-
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：CN119785381A
公开(公告)日：2025-04-08
申请号：CN202411852031.X
申请日：2024-12-16
Applicant: 南京农业大学
Abstract: 本发明公开了一种哺乳期仔猪的活动量计算方法，属于智能化生猪养殖技术领域。方法为：于母猪产后当天至产后28天在猪场采集猪用产床视频数据并对数据进行预处理；训练目标检测深度学习模型YOLO_v8以获取仔猪目标检测框；设计多目标跟踪模型，关联仔猪的轨迹和检测；将仔猪视频输入目标检测模型和多目标跟踪模型，获取仔猪目标的位置和运动轨迹；根据运动轨迹计算仔猪活动量和运动速度。本发明利用计算机视觉技术以低成本、无接触的方式自动跟踪哺乳期仔猪并计算个体和群体的活动量，便于养殖人员及时、准确地掌握复杂产床环境下仔猪活动信息，符合动物福利理念与精准畜牧养殖产业要求，为通过活动量衡量仔猪腿部健壮度的研究奠定基础。
-
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：CN108830320A
公开(公告)日：2018-11-16
申请号：CN201810616815.0
申请日：2018-06-15
Applicant: 南京农业大学
IPC: G06K9/62
Abstract: 本发明提出一种基于鉴别和鲁棒多特征提取的高光谱图像分类方法，针对高光谱图像中不同类型的空谱特征，本方法将其投影到一个共同的低秩、鉴别子空间，并保留不同特征的重要性。本方法运行包括两个阶段，首先，根据不同特征的重要性，分别赋予它们不同的权重；然后，学习一个具有鲁棒和鉴别特性的低维子空间；接着，将不同的特征投影至低维子空间中；最后，使用支持向量机对新的特征进行分类。本发明通过特征降维，不仅能够对噪声鲁棒，抵御高光谱图像中的噪声干扰，同时可以保留不同特征的重要性，同时利用已有的标签，使获得的特征具有鉴别特性，有效提高了分类的效果。
-
公开(公告)号：CN112183635A
公开(公告)日：2021-01-05
申请号：CN202011047680.4
申请日：2020-09-29
Applicant: 南京农业大学
Abstract: 本发明提出一种多尺度反卷积网络实现植物叶部病斑分割与识别方法，该方法利用少量像素级标记，实现端到端的植物叶部病斑分割与识别。首先利用多尺度残差块构建多尺度特征提取模块，提取多尺度病害特征；然后引入分类与桥接模块获取特定类的激活图，此激活图包含特定类别病斑的关键信息，将它进行上采样，实现病斑的分割；最终设计反卷积模块，结合少量病斑标注引导特征提取网络关注病斑真实位置，进一步优化识别与分割效果。本发明的方法能够适用于像素级标注样本数量不足的植物叶部病害识别与分割的情况，实现识别与分割的一体化。模型在光线不足、有噪声干扰的病害图像中具有较强鲁棒性。
-
Patent Agency Ranking
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：CN112036335B
公开(公告)日：2023-12-26
申请号：CN202010915753.0
申请日：2020-09-03
Applicant: 南京农业大学
IPC: G06V20/10 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
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。
-
公开(公告)号：CN115205832A
公开(公告)日：2022-10-18
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 , G06N3/04 , G06N3/08
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：CN110263863B
公开(公告)日：2021-09-10
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。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.015 seconds)
