-
公开(公告)号：CN117391983B
公开(公告)日：2025-01-10
申请号：CN202311405386.X
申请日：2023-10-26
Applicant: 安徽大学
IPC: G06T5/50 , G06T3/4038 , G06V10/25 , G06V10/42 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本申请提供一种红外图像与可见光图像融合方法，其包括：将红外图像与可见光图像分别输入至单模态特征提取分支网络；利用残差连接的特征提取模块获得红外特征以及可见光特征；混合注意力机制模块运算步骤；获得单模态红外特征与单模态可见光特征；获得多模态红外特征以及多模态可见光特征；混合模态特征提取步骤；判断单模态特征提取分支网络的级数是否小于预设级数，若是，循环混合注意力机制模块运算步骤至混合模态特征提取步骤，若否，将最后一级卷积得到的单模态红外特征以及单模态可见光特征与在最后一层Transformer模块中得到的多模态红外特征与多模态可见光特征分别相加之后再进行拼接；将拼接后的特征输入至解码器网络生成融合图像。
-
公开(公告)号：CN118781326A
公开(公告)日：2024-10-15
申请号：CN202410906096.1
申请日：2024-07-08
Applicant: 安徽大学
IPC: G06V10/25 , G06V10/40 , G06V10/56 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/42 , G06V10/44 , G06T7/50 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于深度感知RGB多尺度融合网络的目标检测方法，包括：步骤1，分别在RGB分支和深度分支中，对RGB图和深度图进行特征下采样，得到RGB特征和深度特征；在RGB分支中的下采样后插入深度感知RGB特征优化模块增强RGB特征；步骤2，基于多尺度注意力增强融合模块进行RGB特征和深度特征融合；步骤3，双注意力引导模块使用更深的特征来引导融合后的特征以进行进一步滤波；步骤4，利用sigmoid函数优化显著性区域检测，得到最终的检测目标。本发明可以在不增加太多参数的情况下更准确地滤除当前特征，进行更高效的提取和融合，提高在复杂背景或者不同光照条件下显著性检测的精度。
-
公开(公告)号：CN118154447B
公开(公告)日：2024-08-20
申请号：CN202410578624.5
申请日：2024-05-11
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学 , 国网智能电网研究院有限公司
Abstract: 本发明提供基于引导频率损失函数的图像恢复方法及系统，方法包括：构建第一质量图像数据集、第二质量图像数据集，划分得到训练集、验证集；将相邻两层高斯金字塔图像取出，以对第一质量图像数据集、第二质量图像数据集中的小尺寸图像进行上采样，得到不少于2种相同尺寸图像，做差得到一层输入拉普拉斯图像，将最小尺寸图像作为拉普拉斯金字塔最底层，构建图像拉普拉斯金字塔，根据沙博尼耶损失、拉普拉斯金字塔损失和迭代层次化高频分量损失确定引导频率损失，利用引导频率损失收敛模型；验证模型。本发明解决了图像恢复质量较差、系统鲁棒性较差的技术问题。
-
公开(公告)号：CN118279289A
公开(公告)日：2024-07-02
申请号：CN202410572037.5
申请日：2024-05-10
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学 , 国网智能电网研究院有限公司
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/086
Abstract: 本发明提供一种电力设备视频图像缺陷识别方法及系统，方法包括：预训练初始残差神经网络，以得到适用缺陷分类残差神经网络；初始化问题潜在解粒子群位置、速度；计算每个问题潜在解粒子的适应值；利用粒子群优化算法持续迭代，寻获并更新得到局部更新最优解、全局更新最优解，以更新获取问题潜在解粒子的位置、速度；在满足粒子群优化算法的结束条件时结束持续迭代，根据更新获取的问题潜在解粒子的位置、速度，输出最佳位置参数，以利用适用缺陷分类残差神经网络，处理得到电力设备视频图像中的缺陷坐标位置。本发明解决了电力设备视频图像缺陷识别过程中的标记操作效率低、准确性低、检测模型的计算量大、网络结构复杂的技术问题。
-
公开(公告)号：CN117474782A
公开(公告)日：2024-01-30
申请号：CN202311493612.4
申请日：2023-11-10
Applicant: 安徽大学
IPC: G06T5/50 , G06V10/44 , G06V10/80 , G06V10/771 , G06V10/54 , G06N3/045 , G06N3/0464
