-
公开(公告)号：CN110033447A
公开(公告)日：2019-07-19
申请号：CN201910292336.2
申请日：2019-04-12
Applicant: 东北大学
Abstract: 本发明涉及表面缺陷检测技术领域，提供一种基于点云方法的高铁重轨表面缺陷检测方法，首先构建检测平台，并对彩色双目线阵相机进行标定；然后采集待检测高铁重轨在n个视角下的初始线阵图像并进行预处理；接着将每个视角下两幅二维图像映射为一幅三维深度图像，利用基于相位相关的二维图像配准方法为相邻视角下两幅待配准点云提供初始配准，并对配准后每对点云进行ICP精确迭代，得到完整的表面点云；最后利用将法矢角度、曲率改变量作为平滑阈值的点云区域生长算法，对完整的表面点云进行缺陷提取与分割，得到待检测高铁重轨表面缺陷分布。本发明能够降低图像采集质量及检测区域范围对检测的影响，提高检测效率与检出率，降低漏检率与误检率。
-
公开(公告)号：CN108345911A
公开(公告)日：2018-07-31
申请号：CN201810338076.3
申请日：2018-04-16
Applicant: 东北大学
Abstract: 本发明提供一种基于卷积神经网络多级特征的钢板表面缺陷检测方法，涉及钢板缺陷检测技术领域。该方法首先选取基准网络，并对其进行预训练，同时建立用于微调训练的专用缺陷检测数据集；然后搭建整体检测网络和多级特征融合网络，并将它们合并得到缺陷检测网络；最后设置缺陷检测网络的损失函数和训练超参数，并对缺陷检测网络进行训练，使基准网络、多级特征融合网络和RPN共享卷积层和计算量，得到训练完成的缺陷检测网络模型，进而对钢板表面缺陷进行检测。本发明提供的基于卷积神经网络多级特征的钢板表面缺陷检测方法，具有强大的缺陷分类能力，且能够完整的获得缺陷的具体类别以及精确的位置信息，同时降低了检测所需硬件的配置。
-
公开(公告)号：CN106344137A
公开(公告)日：2017-01-25
申请号：CN201510428252.9
申请日：2015-07-21
Applicant: 东北大学
IPC: A61B17/70
CPC classification number: A61B17/7001 , A61B17/7004 , A61B17/7031 , A61B17/7052 , A61B17/7074 , A61B2017/00831 , A61B2017/564
Abstract: 本发明涉及骨科用医疗器械领域，尤其是一种胸腰椎病变或损伤时，用于对胸腰椎进行固定的胸腰椎后路柔性固定系统。该系统包括两个椎弓根螺钉、一个起柔性连接两个椎弓根螺钉作用的Ni-Ti弹簧棒及用于锁紧固定Ni-Ti弹簧棒和椎弓根螺钉的顶丝。Ni-Ti弹簧棒规格为：丝径2.24～2.99mm，中径5mm。本发明的胸腰椎后路柔性固定系统针对目前主流的坚强固定系统存在的术后并发症问题，结合人体生物力学相关理论，是从力学角度提出的重建人体腰椎稳定的解决方案。该系统所有设计参数直接来自国人脊柱解剖学数据，可满足胸腰椎内固定手术需求，固定及恢复效果良好。
-
公开(公告)号：CN105488503A
公开(公告)日：2016-04-13
申请号：CN201510852639.7
申请日：2015-11-27
Applicant: 东北大学
IPC: G06K9/32
CPC classification number: G06K9/4604 , G06K9/3233 , G06K9/40 , G06K9/50
Abstract: 一种非编码圆环形标记点圆心图像坐标检测方法，属于图像处理与模式识别领域。通过Canny边缘检测获得图像上可能代表标记点的边缘，并通过腐蚀后的全局二值化图像建立对边缘图像的遮罩，过滤掉图像中的伪边缘；利用逐行扫描的方式初步获得标记点圆心坐标及其横、纵向范围；在灰度图像Ig上构建感兴趣区域ROI，并在ROI中确定标记点质心，最终获得所求标记点圆心在原图像上的坐标。本发明将标记点检测范围缩小至ROI，ROI范围内的伪边缘及灰度变化得到限制，故不易受光照不均的影响。同时由于对腐蚀后边缘图像中的边缘进行预选，使所构建ROI很可能包含标记点，因此可以放宽几何准则、形状准则的判定阈值，故可以克服标记点图像椭圆化影响。
-
公开(公告)号：CN103267764B
公开(公告)日：2015-06-17
申请号：CN201310210470.6
申请日：2013-05-30
Applicant: 东北大学
IPC: G01N21/88
Abstract: 本发明一种基于邻域信息评估的热轧钢板表面缺陷图像识别方法，属于模式识别和机器视觉领域，本发明在钢板表面缺陷图像的特征提取中引入了局部二值模式的特征提取方法，该方法提取的特征具有：同类缺陷的特征集中而不同类型缺陷特征区分度较高；本发明在局部二值模式的特征提取中引入了邻域信息评估窗口，可以有效抵抗特征受到的噪声干扰影响；本发明在局部二值模式的特征提取中引入了邻域信息评估窗口，还可以有效解决由于照明和材料的变化影响而使得缺陷特征发生改变。
