-
公开(公告)号：CN115205832B
公开(公告)日：2025-04-29
申请号：CN202210799123.0
申请日：2022-07-08
Applicant: 南京农业大学
IPC: G06V20/60 , G06V10/764 , G06V10/774 , G06V10/422 , G06V10/82 , G06N3/045 , G06N3/047 , G06N3/048 , G06N3/082 , G06N3/096
Abstract: 本发明公开了一种基于VGG16的多任务学习植物表型处理方法及装置，该方法包括：(1)构建植物表型处理与分析模型：以VGG16网络作为多任务学习的硬参数共享网络，除去原VGG16的最后一个最大池化层以及之后所有的全连接层，增加任务相关的全连接层，并将其分别应用于三个特定任务层；(2)训练模型：使用任务依赖不确定性权衡每一个特定任务层的损失函数，以此来平衡回归和分类任务的损失，使用柔性因子连接不同任务，自动优化不同任务的权重，让每个任务都得到最优化训练；(3)基于训练后模型对植物表型进行处理与分析。本发明能同时完成三个有关拟南芥表型处理与分析的任务，大大提升了多任务整体分类及预测效果。
-
公开(公告)号：CN112200211A
公开(公告)日：2021-01-08
申请号：CN202010691155.X
申请日：2020-07-17
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于残差网络和迁移学习的小样本鱼识别方法，包括如下步骤：构造小样本学习模型，使用预处理后的预训练数据集对模型进行预训练；使用测试集测试模型得到对于鱼类种类的识别精度、召回率和F1值，若识别精度、召回率和F1值达到预设的基准值，即将模型部署至在线识别平台；用户打开在线识别平台，选择本地鱼类图像进行上传至服务器，等待反馈；在服务器后端对本地鱼类图像进行预处理；对预处理后的本地鱼类图像进行特征提取和映射，之后与各类别中心进行度量，判断类别；服务器将识别结果信息返回前端，显示在识别结果页。本发明的方法和系统能精确地辨别复杂多样的鱼类品种，具有很强的便捷性。
-
公开(公告)号：CN110263863A
公开(公告)日：2019-09-20
申请号：CN201910547744.8
申请日：2019-06-24
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法，其主要步骤为：(1)建立基于迁移学习与双线性的细粒度菌类表型识别模型；(2)基于识别模型进行迁移学习与训练；(3)将图像输入识别模型后进行预处理；(4)对预处理后的图像数据进行特征提取。本发明将两个对称InceptionResNetV2特征提取网络提取到的特征结合起来，得到更细粒度的特征，使识别效果更好；并且使用基于模型的迁移学习训练方法，将在ImageNet数据集上预训练好的特征提取网络参数权重迁移到菌类细粒度表型数据集上，能够在较短的训练时间内，达到更好的收敛性能，使识别结果更好。
-
公开(公告)号：CN110175642A
公开(公告)日：2019-08-27
申请号：CN201910432558.X
申请日：2019-05-22
Applicant: 南京农业大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于PCA降维和特征二元化的菊花相似性计算方法，该方法首先对菊花数据预处理和BOW(Bag-of-words)建模，包括将大规模样本数据集中的图像转为灰度图像，提取所有图像的SIFT特征描述向量和使用K-means聚类，最后引入FDF-IFDF模型，生成最终的训练样本特征向量文件；通过PCA降维处理对高维向量进行降维，把降维后的数据映射到一个二进制超立方体的顶点上并最小化量化误差，生成菊花图像的二元编码；通过哈希函数并构建位置敏感哈希索引。本发明更容易获取图像的本质特征，通过降维实现简化处理过程。
-
公开(公告)号：CN119046677A
公开(公告)日：2024-11-29
申请号：CN202410963656.7
申请日：2024-07-18
Applicant: 南京农业大学
IPC: G06F18/214 , G06F18/241 , G06F18/25 , G06F18/213 , G06F18/15
Abstract: 本发明公开了一种基于生成式预训练模型的马铃薯晚疫病预测方法，对预先获取的马铃薯晚疫病数据进行数据预处理，基于GPT2构建针对时间序列预测的生成式预训练模型，在生成式预训练模型的层归一化基础上引入了实例归一化；并采用通道独立性和分块技术，以适应预训练模型的处理能力；引入时间序列对齐阶段，并对其编码层和输出层进行优化；在时间序列对齐阶段采用与模型原始预训练相同的自回归训练方法；在生成式预训练模型微调阶段采用两阶段微调，先进行线性探测，后进行全面微调，确定损失函数，实现马铃薯晚疫病的预测。本发明提出时间序列对齐方法，使生成式预训练模型能够充分理解和利用多维度时间序列数据，有效预测马铃薯晚疫病发生。
-
Patent Agency Ranking
