一种辅助驾驶系统的城市街景实例分割方法

    公开(公告)号:CN115063446A

    公开(公告)日:2022-09-16

    申请号:CN202210517170.1

    申请日:2022-05-12

    Applicant: 福州大学

    Abstract: 本发明提供了一种辅助驾驶系统的城市街景实例分割方法,在城市街景实例分割模型的残差网络上,对C4和C5特征层融合三种不同扩张率组合的锯齿状混合空洞卷积结构获得初步特征提取网络,同添加底层特征层P2和特征信息融合网络N2‑N6的特征金字塔获得更多的底层特征信息,并在预测网络之前添加注意力网络以增强有用特征和削弱无关特征的影响,然后对模型进行端到端训练和预警处理;所述城市街景实例分割模型包括依次连接的特征强化、初步特征提取网络、特征金字塔强化网络、掩码获取网络、注意力网络以及预测网络。应用本技术方案可实现在完成城市街景实例分割的同时提升对小目标物体、遮挡对象更精确的实例分割效果。

    一种彩色电润湿电子纸实时色彩转换方法

    公开(公告)号:CN114898718A

    公开(公告)日:2022-08-12

    申请号:CN202210658851.X

    申请日:2022-06-10

    Applicant: 福州大学

    Abstract: 本发明涉及一种彩色电润湿电子纸实时色彩转换方法。将视频分解成一帧帧的图像数据,并对图像进行分区处理;然后将图像色彩转换成256阶的灰度值信息,而后进行32×32的离散余弦变换(DCT)将图像灰度信息转换为频率分量;对32×32矩阵隔位取出8×8矩阵,并对所有数值求平均;灰度值大于均值或大于下一个像素值的记为1,反之记为0,计算哈希值,构造长整型指纹,对分区像素进行查找分组;再对相似的局部特征经池化层求平均的降采样处理;通过权值矩阵将前后层的特征神经元全连接;最后将目标像素分区RGB色彩信息根据色彩转换准则与驱动电压‑开口率特性曲线,将各个目标像素的RGB色彩计算转化为CMY油墨的驱动电压,并保存以便下次播放无需重复计算。

    自适应环境光的彩色电润湿电子纸图像对比度增强方法

    公开(公告)号:CN114783387A

    公开(公告)日:2022-07-22

    申请号:CN202210579574.3

    申请日:2022-05-25

    Applicant: 福州大学

    Abstract: 本发明提出自适应环境光的彩色电润湿电子纸图像对比度增强方法,所述方法包括以下步骤;步骤一、实时测量外界环境光,根据当前外界环境光亮度,基于预设的图像对比度模型进行计算,在对比度损失最小的约束条件下调整图像整体亮度值;步骤二、将亮度调整后的图像进行Gamma校正以提高其对比度,用原始图像的RGB值对Gamma校正后的灰度值进行色度补偿并将图像色域转换为CMY;步骤三、根据当前外界环境光亮度及对比度模型调整图像整体亮度,结合Gamma校正和色度补偿,增强彩色电润湿电子纸的显示效果;本发明能够在外界环境光较强的情况下对图像进行调制,提升显示图像对比度,增强电润湿电子纸显示设备的图像显示效果。

    一种基于区域方差权重的阈值分割方法及系统

    公开(公告)号:CN114742844A

    公开(公告)日:2022-07-12

    申请号:CN202210380141.5

    申请日:2022-04-12

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于区域方差权重的阈值分割方法及系统,该方法先利用改进的Otsu阈值分割算法求得第一阈值Th1,基于第一阈值Th1将图像分割成背景区和目标区,并计算分割的两区域的方差;再利用最大熵阈值分割算法求得第二阈值Th2,基于第二阈值Th2将图像分割成背景区和目标区,并计算分割的两区域的方差;然后引入权重系数来权衡四个方差所占比重的大小,通过权重系数自适应地调节两个阈值的大小,从而得到准确的分割阈值Th,并基于分割阈值Th将图像分割成背景区和目标区。该方法及系统有利于在不丢失图像纹理细节的同时,准确地将图像分割成目标区和背景区。

    一种基于深度学习的生活垃圾分类方法

    公开(公告)号:CN112364944B

    公开(公告)日:2022-07-05

    申请号:CN202011502665.4

    申请日:2020-12-18

    Abstract: 本发明涉及一种基于深度学习的生活垃圾分类方法。包括:建立生活垃圾数据集,采用数据增强方法扩充数据集;建立神经网络分类模型,使用幻象模块替换ResNet18残差单元的普通卷积,得到G‑ResNet18网络;将扩充后的数据集经过预处理操作后输入到G‑ResNet18网络进行分类训练;将待分类的生活垃圾图片经过预处理操作后输入到训练后的G‑ResNet18模型,输出分类结果;实验结果表明:G‑ResNet18网络在本实验数据集上的识别精度达到91.6%,识别精度提高了1%,网络的参数量减少了46%。本发明能在不降低网络识别精度的同时大大减少网络的参数量,可以应用于垃圾的智能分类。

Patent Agency Ranking