-
公开(公告)号：CN115631100A
公开(公告)日：2023-01-20
申请号：CN202211144625.6
申请日：2022-09-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于区域分割的输电线路周边烟火图像数据增强方法，该方法主要通过设计分割算法在烟火图像中分割出烟火有效区，通过标注裁剪获得烟火目标库，对烟火目标库中的烟雾目标图像和火焰目标图像进行光照模拟变换、随机放大裁剪、水平镜像处理增加目标多样性，最后使用烟火目标库在烟火图像上进行随机贴图。本发明能够对样本量匮乏的输电线路周边烟火数据集进行数据增强，模拟真实输电线路周边环境下的烟火图像情况，扩充烟火数据量，增加烟火目标数。
-
公开(公告)号：CN115546795A
公开(公告)日：2022-12-30
申请号：CN202211144633.0
申请日：2022-09-20
Applicant: 华南理工大学
IPC: G06V30/148 , G06V10/25 , G06V30/19
Abstract: 本发明公开了一种基于深度学习的圆形指针式仪表自动读数方法，包括：利用实例分割深度学习模型从场景图像中分割表盘、利用实例分割得到的图像掩膜和超分辨率重建深度学习模型、双边滤波等技术对表盘图像进行图像增强和校正、利用表盘字符信息提取模块获取表盘字符信息、利用关键点检测深度学习模型获取仪表指针信息；最终基于一种改进的角度法计算出圆形指针式仪表图像的读数。本发明具有很好的通用性和准确性，不依赖待检测仪表先验信息，同时也不需要对仪表场景进行限制，为解决仪表智能读数问题提供了一种通用、有效的解决方案。
-
公开(公告)号：CN115546794A
公开(公告)日：2022-12-30
申请号：CN202211144560.5
申请日：2022-09-20
Applicant: 华南理工大学
IPC: G06V30/148 , G06T7/136 , G06V10/25 , G06V10/44
Abstract: 本发明公开了一种基于深度学习和OCR技术的圆形仪表表盘校正方法，包括：利用实例分割深度学习模型获取仪表的表盘ROI图像和对应的图像掩膜，通过检测图像掩膜的中的表盘轮廓并进行椭圆拟合，按照将椭圆表盘映射为圆形的思路，利用射影变换实现仪表表盘的倾斜校正，再利用OCR文本检测深度学习模型获取仪表图像中的字符区域信息并进一步计算仪表表盘斜率，从而实现仪表图像的旋转校正。本发明具有不依赖模板、通用性强、充分利用仪表自动读数系统中的现有模型等优点，为解决仪表自动读数识别问题中的仪表表盘校正问题提供了一种通用、有效的解决方案。
-
公开(公告)号：CN115546682A
公开(公告)日：2022-12-30
申请号：CN202211143896.X
申请日：2022-09-20
Applicant: 华南理工大学
IPC: G06V20/40 , G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于视频的动态烟雾检测方法，首先，构建烟雾训练集并标注，将烟雾训练集中的图像和对应标注文件输入烟雾静态检测算法训练，将摄像头采集到的待检测的视频流输入训练好的烟雾静态检测算法，得到烟雾检测框，使用基于软边界的非极大值抑制算法，对烟雾目标检测框进行筛选；通过卡尔曼滤波对烟雾目标的tracks进行预测，进行IOU匹配；通过匈牙利算法获得烟雾目标匹配结果；将经过动态烟雾检测筛选后的烟雾检测框绘制在相应视频帧上，在烟雾检测框的左上角区域标出检测框的预测类别信息。本发明可实时检测火灾发生时的烟雾情况，对烟雾进行精准检测和定位，实现对火灾的实时预警作用。
-
公开(公告)号：CN115471748A
公开(公告)日：2022-12-13
申请号：CN202211059723.X
申请日：2022-08-30
Applicant: 华南理工大学
Abstract: 本发明公开了一种面向动态环境的单目视觉SLAM方法，包括：1)初始化，包括读取图像序列的前两帧、提取并匹配ORB特征点、建立世界坐标系、设置单目尺度信息、建立初始地图、构建关键帧序列以及关键帧滑动窗口；2)追踪参考帧并估计初始位姿；3)剔除动态特征点并优化位姿；4)根据追踪结果，插入关键帧并追踪参考关键帧，然后构造地图点并插入地图；5)剔除滑动窗口上动态地图点，并执行局部光束平差优化；6)剔除冗余关键帧和地图点；7)若设备算力充足，执行全局光束平差优化；8)重复步骤2)‑7)，直至序列中图像帧全部处理完。本发明解决了视觉SLAM方法应用于动态环境中定位与建图存在鲁棒性弱及精度差的问题。
-
Patent Agency Ranking
公开(公告)号：CN115153835A
公开(公告)日：2022-10-11
申请号：CN202210861172.2
申请日：2022-07-22
Applicant: 华南理工大学 , 广东省第二人民医院(广东省卫生应急医院)
IPC: A61B34/10
