-
公开(公告)号：CN119719648A
公开(公告)日：2025-03-28
申请号：CN202411625563.X
申请日：2024-11-14
Applicant: 中国矿业大学
IPC: G06F18/20 , G06Q50/02 , G06Q50/26 , G06F18/211 , G06F18/213 , G06F18/2135 , G06F18/15 , G06F18/2415
Abstract: 一种基于多源数据融合的矿山安全智能监测方法及系统，通过收集矿山各个传感器的数据，对多源数据进行预处理，对处理后的多源数据进行空间重构，借助多窗口滑动扫描机制对数据特征进行分离，再通过四向扫描机制以及通道混洗机制扩展特征空间多样性，最后通过选择状态空间模型对重构的多源数据进行深层特征融合与提取，预测矿山设备与环境的安全状况。本发明将状态空间模型作为智能监测算法的主体框架以降低模型计算复杂度，将重构过后的多源数据输入改良的状态空间模型中，提取多源数据间的隐式联系，并对矿山安全状况进行估计，增加了多源数据样本以及多源异构特征的空间多样性，提高了特征提取效率以及预测模型的计算效率和预测能力。
-
公开(公告)号：CN119205704A
公开(公告)日：2024-12-27
申请号：CN202411360045.X
申请日：2024-09-27
Applicant: 中国矿业大学
IPC: G06T7/00 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/74 , G06N3/045 , G06N3/096 , G06N3/0895
Abstract: 一种矿井机器视觉中低质图像质量评价方法与系统，方法：设计与图像失真类型和质量预测相关的提示词，通过CLIP模型得出失真分布概率和质量预测概率，对新场景中样本分别进行失真分布和模型预测不确定性两个方面的代表性排名；采用排名聚合法，选出新场景中部分样本进行标注；得出新场景已选及旧场景全部样本的质量特征向量，用相似性度量算法选出旧场景易迁移样本；对选出的新旧场景样本进行训练，完成评价模型构建。系统包括摄像头、样本选择器和特征迁移学习训练器。本发明减少新场景中失真多样性的同时减少了标注样本成本，降低了模型适配新场景的过拟合风险，提高了模型的预测能力及图像质量评价准确性。
-
公开(公告)号：CN119203038A
公开(公告)日：2024-12-27
申请号：CN202411476006.6
申请日：2024-10-22
Applicant: 中国矿业大学
IPC: G06F18/25 , G06F18/213 , G06F18/2415 , G06F18/2431 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 一种基于多源异构数据融合的矿井有色金属特征提取方法，步骤包括利用DNN和CNN网络进行异构数据处理；通过堆叠自编码器构建特征融合网络；对特征融合网络进行训练，完成对特征融合网络的初始化；通过构建损失函数对初始化的特征融合网络进行训练优化，得到优化后的网络模型；利用优化后的网络模型进行有色金属识别。本发明充分发挥了异构数据间的互补优势，减少了数据混淆并充分提取不同维度数据的共同特征，避免数据冗余；能够辨别复杂选冶环境下更利于有色金属检测的重要信息源，降低了复杂环境的干扰，有效地保障了后续算法对有色金属的检测鲁棒性与精度。
-
公开(公告)号：CN118887088A
公开(公告)日：2024-11-01
申请号：CN202410438168.4
申请日：2024-04-12
Applicant: 中国矿业大学
IPC: G06T3/4053
Abstract: 本发明涉及图像超分辨率重建技术领域，具体涉及一种矿用边缘计算终端中轻量化图像超分辨率重建方法，包括：通过浅层特征提取模块对输入图像进行浅层特征提取；将浅层特征输入至多个堆叠的多尺度特征校准模块中进行深层特征提取；通过特征聚合模块聚合每个多尺度特征校准模块的输出，并与浅层特征相融合；将融合后的特征输入至图像重建模块进行图像重建，并输出重建后的超分辨率图像ISR。本发明通过多尺度特征校准模块对浅层特征进行处理，获得了更全面和信息更丰富的图像特征增，在图像重建中获得了更真实和更准确的结果。
-
公开(公告)号：CN111639212B
公开(公告)日：2023-09-05
申请号：CN202010464038.X
申请日：2020-05-27
Applicant: 中国矿业大学
IPC: G06F16/583 , G06V10/77 , G06V10/50 , G06V10/30
Abstract: 本发明涉及一种矿用智能视频分析中的图像检索方法，属于图像检索技术领域，解决了现有技术检索准确率低、效率低，导致矿井安全生产视频监控中的异常行为和场景识别可靠性低的问题。该方法包括，对包含矿井异常信息的目标图像进行预处理获得相同的第一图像和第二图像；从第一图像中获得方差自适应量化颜色直方图；从第二图像中提取梯度信息和符号信息；将方差自适应量化颜色直方图、梯度信息及符号信息进行特征自适应融合获得目标图像的融合特征；对融合特征进行降维获得融合主特征；利用融合主特征在矿井视频所包含的多帧图像中进行检索以实时辨识矿井异常。该方法在提高检索效果的同时，提高了矿井异常监控效率，提升矿井的安全检测水平。