公开(公告)号：CN112232570A
公开(公告)日：2021-01-15
申请号：CN202011116874.5
申请日：2020-10-19
Applicant: 国网陕西省电力公司 , 国家电网有限公司 , 国电南瑞南京控制系统有限公司 , 南瑞集团有限公司 , 南京农业大学
Abstract: 本发明公开了电力预测领域的一种基于融合双向CNN‑LSTM网络的正向有功总电量预测方法及装置，旨在更好地对特定时间点的正向有功总电量数据进行预测。其包括：获取电能量数据，并对电能量数据进行标准化处理得到标准化电能量数据；利用预构建的融合双向CNN‑LSTM网络模型处理所述标准化电能量数据从而得到预测的正向有功总电量；所述融合双向CNN‑LSTM网络模型由CNN和LSTM网络整合而成。本发明通过CNN模型和双向LSTM模型进行总电量的处理与预测，能够挖掘非连续数据之间蕴含的有效信息和潜在关系，可以有效增加预测总电量的准确性，提高预测的效率，使输出结果更加准确和全面。
-
公开(公告)号：CN110197514A
公开(公告)日：2019-09-03
申请号：CN201910508685.3
申请日：2019-06-13
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于生成式对抗网络的蘑菇表型图像生成方法，该方法步骤为：(1)数据预处理，形成真实图像训练样本数据；(2)构建生成式对抗网络模型：该模型包括生成器和判别器，其中生成器负责生成图片，通过接收随机噪声z，并通过这个噪声生成图片G(z)，判别器负责判断图片真假部分，其通过接收一张图片x，输出对这张图片的判别结果D(x)；(3)采用梯度惩罚训练策略对生成式抗网络框架进行优化训练；(4)通过拟合Wasserstein距离，将Wasserstein距离作为相似度衡量指标，获得高质量蘑菇表型图像的生成模型。本发明可以使用少量的蘑菇数据集模拟出该种蘑菇各个生长阶段的图像，不仅与传统图像生成方式相比效率较高，而且在各类生成式模型中效率也较高。
-
公开(公告)号：CN108932314A
公开(公告)日：2018-12-04
申请号：CN201810640741.4
申请日：2018-06-21
Applicant: 南京农业大学
Abstract: 本发明公开了一种基于深度哈希学习的菊花图像内容检索方法，该方法利用深度神经网络算法和Hash编码来进行图像的识别和检索，首先建立训练集和测试集对待识别图像进行预数据处理，增强图像的泛化能力和识别度，然后通过卷积神经网络构建菊花图像特征提取模型，通过在卷积神经网络的哈希层哈希编码实现查询计算。该方法基于深度哈希学习使得高维数据在向低维空间映射时，数据在高维空间的相似性能够在海明空间得到保持，使得高维数据在向低维空间映射时保持编码平衡准则，本发明对菊花数据集进行处理，增强数据集以增强模型泛化能力，并提高了图像的检索质量和检索效率。
-
公开(公告)号：CN112200211B
公开(公告)日：2024-04-05
申请号：CN202010691155.X
申请日：2020-07-17
Applicant: 南京农业大学
IPC: G06F16/55 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/096
Abstract: 本发明公开了一种基于残差网络和迁移学习的小样本鱼识别方法，包括如下步骤：构造小样本学习模型，使用预处理后的预训练数据集对模型进行预训练；使用测试集测试模型得到对于鱼类种类的识别精度、召回率和F1值，若识别精度、召回率和F1值达到预设的基准值，即将模型部署至在线识别平台；用户打开在线识别平台，选择本地鱼类图像进行上传至服务器，等待反馈；在服务器后端对本地鱼类图像进行预处理；对预处理后的本地鱼类图像进行特征提取和映射，之后与各类别中心进行度量，判断类别；服务器将识别结果信息返回前端，显示在识别结果页。本发明的方法和系统能精确地辨别复杂多样的鱼类品种，具有很强的便捷性。
-
公开(公告)号：CN112036335A
公开(公告)日：2020-12-04
申请号：CN202010915753.0
申请日：2020-09-03
Applicant: 南京农业大学
Abstract: 本发明提出一种反卷积引导的半监督植物叶部病害识别与分割方法，使用少量病害类别标注和病斑的像素级标注，通过反卷积实现病害种类的识别和病斑区域的分割。本方法通过一致性正则化、熵最小化方法生成无标记样本的类别预测标签；将有标记样本和无标记样本进行图像混合，利用新生成的图像进行半监督病害分类；对类别信息进行上采样，利用少量像素级标记进行半监督病斑分割。在模型训练的过程中，使用指数加权平均更新模型参数，使模型在测试数据上更加鲁棒。本发明适用于标签样本数量不足的植物叶部病害识别与分割的情况，实现了识别与分割的一体化，模型在光线不足、有异物遮挡叶片图像中具有较强的泛化能力，识别和分割速度能够满足实时性要求。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.023 seconds)
