肥表面图像数据进行图像去雾处理；S3、基于S2获得的数据，构建卷积神经网络CNN进行堆肥图像特征提取；S4、基于循环神经网络RNN进行预测，S3获得的堆肥图像特征作为输入量；S5、输出判断结果。本发明从堆肥图像外观特征出发，利用数字图像技术、人工智能技术，提出一种设备少、花费小、部署简单、抗干扰、实时响应的堆肥腐熟实时判断方法，为生产提供指导。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.052 seconds)