-
Patent Agency Ranking
公开(公告)号：CN111814711B
公开(公告)日：2023-08-08
申请号：CN202010681652.1
申请日：2020-07-15
Applicant: 中国矿业大学
Abstract: 本发明涉及一种应用于矿井机器视觉的图像特征快速匹配方法及系统，属于矿井安全技术领域，解决了现有技术对矿井异常情况检测效率低、实时性差且准确率低的问题。该方法包括对待分析图像进行去噪处理；并进行超像素分割，获得多个图像块；计算每一图像块的信息熵，获得信息熵大于第一预设阈值的图像块；利用SURF算法提取图像块的特征点，从而获取待分析图像的特征点集；采用Harr小波法对特征点集中的特征点进行描述，获得待分析图像的特征点描述符集；基于待分析图像的特征点描述符集将待分析图像特征点集中的特征点与目标图像的特征点进行匹配，以确认矿井是否发生异常。该方法能够快速准确的检测矿井是否发生异常，有利于对矿井异常及时处理。
-
公开(公告)号：CN111667509A
公开(公告)日：2020-09-15
申请号：CN202010531057.X
申请日：2020-06-11
Applicant: 中国矿业大学
Abstract: 本发明涉及目标跟踪技术领域，尤其涉及一种目标与背景颜色相似下的运动目标自动跟踪方法及系统，解决了直接采用CAMshift算法进行目标跟踪时的缺陷。方法包括：步骤S1：处理视频流，得到去噪后的序列帧图像；步骤S2：处理序列帧图像，得到第一帧图像中的前景目标；去除前景目标中的阴影，得到第一帧图像的运动目标区域；步骤S3：读取下一帧图像，将其作为当前帧图像，获取并处理当前帧图像、前一帧图像的运动目标区域的颜色-曲率概率分布图，得到当前帧图像的候选区域；步骤S4：若当前帧图像的候选区域与前一帧图像的运动目标区域之间的巴氏距离大于距离阈值，将候选区域作为其运动目标区域；重复执行步骤S3与步骤S4，实现所述运动目标的跟踪。
-
公开(公告)号：CN112102388B
公开(公告)日：2024-03-26
申请号：CN202010987267.X
申请日：2020-09-18
Applicant: 中国矿业大学
IPC: G06T3/4046 , G06T3/4053 , G06V10/44 , G06V10/42 , G06V10/46 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于巡检机器人单目图像获取深度图像的方法及装置，属于图像处理技术领域，解决了现有现有的方法获得的深度图像精确度较低的问题。方法包括：构建多尺度卷积神经网络；所述多尺度卷积神经网络包括第一尺度卷积神经网络、第二尺度卷积神经网络和第三尺度卷积神经网络；基于变焦距数据集对所述多尺度卷积神经网络进行训练，得到多尺度卷积神经网络的最优网络结构并保存；将巡检机器人拍摄的单目图像输入所述多尺度卷积神经网络的最优网络结构，得到单目图像对应的深度图像，提高了深度图像的精确度。
-
公开(公告)号：CN117173024A
公开(公告)日：2023-12-05
申请号：CN202311213700.4
申请日：2023-09-20
Applicant: 中国矿业大学
Abstract: 本发明属于图像超分辨率重建技术领域，涉及一种基于整体注意力的矿井图像超分辨率重建系统及方法；浅层特征输入到深层特征提取模块，深层特征提取模块由N个信息蒸馏块堆叠组成；层间融合注意力机制模块由M个层间金字塔注意力以金字塔结构组成，并通过1×1卷积层来降低维度以减少计算量和参数量，然后输入到3×3卷积层，并引入长跳跃连接，输出融合结果作为上采样及重建模块的输入；得到高分辨率图像；以信息蒸馏网络为框架，引入增强型自校准卷积可以有效地平衡好计算效率和网络性能，更满足现实应用的需求；层间融合注意力机制对多个信息蒸馏块的输出特征图自适应地分配权重，在融合处理后输入重建模块以实现不同深度特征图地充分利用。
-
公开(公告)号：CN117078659A
公开(公告)日：2023-11-17
申请号：CN202311221440.5
申请日：2023-09-21
Applicant: 中国矿业大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/09
Abstract: 本发明属于图像质量评价技术领域，具体地说，是一种基于主动学习的少样本无参考图像质量评价算法，借助主动学习选择少量代表性样本以减少模型对样本数量的需求。首先，从图像质量和图像内容两个方面选择少量代表性样本；其次，对选中的少量样本进行人工标注，获得图像质量分数；然后，用有标注的少量样本进行prompt调优，以提升模型对图像质量评价任务的预测能力，并重复此过程，直到被选中的样本的总数达到预期数量；最后，采用所有被选中的样本同时微调prompt和模型的少量参数，完成模型的最终训练。本发明通过主动学习选择代表性样本，减少了模型对训练样本的依赖，有效提升了模型在少样本训练场景下的预测能力和泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.037 seconds)
