-
公开(公告)号：CN111524149B
公开(公告)日：2023-02-28
申请号：CN202010570409.2
申请日：2020-06-19
Applicant: 安徽工业大学
IPC: G06V10/26 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于全卷积残差网络的瓦斯灰显微图像分割方法及系统，属于图像处理技术领域，包括以下步骤：S1：构建数据集；S2：构建全卷积神经网络模型；S3：构建全卷积残差网络模型；S4：对瓦斯灰显微图像进行分割测试。本发明能够较为准确地对瓦斯灰显微图像实现分割，在进行图像分割效果对比实验中，FCRN网络表现出了较好的分割效果，其中MIoU指标达到了90.15％，分割后的图像轮廓清晰、细节完整，实现了瓦斯灰显微图像的语义分割，为后续实现瓦斯灰成分精准识别打下基础，值得被推广使用。
-
公开(公告)号：CN111524149A
公开(公告)日：2020-08-11
申请号：CN202010570409.2
申请日：2020-06-19
Applicant: 安徽工业大学
Abstract: 本发明公开了基于全卷积残差网络的瓦斯灰显微图像分割方法及系统，属于图像处理技术领域，包括以下步骤：S1：构建数据集；S2：构建全卷积神经网络模型；S3：构建全卷积残差网络模型；S4：对瓦斯灰显微图像进行分割测试。本发明能够较为准确地对瓦斯灰显微图像实现分割，在进行图像分割效果对比实验中，FCRN网络表现出了较好的分割效果，其中MIoU指标达到了90.15％，分割后的图像轮廓清晰、细节完整，实现了瓦斯灰显微图像的语义分割，为后续实现瓦斯灰成分精准识别打下基础，值得被推广使用。
-
公开(公告)号：CN110097027A
公开(公告)日：2019-08-06
申请号：CN201910395781.1
申请日：2019-05-13
Applicant: 安徽工业大学
Abstract: 本发明公开了基于卷积神经网络的煤岩壳质组显微图像分类方法及系统，包括以下步骤：S1：将显微图像输入网络模型；S2：提取语义特征；S3：分析各语义特征的分类精度。在所述步骤S1中，卷积神经网络模型是一个分层系统，所述分层系统包括多个非线性神经元，所述卷积神经网络模型包括卷积层、池化层和全连接层，所述卷积层用于对输入数据进行特征提取，所述池化层用于进行特征选择和信息过滤，所述全连接层用于向其它全连接层传递信号。本发明中的卷积神经网络模型直接以原始图像作为输入，对数据进行高层抽象建模，构建复杂的高维空间信息，从训练样本中自动学习特征，从而实现图像语义特征的隐式抽取。
-
公开(公告)号：CN119444634A
公开(公告)日：2025-02-14
申请号：CN202411491080.5
申请日：2024-10-24
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于神经增强的双尺度核电站水下图像去色偏方法，属于核电站水下图像去色偏技术领域。本发明基于光的选择性衰减原理，选择特定的背景光强度A和改进透射率t的计算方式，适用于核电站水下环境，在结合Koschmieder模型后能够较好地解决水下图像的色偏问题，且可以根据不同的水深调整蓝绿色通道的光照强度的计算占比，适用性强；在对图像去色偏、细化的同时也考虑了核电站水下图像中的噪声以及计算引起的形态学伪影问题，利用霾线平均算法、双尺度GAN网络对图像进行去伪影、去噪等处理。
-
Patent Agency Ranking
公开(公告)号：CN118982711A
公开(公告)日：2024-11-19
申请号：CN202411057358.8
申请日：2024-08-02
Applicant: 安徽工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于改进后PointNet++网络的钢材点云分类方法，属于钢材点云分类技术领域。本发明提出了逆残差多层感知机结构，与多层感知机结构相比，加强了模型内部的信息传递和特征保持能力，显著提升了PointNet++网络在识别复杂钢材点云结构方面的性能；引入了分组向量注意力机制模块，在原本的特征提取基础上，进一步提高了对钢材点云细节部分的特征捕捉能力，达到提高模型整体的分类精度；利用可调整最远点采样算法替代原始PointNet++网络中最远点采样算法，有效地解决了最远点采样算法在处理钢材点云中存在计算效率低的弊端，优化了钢材分类网络模型中的采样过程。
