-
公开(公告)号：CN110097536A
公开(公告)日：2019-08-06
申请号：CN201910285184.3
申请日：2019-04-10
Applicant: 东南大学
Abstract: 本发明公开了基于深度学习和霍夫变换的六边形螺栓松动检测方法，属于计算机视觉技术领域。本发明使用深度学习技术，通过基于区域的全卷积神经网络目标检测算法实现螺栓松动的检测。先对输入图片计算深度特征从而得到螺栓位置，再在原有图片中根据计算得到的螺栓位置提取出螺栓图像并经过一系列图像处理算法得到边缘信息，再使用霍夫变换计算螺栓角度。采用我们设计的检测方案可以准确检测出螺栓是否发生松动。
-
公开(公告)号：CN110136126A
公开(公告)日：2019-08-16
申请号：CN201910414690.8
申请日：2019-05-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于全卷积神经网络的圆织机织物纹理瑕疵检测方法，属于计算机视觉技术领域。本发明对于软管纺织中存在的四类瑕疵和检测时的实时性要求，将基于区域的全卷积网络中使用的ResNet-101替换为浮点数运算量减少一半，特征提取能力相当的ResNeXt-50网络。针对条带状织物特征图尺寸较小的问题，去除网络中最后一次降采样，并引入空洞卷积替代普通卷积，加大感受野，使每个卷积的输出都含有较大范围的信息，使用多尺度交替训练和在线难示例挖掘保证网络得到更加充分的训练。采用本发明设计的检测方案可以满足实时性要求，实现对条带状织物上纹理瑕疵的有效检测。
-
公开(公告)号：CN104038936A
公开(公告)日：2014-09-10
申请号：CN201410246037.2
申请日：2014-06-04
Applicant: 东南大学
Abstract: 本发明公开了一种分层无线传感器网络中的密钥管理方法，支持灵活地加入新节点和扩充整个网络。对整个网络实行分簇管理，当新节点加入时，簇头为新节点安全地分配系统参数和节点私钥，簇内通信采用基于身份的加密解密算法。每个簇头均具有私钥生成器的功能，解决了传统基于身份的密钥分配方案中，唯一的PKG被俘获而使整个网络瘫痪的问题。本发明使得更新密钥消耗资源少、更新速度快，提高了整个网络的安全性。
-
Patent Agency Ranking
公开(公告)号：CN110135502B
公开(公告)日：2023-04-18
申请号：CN201910415457.1
申请日：2019-05-17
Applicant: 东南大学
IPC: G06V10/778 , G06V10/80
Abstract: 本发明针对细粒度图像最具有判别力的区域难以挖掘的问题，提出了一种基于强化学习和交叉双线性特征的细粒度识别方法。使用Actor‑Critic策略去挖掘图像最具有注意力的区域，Actor模块负责产生最具有判别力的top M个候选区域，Critic模块利用交叉双线性特征去评价此动作的状态值，然后利用排序一种性奖励计算当前状态下该动作的奖励值，进而得到价值优势并反馈给Actor模块，更新最具有注意力区域的输出，最后使用这些最具有判别力的区域结合原图特征进行预测细粒度类别。该方法可以较好的挖掘出细粒度图像最具有注意力的区域。经实验验证，本发明在CUB‑200‑2011公开数据集上的识别准确率比目前已有方法有一定的提升，分别达到了较高的细粒度识别准确率。
-
公开(公告)号：CN110135502A
公开(公告)日：2019-08-16
申请号：CN201910415457.1
申请日：2019-05-17
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明针对细粒度图像最具有判别力的区域难以挖掘的问题，提出了一种基于强化学习和交叉双线性特征的细粒度识别方法。使用Actor-Critic策略去挖掘图像最具有注意力的区域，Actor模块负责产生最具有判别力的top M个候选区域，Critic模块利用交叉双线性特征去评价此动作的状态值，然后利用排序一种性奖励计算当前状态下该动作的奖励值，进而得到价值优势并反馈给Actor模块，更新最具有注意力区域的输出，最后使用这些最具有判别力的区域结合原图特征进行预测细粒度类别。该方法可以较好的挖掘出细粒度图像最具有注意力的区域。经实验验证，本发明在CUB-200-2011公开数据集上的识别准确率比目前已有方法有一定的提升，分别达到了较高的细粒度识别准确率。
-
公开(公告)号：CN110097090A
公开(公告)日：2019-08-06
申请号：CN201910282865.4
申请日：2019-04-10
Applicant: 东南大学
Abstract: 基于密集卷积和深度可分离卷积的视网膜血管分割方法。包括：对视网膜血管图原始图像进行预处理；对数据集进行数据增强；构建基于密集卷积与深度可分离卷积结合的全卷积神经网络，并使用带有权重的损失函数对训练集进行训练；测试并得到最后分割结果图。本发明是以编码-解码的对称网络作为主干网络。加入深度可分离卷积，大大降低了模型参数量；使用了密集卷积块，将所有层在通道上连接，加强了信息的传递并有效利用了各个尺度的特征值；在图像预处理过程中，对其进行自适应伽马矫正，对不同特征区域用不同的伽马值矫正，在提升特征对比度的同时弱化背景噪声；在训练时使用带有权重的损失函数，增强待分割血管在训练时所占比重。
-
公开(公告)号：CN110097536B
公开(公告)日：2023-04-18
申请号：CN201910285184.3
申请日：2019-04-10
Applicant: 东南大学
Abstract: 本发明公开了基于深度学习和霍夫变换的六边形螺栓松动检测方法，属于计算机视觉技术领域。本发明使用深度学习技术，通过基于区域的全卷积神经网络目标检测算法实现螺栓松动的检测。先对输入图片计算深度特征从而得到螺栓位置，再在原有图片中根据计算得到的螺栓位置提取出螺栓图像并经过一系列图像处理算法得到边缘信息，再使用霍夫变换计算螺栓角度。采用我们设计的检测方案可以准确检测出螺栓是否发生松动。
-
公开(公告)号：CN104038936B
公开(公告)日：2017-04-05
申请号：CN201410246037.2
申请日：2014-06-04
Applicant: 东南大学
Abstract: 本发明公开了一种分层无线传感器网络中的密钥管理方法，支持灵活地加入新节点和扩充整个网络。对整个网络实行分簇管理，当新节点加入时，簇头为新节点安全地分配系统参数和节点私钥，簇内通信采用基于身份的加密解密算法。每个簇头均具有私钥生成器的功能，解决了传统基于身份的密钥分配方案中，唯一的PKG被俘获而使整个网络瘫痪的问题。本发明使得更新密钥消耗资源少、更新速度快，提高了整个网络的安全性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.013 seconds)
