-
公开(公告)号：CN119810015A
公开(公告)日：2025-04-11
申请号：CN202411668345.4
申请日：2024-11-21
Applicant: 浙江农林大学
IPC: G06T7/00 , G06N3/045 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0464 , G06V10/766
Abstract: 本发明公开了一种猪只计数方法，包括以下步骤，构建基于点标注的猪只计数数据集；在所述P2Pnet的主干网络VGG16中的每个body后面加入高效通道注意力的ECA模块；在所述P2Pnet的特征金字塔FPN结构加入坐标通道混洗注意力的CSA模块；将所述P2Pnet中的分类损失使用的交叉熵损失函数替换为Focal Dice loss提升模型的分类准确性；对点回归任务中的匈牙利匹配算法进行改进，包括引入不确定性成本处理机制、加权距离处理机制和自适应密度惩罚机制提高匹配精度；最终得到改进后模型为PIG‑P2PNet，将所述PIG‑P2PNet应用于猪只计数。本发明的有益效果：在各种实际环境中具有适应性和泛化能力，计数精度和鲁棒性方面表现优异，尤其在高密度、遮挡复杂的饲养环境中效果十分突出。
-
公开(公告)号：CN119379761A
公开(公告)日：2025-01-28
申请号：CN202411295582.0
申请日：2024-09-18
Applicant: 浙江农林大学
Abstract: 本发明公开了一种基于双视角点云配准的猪只体尺测量方法，包括以下步骤，采集猪只双侧点云数据；采用等间距抽稀算法精简点云数据，再利用改进后的LoOP滤波算法去除异常值点云数据；获取完整的猪只点云数据；提取相结合提取猪只轮廓特征，实现猪只多体尺参数的非接触式测量。本发明的有益效果：一是测得的体长、体高、臀高、体宽、腹宽、臀宽、胸围和腹围的平均相对误差分别为1.28％、0.88％、1.97％、2.71％、2.83％、3.71％、2.03％和2.17％，相对误差平均值为2.20％，绝对误差平均值为1.04cm；二是可实现生猪多体尺参数的测量，精度较高，能较好地满足生猪育种时的体尺测量需求，为生猪体尺非接触式测量提供了新的途径。
-
公开(公告)号：CN115147463B
公开(公告)日：2024-10-29
申请号：CN202210350267.8
申请日：2022-04-04
Applicant: 浙江农林大学
Abstract: 本发明公开了一种基于旋转台的多视角点云自主配准方法及应用，包括以下步骤，采集模块采集目标图像；生成3D点云；确定旋转盘上带有不同颜色的标签数量，以及所述标签与所述旋转盘直径的比例；进行所述旋转盘的点云标定，得出所述旋转盘连续旋转前后点云片的刚性变换矩阵集R；将目标对象放置于所述旋转盘上，在相同条件下，将所述旋转盘有序旋转360°，所述目标对象与转盘点云片具有相同的变换矩阵集R，依次有序输入后完成目标点云自主配准。本发明的有益效果：仅需一次旋转盘标定，即可实现多个目标物的点云自主配准，大大提高了点云数据处理效率；二是基于特制旋转台实现点云配准方法不需经过多个坐标系的转换和角度计算，减少了累计误差。
-
公开(公告)号：CN117456385A
公开(公告)日：2024-01-26
申请号：CN202311390188.0
申请日：2023-10-24
Applicant: 浙江农林大学
IPC: G06V20/17 , G01N21/25 , G01N21/55 , G06V20/10 , G06V10/774 , G06V10/766 , G06V10/75
Abstract: 本发明涉及竹林冠层叶绿素含量估算技术领域，具体涉及基于无人机高光谱技术的竹林冠层叶绿素含量估算方法；S1、对地面竹林进行数据采集与处理；S2、采用无人机高光谱技术获取影像数据，并进行预处理；S3、植被指数的选取与计算；S4、统计分析；S5、构建叶绿素含量估算模型。本发明中，采用无人机高光谱技术获取影像数据，通过对植被指数影像环境背景进行剔除，解决传统估算方法中环境背景对光谱参数影响较大的问题，同时建立竹林冠层叶绿素含量优化估算模型，实现竹林冠层叶绿素含量的实时监测和估算，该估算方法具有低成本、灵活性高、方便快捷的特点，可以作为监测竹林冠层叶绿素含量的有效手段，为竹林管理提供数据支撑。
-
公开(公告)号：CN116772853A
公开(公告)日：2023-09-19
申请号：CN202310726002.8
申请日：2023-06-19
Applicant: 浙江农林大学
IPC: G01C21/20
Abstract: 本发明公开了一种基于行人导航的协同航向估计方法，包括以下步骤：S1、处理智能手机内部MEMS传感器的测量值，以获得标题：S11、使用旋转矩阵将智能手机的身体坐标系转换为导航坐标系；S12、通过加速度计和磁力计的测量值来计算智能手机的航向；S2、结合陀螺仪的集成角度和初始方向来估计智能手机的航向；S3、使用互补滤波器计算智能手机的标题；S4、结合相机图像和深度的航向识别学习。本发明采用上述基于行人导航的协同航向估计方法，结合了智能手机的内部嵌入式结构传感器，如陀螺仪、加速度计、磁力计和相机测量，提高了航向估计精度。
-
Patent Agency Ranking
公开(公告)号：CN114419673A
公开(公告)日：2022-04-29
申请号：CN202210081491.1
申请日：2022-01-24
Applicant: 浙江农林大学
