-
公开(公告)号：CN115457553A
公开(公告)日：2022-12-09
申请号：CN202211414811.7
申请日：2022-11-11
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度学习的布匹缺陷检测方法，包括：将布匹缺陷数据集通过数据增强的方式，提升算法的鲁棒性，利用多层特征提取算法，通过横向连接的自上而下的体系结构，将底层位置特征信息与高层分类特征信息相融合，提高了不同尺度布匹缺陷的检测效果，在此基础上添加可变形卷积算法，在卷积中的常规采样位置添加二维偏移量，使偏移之后的采样网格可以发生形变，解决了不规则形状布匹缺陷检测能力弱的问题，同时，使用RoiAlign与Cascade Rcnn卷积神经网络相融合，通过不断增强IOU阈值的方法，增强了缺陷检测算法在复杂图案背景下的适应性，减少了假阳性目标的错误检测，增强了布匹缺陷的检测精度。
-
公开(公告)号：CN108322276A
公开(公告)日：2018-07-24
申请号：CN201810050534.3
申请日：2018-01-18
Applicant: 南京信息工程大学
IPC: H04B17/382 , H04B17/309
Abstract: 本发明公开了一种基于D-S证据理论的频谱感知准确率提升技术，首先根据认知用户的历史感知数据，计算认知用户在历史行为中的可信度值，从而剔除那些可信度低于一定阈值的认知用户选出具有代表性的认知用户参与频谱感知。根据历史数据筛选出来的认知用户，结合D-S证据理论方法，再次从代表性认知用户中选择更适合的认知用户参与频谱感知，从而可以判断当前信道的可用性。本发明能够有效地减少频谱感知过程中的能量消耗，同时有效地提高了频谱感知的准确率。
-
公开(公告)号：CN119989247A
公开(公告)日：2025-05-13
申请号：CN202510484103.8
申请日：2025-04-17
Applicant: 南京信息工程大学
IPC: G06F18/2433 , G06F18/25 , G06F18/213 , G06F18/15 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F40/30 , G06V20/70 , G06V10/82
Abstract: 本发明公开了一种基于跨模态自适应交互的少样本工业异常检测方法，根据对齐后的最终特征，正常语义投影，异常语义投影，优化后的视觉特征以及优化后的文本特征计算总损失，并利用总损失对工业异常检测模型参数更新，得到训练好的工业异常检测模型；将待检测的工业图像输入训练好的工业异常检测模型，得到对齐后的最终特征，异常语义投影、优化后的视觉特征以及优化后的文本特征，用于判断待检测的工业图像异常情况。本发明在仅需少量正常样本的条件下，即可显著增强模型对正常与异常特征的区分能力，降低对标注数据的依赖，为智能制造提供一种高精度、低成本且可快速部署的工业异常检测解决方案。
-
公开(公告)号：CN114494805B
公开(公告)日：2025-01-17
申请号：CN202111543339.2
申请日：2021-12-16
Applicant: 南京信息工程大学
IPC: G06V10/82 , G06V10/764 , G06V10/80 , G06V10/44 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了图像处理技术领域的一种基于Resnet50结合注意力机制和特征金字塔的图像分类方法，包括以下步骤：S1、采集输入图片，并对图像进行数据预处理；S2、将预处理后的图像导入分类模型，输出三个不同卷积层的特征图；S3、对各特征图进行分别的分类预测，取可信度最大分类器，输出最终预测分类结果，本发明具有图像分类准确率高、提取质量高等优点。
-
公开(公告)号：CN117474797A
公开(公告)日：2024-01-30
申请号：CN202311832535.0
申请日：2023-12-28
Applicant: 南京信息工程大学
IPC: G06T5/70 , G06T5/50 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多尺度互补学习的图像去噪方法及装置，方法包括：步骤1：图像预处理之后得到标准化的基层和细节层；步骤2：将细节层输入细节特征学习分支得到第一个图像细节特征；步骤3：将细节层输入噪声学习分支得到第二个图像细节特征；步骤4：融合两个分支学习得到的图像细节特征；步骤5：将最终的图像细节特征和基层相加得到去噪后的图像；步骤6：计算损失并迭代训练，重复步骤2至步骤5并保存最优去噪模型；步骤7：将测试图像输入保存好的去噪模型进行测试。当噪声水平越高时，去噪模型的去噪效果越好，使噪声的去除和细节的保留之间达到良好的平衡。同时只使用了细节层参与去噪模型训练，极大减少了计算量。
-
Patent Agency Ranking
公开(公告)号：CN116416229A
