-
公开(公告)号：CN116229265A
公开(公告)日：2023-06-06
申请号：CN202310212916.2
申请日：2023-03-08
Applicant: 长江大学 , 中国农业科学院作物科学研究所
Abstract: 本发明公开了一种自动无损提取大豆植株表型的方法，包括：获取大豆植株图像，将大豆植株图像输入至预先训练的YOLOv5s‑S神经网络模型中识别豆荚区域和茎区域，获得豆荚和茎秆的坐标信息，并根据豆荚的坐标信息获取豆荚个数，采用训练后的U2‑Net神经网络模型对大豆植株图像进行语义分割，获得伪彩色分割图，对大豆植株图像进行二值化处理，获得二值化图像，将伪彩色分割图和二值化图像进行叠加，采用基于A*搜索的路径搜索算法对叠加后的图像进行处理，获得株高、有效分枝数以及分枝长度。本发明的自动无损提取大豆植株表型的方法可以在一次扫描中计算大豆植株的豆荚个数，识别所有有效分枝，测量植株高度和分枝长度，具有令人满意的精度。
-
公开(公告)号：CN113283538A
公开(公告)日：2021-08-20
申请号：CN202110657174.5
申请日：2021-06-11
Applicant: 长江大学
IPC: G06K9/62 , G06K9/40 , G06N3/04 , G06N3/08 , G06T7/13 , G06T7/136 , G06T7/149 , G06T7/11 , G06T7/194
Abstract: 该基于卷积神经网络的昆虫分类及计数方法将深度学习和图像处理技术进行融合使用，使用深度学习技术训练语义分割模型对用诱虫板诱捕到的害虫进行虫子分类，并获取害虫区域特征，再结合使用图像处理中形态学处理实现害虫进行计数的方法，特别适合农业病虫害防治的使用。
-
公开(公告)号：CN119516535A
公开(公告)日：2025-02-25
申请号：CN202411329697.7
申请日：2024-09-24
Applicant: 长江大学
Abstract: 本发明涉及一种基于深度学习的大豆植株茎秆相关表型自动获取方法，通过八个步骤，将深度学习和图像处理技术融合使用，针对成熟期大豆整株图像结合大豆植株形态学特征，通过深度学习训练目标检测模型识别茎节，训练语义分割模型提取茎秆区域，结合茎秆区域提取结果优化茎节检测结果，再结合图像二值化处理，设计多路径规划算法对重构的主茎和分枝分别实现茎节定位、排序、计数和茎节间距计算，用最大内切圆法获取主茎和分枝茎粗，实现针对成熟期大豆整株植株茎秆相关表型的自动获取，为育种人员提供海量表型数据。克服了现有人工和传感器检测法及图像处理法采集大豆整株植株表型数据的不足，具有客观、准确，自动、高效率获取表型数据的特点。
-
公开(公告)号：CN117711062A
公开(公告)日：2024-03-15
申请号：CN202311716018.7
申请日：2023-12-13
Applicant: 长江大学
IPC: G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V10/42 , G06V20/40 , G06V10/80
Abstract: 该基于卷积神经网络的瓢虫运动行为分析方法将深度学习和数据分析技术进行融合，使用深度学习技术训练姿态估计模型对瓢虫进行监测，并获取足部关键点位置信息，再结合使用数据分析处理获得瓢虫运动时的步频、步幅、步速参数，达到指导瓢虫物理防治的目的。
-
公开(公告)号：CN117711061A
公开(公告)日：2024-03-15
申请号：CN202311712438.8
申请日：2023-12-13
Applicant: 长江大学
IPC: G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V20/40
Abstract: 本发明涉及一种非入侵式分析瓢虫爬行步距步速步频的测算方法，属昆虫爬行行为分析技术领域。该非入侵式分析瓢虫爬行步距步速步频的测算方法采用efficientnet‑b0神经网络相较于其他神经网络，具有识别速度快、识别准确率高、模型抗干扰能力强等优点；通过efficientnet‑b0神经网络分析所拍摄的瓢虫爬行时的图像数据中所标注各个关节点的坐标值，并只取识别率在90%以上的坐标数据进行步距计算偏差小、简单快捷。
-
Patent Agency Ranking
公开(公告)号：CN116452489A
公开(公告)日：2023-07-18
申请号：CN202210996380.3