Abstract: 本申请提供一种红外图像与可见光图像的融合方法及系统，该方法包括采集可见光图像以及对应的红外图像；多级特征提取步骤；将经过残差密集块的每级第一红外特征与第一可见光特征输入至模态融合模块，获取第二红外特征与第二可见光特征；加权运算步骤：将第二可见光特征与第一可见光图像加权后输入至下一层残差密集块，将第二红外特征与第一红外图像加权后输入至下一层残差密集块；判断残差密集块提取分支网络的级数是否小于预设级数，若是，循环多级特征提取步骤至加权运算步骤；若否，将最后一级输出的第二红外特征和第二可见光特征与对应输入的第一红外图像和第一可见光图像分别相加，并结合后输入至解码器恢复图像特征，以获得融合图像。
-
Patent Agency Ranking
公开(公告)号：CN117011669A
公开(公告)日：2023-11-07
申请号：CN202310814159.6
申请日：2023-07-03
Applicant: 安徽大学
IPC: G06V10/82 , G06V10/80 , G06V10/52 , G06V10/54 , G06V10/764 , G06V10/77 , G06V10/26 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本申请提供一种红外小目标检测方法及系统，红外小目标检测方法包括：利用卷积将一单通道图片下采样为多个不同尺度的多通道特征图；基于卷积运算提取所述多通道特征图的细节特征，并输出第一特征图；基于稀疏采样的特征关联注意力机制，将所述第一特征图转变为第二特征图；使用双线性差值的方式对所述第二特征图进行上采样，并获取第三特征图；将所述第三特征图、所述第二特征图与所述第一特征图矩阵相加，并输出融合特征图；整合所述融合特征图的多通道特征，并将卷积后的特征转化为像素点的二分类概率；基于饱和激活函数，筛选符合待测目标的像素点，以解决现有的小目标检测算法效果不佳、计算量大的技术问题。
-
公开(公告)号：CN116309115A
公开(公告)日：2023-06-23
申请号：CN202310064603.7
申请日：2023-02-06
Applicant: 安徽大学
IPC: G06T5/00 , G06T5/50 , G06N3/045 , G06N3/0499
Abstract: 本发明公开了一种基于深度耦合反馈网络的全色锐化方法，涉及图像融合技术领域，包括以下步骤：获取PAN图像和MS图像；构建深度耦合反馈网络；将PAN图像和MS图像输入至深度耦合反馈网络，最终输出为融合图像；深度耦合反馈网络包括：输入模块，接收PAN图像和MS图像；特征提取模块，包括三个FEB模块，用于提取PAN图像的低级特征和高级特征以及MS图像的特征；两个CFB子网络，包括多组对称的CFB模块，用于将提取到的多个特征进行融合；输出模块，输出融合图像。本发明的PSCF‑Net能够在特征域中实现PAN图像和MS图像的深度特征融合，能够得到同时拥有高光谱和空间分辨率的图像。
-
公开(公告)号：CN116091374A
公开(公告)日：2023-05-09
申请号：CN202310015361.2
申请日：2023-01-05
Applicant: 安徽大学
Abstract: 本发明涉及图像处理技术领域，公开了基于图像增强和权重优化的红外与可见光图像融合方法，本申请采用了一种新的权重图构造方法，能够更充分地提取输入图像的重要特征；在加权融合之前对源图像进行增强，以解决加权融合容易导致细节和特征不足的缺陷，此外，对权重系数的优化使本方法比传统的加权融合方法相比更具鲁棒性。本方法生成的融合图像有着良好的特征与细节表现，并且不会产生伪影。
-
公开(公告)号：CN114022490A
公开(公告)日：2022-02-08
申请号：CN202111232281.X
申请日：2021-10-22
Applicant: 安徽大学
IPC: G06T7/11
Abstract: 本发明公开了一种可对葵花籽图像进行去粘连分割的图像处理方法，涉及数字图像处理领域，该方法包括以下步骤：S1：图像剪裁。S2：图像二值化。将物料和背景板图像进行分离。S3：提取粘连区域。从图像中分离出每个封闭的独立区域，获取相应的图像掩膜。S4：预测区域内物料个数。对提取出的独立区域进行面积计算，估算图像区域内葵花籽的数量。S5：计算基于混合高斯模型(GMM)的分割模型的参数。根据物料个数和粘连的图像区域，由期望最大化算法进行参数计算。S6：分割与提取葵花籽物料。采用本发明的技术方案精度高、计算复杂度低、不涉及复杂的非线性计算，易于在嵌入式系统中使用C语言实现，也可以在FPGA中进行移植与实现。
-
公开(公告)号：CN110631827A
公开(公告)日：2019-12-31
申请号：CN201910795937.5
申请日：2019-08-27
Applicant: 安徽大学
IPC: G01M13/021 , G01M13/028 , G06K9/62
Abstract: 本发明公开了一种基于改进协同表示分类的齿轮箱故障诊断方法，首先利用传统傅里叶变换将齿轮箱的原始振动信号进行频域变换，提取频域特征，并利用主成分分析降低所得到的特征矩阵的维度；基于降维后的相似特征矩阵，利用不同故障类别的特征矩阵进行训练得到不同的子字典，再将子字典进行合并形成过完备字典；根据所得到的过完备字典，通过协同表示分类来计算每个故障类别的残差，残差最小的故障类别就是查询样本所属的类别，以此来实现故障的分类。上述方法能在快速分类的同时，提高故障分类的准确率，进而提高了齿轮箱故障诊断的可靠性。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.026 seconds)
