-
公开(公告)号：CN111429343A
公开(公告)日：2020-07-17
申请号：CN202010267759.1
申请日：2020-04-08
Applicant: 湖南大学
Abstract: 本发明具体公开了一种三维数字图像中分支点的快速检测方法，所述方法包括以下步骤：S1、将给定的三维数字图像分成若干子图像并生成对应若干二维最大强度投影图像；S2、将每幅二维最大强度投影图像骨架化并选取骨架上的点作为候选分支点，再通过改进的ray-shooting模型提取所有候选分支点周围像素强度分布特征；S3、根据所提取的像素强度分布特征利用DBSCAN方法确定候选分支区域的分支数，从而根据确定的分支数得到二维分支点；S4、利用反向映射方法将得到的二维分支点映射到三维数字图像中，从而得到三维数字图像中树状结构的真实三维分支点。本发明能够准确的将三维数字图像中树状结构的分支点检测出来，具有计算成本低、误检率低且检测效率高的特点。
-
公开(公告)号：CN108628056A
公开(公告)日：2018-10-09
申请号：CN201710153878.2
申请日：2017-03-15
Applicant: 湖南大学
IPC: G02F1/365
Abstract: 本发明公开了一种治理光学光学畸形波从而获得可调节性的超连续谱的新方法。其特征在于，将两个相同的单色性激光光源，通过光耦合拍频注入两级级联光纤，接收输出的信号，其中光源1作为泵浦光源，光源2作为信号光源。采用级联的两极光纤结构，第一级为单零色散光纤，通过选择最佳调制频率来抑制噪声对脉冲演化的影响，诱导光学畸形波相对稳定的产生，选择合适的调制深度和光纤长度使得光学畸形波具有较高的输出强度。第二级为双零色散光纤，用以治理光学畸形波；通过选择具有不同零色散点位置的双零色散光纤，使得光学畸形波被转化为基阶孤子或者色散波的形式，从而获得具有不同带宽范围和平滑性的超连续谱，同时避免光学畸形波对光纤系统信号传输的不良影响。
-
公开(公告)号：CN104751420A
公开(公告)日：2015-07-01
申请号：CN201510100026.8
申请日：2015-03-06
Applicant: 湖南大学
IPC: G06T5/00
Abstract: 一种基于稀疏表示和多目标优化的盲复原方法，包括以下步骤：(1)训练获得稀疏字典D；(2)读入退化图像Y和稀疏字典D；(3)对退化图像Y分块，重构初始化复原图像；(4)构建基于稀疏先验约束的正则化项，求解图像盲复原的目标函数；(5)将图像盲复原目标函数的求解转化为多目标优化问题；(6)将多目标优化问题中的子目标函数转化为以稀疏系数为自变量的函数；(7)初始化多目标粒子群优化算法；(8)基于多目标粒子群算法求得多目标优化问题的非可支配解集；(9)从非可支配解集中选择最优稀疏系数，重构图像，获得复原后的清晰图像。本发明方法简单；复原结果图像准确、清晰；图像复原问题求解的质量高；可有效消除伪像效应，提高图像复原的效果。
-
公开(公告)号：CN119229031B
公开(公告)日：2025-03-07
申请号：CN202411747851.2
申请日：2024-12-02
Applicant: 湖南大学
Abstract: 本发明公开了一种基于三维高斯泼溅的大型装配场景的动态实时渲染方法，通过多个传感器相结合，构建一个用于动态场景实时渲染的三维高斯泼溅模型，该方法可以渲染装配场景的任意视角。三维高斯泼溅模型包括传感器数据对齐、三维高斯泼溅模型的初始化、三维高斯泼溅模型的预测与更新，结合三维高斯泼溅模型，设计了场景空间点对齐与预测器，解决多传感器数据信息冗余、动态实时渲染困难的难题，这个方法提高了装配的安全性与可靠性，能及时发现和处理装配过程中的问题，有助于推动工业智能制造快速且高质量的发展，从而推动工业制造智能化的转型。
-
公开(公告)号：CN119379683A
公开(公告)日：2025-01-28
申请号：CN202411948379.9
申请日：2024-12-27
Applicant: 湖南大学
Abstract: 本申请涉及一种基于小样本学习的航空发动机叶片缺陷检测方法，该方法包括：获取航空发动机涡轮叶片的表面缺陷图像，并为其建立掩膜真值标注；将多个表面缺陷图像按照对应的真值掩膜划分为训练集、支持集、查询集，并构建缺陷检测模型，缺陷检测模型包括跨层多级特征聚合模块、具有大感受域的混合器、前景校正模块；通过跨层多级特征聚合模块聚合支持集中支持图像与查询集中查询图像不同层次的特征，得到缺陷特征；通过具有大感受域的混合器处理缺陷特征，得到聚合特征；通过前景校正模块将聚合特征与提取的查询图像的背景特征融合并校正，得到精细化的分割结果。该方法提高了模型训练的效率和成本效益。
-
Patent Agency Ranking
公开(公告)号：CN119048500A
公开(公告)日：2024-11-29
申请号：CN202411525360.3
申请日：2024-10-30