IPC: G06V40/10 , G06V10/26 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/62 , G06T7/64
Abstract: 本发明公开了一种利用深度图像和CNN‑SVM的群猪多姿态识别方法，包括以下步骤，采集初始数据集；定义和描述生猪的各姿态；对所述初始数据集进行深度图像处理，获取各姿态下目标猪只的肩臀部深度距离、肩臀部深度距离比值、凸包的面积与边界的比值和凸包的周长与边界的比值作为输入数据；构建CNN‑SVM检测器，将所述输入数据作为检测器的训练数据；待识别目标群猪的图像数据由CNN模型的第一个全连接层获取特征向量，把其送入SVM分类进行数据分类完成姿态识别。本发明的有益效果：本文模型与传统SVM、CNN识别姿态的差异，在相同的训练数据和测试数据下，姿态识别的准确率分别为94.6368％、92.2175％和90.5396％，很明显在识别准确率上有了一个较大提升。
-
公开(公告)号：CN119784934A
公开(公告)日：2025-04-08
申请号：CN202411787050.9
申请日：2024-12-06
Applicant: 浙江农林大学
Abstract: 本发明公开了一种苗木三维重建方法及应用，包括以下步骤，搭建图像采集装置；采用SAM算法对所述多视图图像序列进行精确分割，有效去除多视图序列中背景的干扰；再使用SFM算法获取相机参数，并将所述SFM算法生成的稀疏点云和估计的相机位姿结合作为输入，初始化高斯分布；利用3D高斯分布作为场景表示，通过3DGS算法实现对苗木场景的高保真重建后生成苗木三维模型。本发明的有益效果：应用SAM分割后的数据进行重建，重建时间缩短了40.79％，PSNR和SSIM均值分别提高了37.93％和8.25％，LPIPS的均值降低了93.06％；在相同的迭代次数下，相比NeRF模型，3DGS模型的PSNR和SSIM均值分别提升了70.49％和48.64％，LPIPS均值降低了93.55％；3DGS生成的苗木三维模型点云分布均匀、结构完整。
-
公开(公告)号：CN119762527A
公开(公告)日：2025-04-04
申请号：CN202411649874.X
申请日：2024-11-19
Applicant: 浙江农林大学
IPC: G06T7/246 , G06T7/277 , G06V10/75 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种生猪多目标跟踪方法及应用，包括以下步骤，构建采用定向边界框标注的多样化数据集；利用YOLOv8n模型进行生猪目标检测；对输入的视频序列进行置信度分类；利用改进的无迹卡尔曼滤波器输出预测目标轨迹并与所述高置信度的目标进行一次关联匹配；对于未匹配成功的轨迹与所述低置信度的目标进行二次关联匹配，同时两次中均未成功匹配的检测目标和与之前记录中被视为遗失的轨迹利用补充匹配策略进行重新关联；所述补充匹配策略中匹配成功后形成新的轨迹。本发明的有益效果：在白天重度密集、白天极度密集、夜间重度密集和夜间极度密集四种复杂场景下，高阶跟踪精度分别为96.10％、83.10％、76.50％和84.00％，I DF1得分分别为95.7％、78.2％、70.1％和77.6％。
-
公开(公告)号：CN114419675B
公开(公告)日：2024-08-23
申请号：CN202210081496.4
申请日：2022-01-24
Applicant: 浙江农林大学
IPC: G06V40/10 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/766 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种利用深度图像和CNN‑SVM的群猪多姿态识别与评分方法，包括以下步骤，采集初始数据集；定义和描述生猪的各姿态；对所述初始数据集进行深度图像处理，获取各姿态下目标猪只的肩臀部深度距离、肩臀部深度距离比值、凸包的面积与边界的比值和凸包的周长与边界的比值作为输入数据；构建CNN‑SVM检测器，将所述输入数据作为检测器的训练数据；待识别目标群猪的图像数据由CNN模型的第一个全连接层获取特征向量，把其送入SVM分类进行数据分类完成姿态识别。本发明的有益效果：本文模型与传统SVM、CNN识别姿态的差异，在相同的训练数据和测试数据下，姿态识别的准确率分别为94.6368％、92.2175％和90.5396％，很明显在识别准确率上有了一个较大提升。
-
公开(公告)号：CN116753932A
公开(公告)日：2023-09-15
申请号：CN202310725996.1
申请日：2023-06-19
Applicant: 浙江农林大学
IPC: G01C19/5776
Abstract: 本发明公开了一种MEMS传感器累积误差修正方法，包括以下步骤：S1、利用降噪算法进行MEMS传感器观测值预处理；S2、利用MEMS传感器计算航向；S3、优化经MEMS传感器得到的航向；S4、利用iBeacon信号计算航向；S5、融合iBeacon信号计算的航向与优化后的MEMS传感器计算的航向修正航向误差。本发明采用上述MEMS传感器累积误差修正方法，实验证明增加iBeacon定位修正和航向修正后，整体定位精度提升至3米以内，有效的修正了MEMS传感器算法的累积误差，增强了导航定位系统的稳定性和可持续性。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.024 seconds)