Abstract: 本发明公开了一种基于特征点配准与增强现实的髋臼假体放置引导系统及方法，该方法包括：获取髋关节图像信息及三维重建髋关节模型；求解对应髋臼杯型号；将对应髋臼杯导入并模拟髋臼杯放置；求解并可视化髋臼假体放置方向；将虚拟三维髋关节模型作为浮动图像，将实际髋关节手术部位作为参考图像，基于选取特征点匹配的四元数法求解旋转平移矩阵进行虚实场景的配准；利用增强现实技术将配准好的虚拟规划路径实时渲染到实际场景；采用张式标定法实现机械臂的手眼标定，获取相机坐标系到机械臂坐标系的变换矩阵，引导机械臂抓取髋臼锉到达术前规划路径的空间位置。本发明减少仅凭主观判断引起的误差，提高假体放置的准确性和安全性，缩短假体放置时间。
-
公开(公告)号：CN115063302A
公开(公告)日：2022-09-16
申请号：CN202210501241.9
申请日：2022-05-10
Applicant: 华南理工大学
Abstract: 本发明公开了一种针对指纹图像椒盐噪声的有效去除方法，包括：1)设置初始状态值，2)检测指纹图像中所有点是否为候选噪声点；3)根据最小绝对亮度差与自适应阈值的关系，检测指纹图像中所有候选噪声点是否为真正噪声点；4)运用窗口中极值像素密度的信息选择去噪窗口，对真正噪声点进行像素值的替换；5)滑动滤波窗口直到整幅指纹图像均被处理完成，实现针对指纹图像椒盐噪声的有效去除。本发明能够根据指纹图像上纹线的特点，使用指纹图像局部的细节信息，改善指纹图像上椒盐噪声的去除和细节保护的问题，同时提升了指纹图像在被椒盐噪声污染时的恢复效果，进一步可以实现更精确的指纹特征识别。
-
公开(公告)号：CN114863373A
公开(公告)日：2022-08-05
申请号：CN202210411423.7
申请日：2022-04-19
Applicant: 华南理工大学 , 国家海洋局南海调查技术中心(国家海洋局南海浮标中心)
IPC: G06V20/54 , G06V10/82 , G06T5/00 , G06T7/00 , G06T7/11 , G06T7/12 , G06T7/13 , G06T7/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种海上无人平台监控方法及海上无人监控平台，所述方法包括：根据所述去雾模型对含雾气的摄像机采集图像进行去雾处理，并对所述摄像机采集图像进行预处理。利用YOLOV5对所述摄像机采集图像进行目标检测，得到船只边界框；检测出所述摄像机采集图像中的海天线；若所述船只边界框处于所述海天线的距离与警戒线形成的警戒区域中，且所述船只边界框所占面积大于预设面积阈值，发送船只非法入侵信号。采用本发明实施例，利用YOLOV5检测框和海天线检测的结构进行入侵判断，并加入一系列预处理手段提高在复杂天气下的检测率。
-
公开(公告)号：CN114781483A
公开(公告)日：2022-07-22
申请号：CN202210269865.2
申请日：2022-03-18
Applicant: 华南理工大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于卷积神经网络的草菇生长状态识别方法，包括：1)收集温室内种植的草菇的图像，并根据图像中草菇的生长状态进行分类，构建原始数据集；2)根据温室内环境与草菇的生长特点，使用数据增强手段对原始数据集进行数据增强，构建训练数据集；3)对训练数据集进行尺寸转换和数据归一化处理；4)对卷积神经网络ResNet模型进行改进；5)对改进后的ResNet模型设定训练参数，并使用训练数据集进行训练，保存最优的模型；6)对待识别的图像进行尺寸转换和数据归一化处理后，将其输入保存好的模型中进行向前推理，模型能推理出待识别的图像中草菇整体的生长状态，完成对草菇生长状态的识别。本发明可实现高精度的草菇生长状态识别。
-
公开(公告)号：CN114241285A
公开(公告)日：2022-03-25
申请号：CN202111410408.2
申请日：2021-11-25
Applicant: 华南理工大学
IPC: G06V20/00 , G06V10/26 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N5/02
Abstract: 本发明公开了一种基于知识蒸馏和半监督学习的船舶快速检测方法，包括：1)利用已有船舶数据与需要部署的海域采集到的船舶数据构建船舶数据集，并对数据集中的部分数据进行船舶目标的标注，根据先验框滑动生成训练样本并进行数据增强；2)构建教师网络，先利用标注样本进行预训练，接着联合无标注样本进行半监督训练以实现船舶检测；3)构建轻量级学生网络，利用已训练好的教师网络指导学生网络对标注样本与无标注样本实现知识蒸馏；4)将训练好的学生网络模型转化为ONNX格式，采用OpenVINO进一步优化和部署学生网络，实现快速的船舶检测。本发明将精度高容量大的教师网络所学习到的知识迁移到轻量级学生网络中，在保证检测精度同时，实现快速的船舶检测。
-
-
-
-
-
-
-
-
-
Search Results
335
records
(took 0.029 seconds)