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/0895 , G06V10/26 , G06V10/762 , G06V10/764 , G06V10/82
Abstract: 本申请涉及一种基于弱监督学习的航空发动机叶片缺陷检测方法，获取航空发动机涡轮叶片的表面图像，并对其进行类别标注；基于表面图像及其对应的类别标签，利用分类网络得到缺陷初步定位图，并生成对应的缺陷区域边界框；基于缺陷区域边界框对表面图像和缺陷初步定位图进行取块，构造图块对，并对图块对进行聚类分析；在聚类结果中选择一簇向量，对选择的向量在缺陷初步定位图和表面图像上映射的区域进行自适应抑制；将抑制后的表面图像以及缺陷初步定位图进行融合，并输入至分类网络，得到缺陷更新定位图；基于缺陷更新定位图转换得到更新的缺陷区域边界框；将表面图像和更新的缺陷区域边界框输入至视觉分割模型，得到缺陷分割结果。
-
公开(公告)号：CN118628499B
公开(公告)日：2024-10-29
申请号：CN202411110848.X
申请日：2024-08-14
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/126 , G06T7/60
Abstract: 本申请涉及一种基于网络架构搜索的航空发动机叶片缺陷检测方法，包括：对卷积神经网络和视觉Transformer网络的架构、参数进行统一，并整合为超级网络的架构；构建超级网络的架构搜索目标函数；基于ImageNet数据集以及缺陷检测数据集训练超级网络，并更新超级网络的互信息；采用进化算法，并基于架构搜索目标函数以及互信息搜索出超级网络的最优网络架构；根据识别准确率对最优网络架构进行筛选，将筛选出的最优网络架构作为特征提取网络的检测框架；将待检测的航空发动机叶片图像输入至检测框架，得到缺陷检测结果。该方法能够根据场景的变化自动设计出符合当前场景的最优神经网络架构。
-
公开(公告)号：CN118485114B
公开(公告)日：2024-09-27
申请号：CN202410940886.1
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0985 , G06T5/60
Abstract: 本申请涉及一种基于元学习的生成式对抗攻击方法，该方法包括：基于数据库和模型库构建元学习对抗攻击任务，元学习对抗攻击任务包括元训练任务和元测试任务，元训练任务用于训练更新用于元测试任务的生成对抗神经网络中的生成器；元测试任务包括进行目标形态迁移扩散操作、对抗扰动随机擦除操作以及正则化参数混合操作；元学习对抗任务用于训练生成对抗神经网络中的生成器和判别器，重复执行元学习对抗任务，直至达到第一迭代次数；获取目标图像，并将目标图像输入至训练好的生成对抗神经网络，得到目标图像的对抗扰动样本；对对抗扰动样本进行约束，将约束的对抗扰动样本叠加到目标图像得到对抗样本。
-
公开(公告)号：CN118470253B
公开(公告)日：2024-09-13
申请号：CN202410939983.9
申请日：2024-07-15
Applicant: 湖南大学
Abstract: 本申请涉及一种用于医学图像的表面网格重建方法，该方法包括：S1：构建医学图像重建模型，所述医学图像重建模型包括CNN特征提取部分、特征增强与映射部分、GNN形变部分；S2：将获取的3D体素医学图像经过所述CNN特征提取部分，提取目标组织的特征图；S3：通过所述特征增强与映射部分对所述目标组织的特征图进行增强；S4：基于增强的特征图，并通过所述GNN形变部分对模板网格进行变形，得到预测网格。该方法通过构建医学图像重建模型，提取3D体素医学图像的特征用以对模板网格进行变形，最终得到预测网格，有效提高了医学图像表面网格重建的准确性。
-
公开(公告)号：CN117745745A
公开(公告)日：2024-03-22
申请号：CN202410180218.3
申请日：2024-02-18
Applicant: 湖南大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于上下文融合感知的CT图像分割方法，构建包含具有编码器和解码器的骨干结构、并行空洞卷积模块PDCM、金字塔融合模块PFM和位置注意力模块PAM的CT图像分割模型，利用交叉熵和骰子损失作为混合损失来优化模型；利用编码器对输入图像进行编码，输出不同阶段的编码结果；利用PFM模块分别对不同阶段的编码结果级联并通过不同速率的可分离空洞卷积进行上下文特征融合，将输出与同阶段解码器跳接；利用PDCM模块对编码器最终输出的特征图通过六个不同的分支增强融合，对高阶特征映射经过改造后送入解码器；利用PAM模块对解码器输出的各阶段特征图通过多层位置注意力定位并分割出目标。提高了目标分割的准确率。
-
-
-
-
-
-
-
-
-
Search Results
151
records
(took 0.029 seconds)