申请日：2022-08-19
Applicant: 长江大学
IPC: G06T7/00 , G06T7/11 , G06T7/194 , G06T7/62 , G06V10/762 , G06V10/774 , G06Q10/0639 , G06N3/048
Abstract: 该基于神经网络算法的多部位猪肉肌内脂肪含量的估算方法，通过用的学习聚类方法和样本图像的转换方法解决了现有无损检测检测方法存有的检测范围窄和检测误差较大的问题，特别适合猪肉肌内脂肪含量检测使用的需要。
-
公开(公告)号：CN113298023B
公开(公告)日：2022-09-23
申请号：CN202110656390.8
申请日：2021-06-11
Applicant: 长江大学
Abstract: 本发明涉及一种行为识别方法，具体涉及一种基于深度学习及图像技术的昆虫动态行为识别方法。该识别方法，包括如下步骤：1）、获取数据源视频；2）、处理图像；3）、建立识别模型；4）、提取时间空间特征；5）、深度学习；6）、识别分类昆虫动态行为。该识别方法通过将昆虫身体分为头部和尾部区域，分别提取ROI，且分别对头部和尾部ROI进行检测，能有效避免昆虫当前行为对身体其他部位造成的震动干扰导致误判，进而能有效提高准确率；同时在对关键点识别模型和神经网络模型进行训练后，即能通过关键点识别模型和神经网络模型自动识别昆虫行为生成结果，进而能大大减少人工观测时间；解决了现有现有方法费时费力，准确性不佳的问题。
-
公开(公告)号：CN113313737A
公开(公告)日：2021-08-27
申请号：CN202110657187.2
申请日：2021-06-11
Applicant: 长江大学
IPC: G06T7/246 , G06T7/13 , G06T7/136 , G06T7/62 , G06T7/73 , G06T5/00 , G06T5/30 , A01M1/02 , A01M1/22
Abstract: 本发明涉及一种昆虫计数方法，具体涉及一种基于计算机视觉的诱虫瓶昆虫计数方法。该计数方法，包括如下步骤：获取图像、处理图像和昆虫计数。该昆虫计数方法不需要杀死昆虫，即可对昆虫的数量进行实时计数，且其过程不需要人工干预，从而能省时省力；通过昆虫的方向信息和当前位置信息相互印证，能判断是否为同一只昆虫，进而避免漏记、错记的情况发生，能有效提高计数结果的准确性；解决现有计数方法费时费力，且容易发生错记、漏记的问题。
-
公开(公告)号：CN111914720B
公开(公告)日：2021-08-17
申请号：CN202010732376.7
申请日：2020-07-27
Applicant: 长江大学
Abstract: 本发明涉及电力巡检技术领域，公开了一种输电线路绝缘子爆裂识别方法，包括以下步骤：采集输电线路图像，对输电线路图像中绝缘子区域进行标注，得到绝缘子标注框；对输电线路图像进行分割，得到多个锚框，选取一部分锚框，根据绝缘子标注框对选取的锚框进行分类，得到包括绝缘子的正样本和不包括绝缘子的负样本；利用正样本和负样本对区域提议网络进行训练，得到绝缘子识别模型；根据绝缘子识别模型对所有锚框进行分类，得到正样本和负样本，对正样本进行爆裂区域标注，得到训练样本；利用训练样本对神经网络进行训练，得到爆裂识别模型；结合绝缘子识别模型以及爆裂识别模型对待识别图像进行爆裂识别。本发明具有巡检效率高的技术效果。
-
公开(公告)号：CN112183470A
公开(公告)日：2021-01-05
申请号：CN202011168530.9
申请日：2020-10-28
Applicant: 长江大学
Abstract: 本发明涉及一种船舶水尺识别方法、设备及存储介质，方法包括：获取船舶水尺原始视频；利用水线识别模型识别出所述船舶水尺原始视频每一帧中的水位线识别框后，得到每个所述水位线识别框的中心坐标并进行筛选后，求取筛选出的各个中心坐标中的纵坐标的平均值；利用水尺数字识别模型，识别出所述船舶水尺原始视频中最靠近水位线的水尺数字标签值，以及最靠近水位线的水尺数字所在位置的纵坐标，并根据所述水尺数字标签值以及所述水尺数字所在位置的纵坐标计算出比例尺；根据所述筛选出的各个中心坐标中的纵坐标的平均值、水尺数字标签值、水尺数字所在位置的纵坐标和比例尺进行水尺识别。本发明解决了目前水尺识别精度低、具有安全隐患的问题。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.068 seconds)