-
公开(公告)号：CN118096668A
公开(公告)日：2024-05-28
申请号：CN202410148597.8
申请日：2024-02-02
Applicant: 安徽工业大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/0895 , G16H30/20 , G16H70/60
Abstract: 本发明提供了一种基于H&E病理图像预测消化道系统肿瘤组织起源的方法，包括：基于数据库获取癌症患者的H&E病理图像；采用CLAM学习方法对H&E病理图像进行组织区域的自动分割，获取若干个肿瘤区域图像块；采用卷积神经网络将每个图像块编码为紧凑的特征向量；构建TPT模块，基于TPT模块对特征向量进行处理，获取每个H&E病理图像中癌肿特征以预测肿瘤组织起源，本发明利用成本低廉的H&E病理图像有效预测消化道系统肿瘤的起源位置,并使用mRNA表达量数据与提取到的图像特征进行相关性分析以提高模型说服力。本发明在预测出肿瘤起源位置后可以为患者带来针对性的治疗方案，延长患者生存时间，有效改善患者生存质量。
-
公开(公告)号：CN114581907A
公开(公告)日：2022-06-03
申请号：CN202210010448.6
申请日：2022-01-06
Applicant: 安徽工业大学
IPC: G06V20/69 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于改进MobileNetV3的煤岩惰质组显微图像分类方法及系统，该方法包括：S1，采集并扩充样本数据集，划分为训练集和测试集；S2，以MobileNetV3‑large网络作为基础网络，使用Ghost瓶颈代替原来的瓶颈层，并使用CBAM注意力机制模块代替原来的SE模块，得到改进后的MobileNetV3网络模型，并采用训练集对改进后的MobileNetV3网络模型进行训练，调整网络参数得到煤岩惰质组显微组分识别模型；S3，利用煤岩惰质组显微组分识别模型以及Softmax分类器对煤岩惰质组显微图像进行显微组分分类。本发明通过改进MobileNetV3网络，得到更加轻量的、准确率更高的网络模型，能够降低模型参数量并提高煤岩惰质组分类的准确率。
-
公开(公告)号：CN113344847A
公开(公告)日：2021-09-03
申请号：CN202110432409.0
申请日：2021-04-21
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于深度学习的长尾夹缺陷检测方法及系统，属于图像处理技术领域，包括以下步骤：S1：构建样本数据集；S2：获取预训练模型；S3：构建长尾夹缺陷检测识别模型；S4：进行检测识别。本发明以YOLOv4‑Tiny网络作为基础网络，通过迁移学习共享预训练网络中的权值参数，并添加全局空间注意力机制模块，提高特征表征能力，能够较为准确的对长尾夹缺陷图像实现检测识别，在进行图像缺陷检测效果对比实验中，表现出了较好的检测效果，其中mAP值指标达到了91.66％，实现了长尾夹缺陷图像的检测识别，为后续实现长尾夹检验及反馈系统打下基础，值得被推广使用。
-
公开(公告)号：CN110147802A
公开(公告)日：2019-08-20
申请号：CN201910392730.3
申请日：2019-05-13
Applicant: 安徽工业大学
Abstract: 本发明公开了基于多重分形去趋势波动分析的惰质组分类方法及系统，属于图像处理技术领域，包括以下步骤：S1：采集惰质组样本；S2：提取惰质组纹理特征；S3：对惰质组进行分类。在所述步骤S1中，选用HD型显微镜光度计对煤岩惰质组的光学图像进行采集，在所述步骤S2中，将采集到的惰质组显微图像作为灰度图像的二维矩阵存储在计算机中，采用多重分形去趋势波动分析方法进行分析。本发明可有效提高惰质组各组分识别率，方便区分不同类别的煤岩显微图像，有利于对于煤岩工艺性质评估和煤岩洁净化高效利用的研究工作。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.02 seconds)