公开(公告)日：2023-07-11
申请号：CN202310316062.2
申请日：2023-03-28
Applicant: 南京信息工程大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种双分支图像异常检测方法、装置、设备及介质，其方法包括：获取待检测图像，对待检测图像进行预处理；将预处理后的待检测图像输入训练好的异常检测模型，获取异常得分；根据异常得分判断待检测图像为异常图像或正常图像；其中，所述异常检测模型的训练包括：获取预设数量的样本图像，对样本图像进行旋转拓展和预处理；构建异常检测模型，所述异常检测模型包括可见异常分支和不可见异常分支；通过旋转拓展和预处理后的样本图像对异常检测模型进行训练；本发明能够对不同种类的工业图像都拥有良好的适配性，可以高效完成异常检测任务，同时计算量较低。
-
公开(公告)号：CN115542279A
公开(公告)日：2022-12-30
申请号：CN202211156539.7
申请日：2022-09-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种气象雷达杂波分类识别方法及装置，其方法包括获取测试的气象雷达数据并进行预处理；将预处理后的测试的气象雷达数据输入训练好的SegNet网络模型中，获取分类识别结果；其中，SegNet网络模型的训练过程包括：获取训练的气象雷达数据并进行预处理；基于数据类型将预处理后的气象雷达数据整合成对应的训练数据集；分别计算雷达反射率和微分相位对应的训练数据集的标准差作为雷达反射率和微分相位的纹理数据；采用模糊逻辑算法处理训练数据集中训练数据与纹理数据获取粒子相态类型的标签集；初始化SegNet网络模型，并基于训练数据集和标签集进行迭代训练；本发明能够有效的对气象雷达杂波进行分类识别，从而获得质量较高的气象雷达数据。
-
公开(公告)号：CN115330639A
公开(公告)日：2022-11-11
申请号：CN202211053496.X
申请日：2022-08-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于非局部注意力的深度增强图像去噪方法，包括：将数据集中的图像输入预先构建的网络框架中，对干净图像进行分块，得到预处理图像；对预处理图像加上加性噪声，得到带噪声图像；将带噪声图像输入到非局部注意力模块，得到带有图像非局部信息的特征图；对带有图像非局部信息的特征图进行卷积操作，得到抽象的特征图；对抽象的特征图进行卷积操作进行图像重建，得到重建后的图像；将重建后的图像输入到非局部注意力模块，得到去噪后的图像；计算去噪后的图像与干净图像之间的损失，并通过网络的正向、反向传播降低损失，直到迭代次数达到阈值或学习率衰减至下限时，得到去噪模型。
-
公开(公告)号：CN115062596A
公开(公告)日：2022-09-16
申请号：CN202210637406.5
申请日：2022-06-07
Applicant: 南京信息工程大学
IPC: G06F40/186 , G06F40/30 , G06F40/284 , G06F40/242 , G06N3/04 , G06N3/08
Abstract: 本公开提供了一种气象专报的生成方法、装置、电子设备及存储介质，所述方法包括：确定数值预报模板，所述数值预报模板包括预留位置；获取原始气象数据，将所述原始气象数据与所述数值预报模板的预留位置进行匹配，得到目标数值预报；获取原始气象文档，对所述原始气象文档进行语义提取，得到目标气象评语；根据所述目标数值预报和所述目标气象评语，确定目标气象专报。应用本公开实施例提供的方法，实现了自动生成包括数值预报和气象评语的气象专报，节省了人力和时间且内容简明扼要，可以帮助人们更加直观、明确的了解到气象状况以便对后续工作做出精准规划。
-
公开(公告)号：CN114862803A
公开(公告)日：2022-08-05
申请号：CN202210527839.5
申请日：2022-05-16
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于快速傅里叶卷积(FFC)的工业图像异常检测方法，所述方法包括获取异常图片；将所述异常图片输入预先训练过的基于快速傅里叶卷积搭建的图像异常检测模型中，获取重建图片；使用L2函数计算所述异常图片与重建图片的差值；将所述差值与预先设置的阈值进行比较，获取最终检测结果。所述图像异常检测模型的训练方法，包括：获取正常样本图片，将正常样本图片经过随机掩码变成异常图片；将异常图片输入预先构建的图像异常检测模型中进行训练，其中，图像异常检测模型包括高频注意力模块和编码器‑解码器模块，本发明可以加大输入的原始异常图片与重建图片之间的差值，起到提高异常检测精度的效果，同时也能提高异常的定位精度。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.027 seconds)
