公开(公告)号：CN117333764A

公开(公告)日：2024-01-02

申请号：CN202210670550.9

申请日：2022-06-21

Applicant: 岭南现代农业科学与技术广东省实验室肇庆分中心 ,  桂林电子科技大学

Inventor： 袁思源 ,  罗笑南 ,  陈瑞爱 ,  徐颂华

IPC: G06V20/10 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/10 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明公布了一种基于深度学习的番茄病虫害检测装置与方法。该装置主要包括：图像采集终端，用于存储与识别番茄叶片图像的服务器，客户端和预警模块。图像采集终端包括外盒，置物板，摄像头，LED光源，控制面板，电源开关，摄像开关，和数据传送模块；服务器负责利用已经训练好的深度学习神经网络识别传送过来的图像并附上检测结果标签，同时根据标签分组存储已标注的图像；客户端负责显示番茄病害种类信息；预警模块根据番茄病虫害种类信息进行病虫害预警。本检测装置与深度学习方法将深度学习应用于番茄病虫害自动识别中，无需对图像进行预处理，识别精度高，时效性强，可节约大量时间与人力成本，实现对病害植株的实时检测与及时施药，具有较好的应用前景。

公开(公告)号：CN118411592A

公开(公告)日：2024-07-30

申请号：CN202410445860.X

申请日：2024-04-15

Applicant: 桂林电子科技大学 ,  桂林慧谷人工智能产业技术研究院

Inventor： 袁思源 ,  罗笑南 ,  吴文伟 ,  冯逸洲

IPC: G06V20/05 ,  G06V10/20 ,  G06V10/30 ,  G06V10/774 ,  G06V10/82 ,  G06V20/70 ,  G06V10/25 ,  G06N3/0464 ,  G06N3/08 ,  G06T5/70 ,  G06T5/40

Abstract: 本发明涉及一种基于注意力机制的水下生物目标检测方法，包括以下步骤：获取水下生物目标图像；针对水下条件恶劣，图像质量较差的问题，采用对比度有限的自适应直方图均衡化算法(CLAHE)对水下图像进行预处理；在YOLOv5中添加针对小目标的检测层，缓解目标尺度方差较大带来的影响；将卷积注意力模块(CBAM)加入优化后的YOLOv5网络模型中，学习通道之间的关系，增强深度特征的语义信息；将增强后的数据集输入构建好的网络模型CC‑YOLOv5中，进行训练；用训练好的模型对水下生物图像进行目标检测。本发明能在复杂的水下环境中，为生物目标检测提供科学理论和技术支持，在提高对于水下生物小目标的检测精度的同时，模型的计算成本对于水下移动应用来说依然很小。

公开(公告)号：CN118330654A

公开(公告)日：2024-07-12

申请号：CN202410452291.1

申请日：2024-04-16

Applicant: 桂林电子科技大学 ,  桂林慧谷人工智能产业技术研究院

Inventor： 吴文伟 ,  罗笑南 ,  袁思源

IPC: G01S15/89 ,  G06F18/213 ,  G06F18/22 ,  G01S7/52

Abstract: 本发明公开了一种基于多声呐的水下场景实时重建系统。定位和场景重建是水下机器人探索海洋河流所必须解决的问题，而水下环境复杂多变，且单个声呐探索的数据缺少高程信息。针对这些问题，本发明结合多波束声呐与360°侧扫声呐来获取数据并将其进行关联，通过算法去噪后提取场景的特征点。再通过不同时刻的数据来确定场景的距离与高程。通过特征点的位置和距离，声呐不同时刻的位置和行程距离，建模成因子图并将其优化来确定当前的准确位置。本发明通过双声呐来解决机器人位置的不确定性，通过将其各自获取到的数据进行关联，来解决机器人因环境或自身的不稳定而到不准确数据的问题。之后通过数据分析建模来实现自身的定位与场景所在的位置。

公开(公告)号：CN118247648A

公开(公告)日：2024-06-25

申请号：CN202410445123.X

申请日：2024-04-15

Applicant: 桂林电子科技大学 ,  桂林慧谷人工智能产业技术研究院

Inventor： 冯逸洲 ,  罗笑南 ,  姚继承 ,  袁思源

IPC: G06V20/05 ,  G06V40/10 ,  G06V10/30 ,  G06V10/774 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06N5/04

Abstract: 本发明涉及一种基于结构重参化的水下密集鱼群检测方法及设备，涉及图像处理和计算机视觉领域，特别是一种应用于水下环境的鱼群检测方法。方法包括以下步骤：设备通过摄像头获取不同水下场景的鱼群数据；通过图像降噪方法对水下图像进行预处理；构建具备多尺度特征增强模块的结构重参化神经网络；将经过数据预处理的鱼群数据集输入至该结构重参化神经网络中进行网络训练，得到用于水下密集鱼群检测的神经网络；将神经网络进行结构重参化转为推理阶段应用于水下密集鱼群检测设备中，可进行实时检测。采用结构重参化的方法进行模型推理，使水下密集鱼群检测神经网络的检测效率能够得到有效提升。