-
Patent Agency Ranking
公开(公告)号：CN119540257A
公开(公告)日：2025-02-28
申请号：CN202411608884.9
申请日：2024-11-12
Applicant: 东北大学
Abstract: 本发明提供一种面向螺旋钢管焊缝内部极小缺陷的细粒度分割方法，涉及基于机器视觉的无损检测技术领域。该方法在面对静态场景下螺旋钢管焊缝内部极小缺陷难以判别的情况下，构建细粒度极小缺陷分割网络模型，包括特征提取网络、语义判别编码器、对比转换机制、渐进迭代解码策略及若干个卷积模块，设计了一种语义判别体系结构，以语义为导向自适应初始化特征，缓解缺陷规模差异；引入对比转换机制对缺陷特征进行动态优化；最后，采用渐进迭代解码策略对融合后的特征图进行细粒度像素级分割。该方法在样本类别分布不平衡、极小缺陷分布密集、像素冗余和背景干扰等不利场景下仍能取得良好分割效果，并且有效提高了网络的分割性能。
-
公开(公告)号：CN113076947B
公开(公告)日：2023-09-01
申请号：CN202110324087.8
申请日：2021-03-26
Applicant: 东北大学
IPC: G06V10/25 , G06V10/26 , G06V10/80 , G06V10/764
Abstract: 一种交叉引导融合的RGB‑T图像显著性检测系统，属于计算机视觉图像检测技术领域。特征提取模块提取彩色和热红外图像的特征，三级解码块中的每个模块由以两个模态信息各自为主要引导的两部分所组成，每一部分独有一个引导融合(GFM)模块，同时交叉共有跨级增强(CLE)模块和全局辅助增强(GAE)模块。GFM通过使用单一模态信息为主要引导，另一模态信息辅助增强，实现对单一模态信息的深入挖掘和跨模态信息的充分融合。CLE使用前一级引导融合后的特征来增强当前级的信息，GAE是对逐级引导好的信息进一步整合，同时，在最后一级解码块产生最后的显著性图。该系统可深入挖掘两模态信息，更好地融合两模态特征，提高显著性检测效果。
-
公开(公告)号：CN110033447B
公开(公告)日：2022-11-08
申请号：CN201910292336.2
申请日：2019-04-12
Applicant: 东北大学
Abstract: 本发明涉及表面缺陷检测技术领域，提供一种基于点云方法的高铁重轨表面缺陷检测方法，首先构建检测平台，并对彩色双目线阵相机进行标定；然后采集待检测高铁重轨在n个视角下的初始线阵图像并进行预处理；接着将每个视角下两幅二维图像映射为一幅三维深度图像，利用基于相位相关的二维图像配准方法为相邻视角下两幅待配准点云提供初始配准，并对配准后每对点云进行ICP精确迭代，得到完整的表面点云；最后利用将法矢角度、曲率改变量作为平滑阈值的点云区域生长算法，对完整的表面点云进行缺陷提取与分割，得到待检测高铁重轨表面缺陷分布。本发明能够降低图像采集质量及检测区域范围对检测的影响，提高检测效率与检出率，降低漏检率与误检率。
-
公开(公告)号：CN108345911B
公开(公告)日：2021-06-29
申请号：CN201810338076.3
申请日：2018-04-16
Applicant: 东北大学
Abstract: 本发明提供一种基于卷积神经网络多级特征的钢板表面缺陷检测方法，涉及钢板缺陷检测技术领域。该方法首先选取基准网络，并对其进行预训练，同时建立用于微调训练的专用缺陷检测数据集；然后搭建整体检测网络和多级特征融合网络，并将它们合并得到缺陷检测网络；最后设置缺陷检测网络的损失函数和训练超参数，并对缺陷检测网络进行训练，使基准网络、多级特征融合网络和RPN共享卷积层和计算量，得到训练完成的缺陷检测网络模型，进而对钢板表面缺陷进行检测。本发明提供的基于卷积神经网络多级特征的钢板表面缺陷检测方法，具有强大的缺陷分类能力，且能够完整的获得缺陷的具体类别以及精确的位置信息，同时降低了检测所需硬件的配置。
-
公开(公告)号：CN112686193A
公开(公告)日：2021-04-20
申请号：CN202110012575.5
申请日：2021-01-06
Applicant: 东北大学
Abstract: 本申请公开了一种基于压缩视频的动作识别方法、装置及计算机设备，涉及神经网络动作识别技术领域，可以解决在基于深度学习神经网络进行视频中的动作识别时，计算量较大的技术问题。其中方法包括：对样本集进行预处理，确定所述样本集中各个样本压缩视频对应的融合特征，所述融合特征至少包括空间特征、运动特征；利用所述融合特征训练动作识别模型；若判定所述动作识别模型符合预设训练标准，则利用所述动作识别模型对目标压缩视频进行动作识别，获取动作识别结果。本申请适用于对压缩视频的动作识别。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.017 seconds)
