-
公开(公告)号：CN115294085A
公开(公告)日：2022-11-04
申请号：CN202210987089.X
申请日：2022-08-17
申请人： 太原理工大学 , 山西省气象科学研究所
IPC分类号： G06T7/00 , G06T7/12 , G06T7/13 , G06T7/136 , G06T7/33 , G06T7/90 , G06T5/30 , G06N3/04 , G06N3/08
摘要： 本发明属于计算机视觉技术领域，具体涉及一种基于Kinect相机获取自然场景下苹果果径的检测方法，包括下列步骤：使用Kinect相机采集图像，基于深度学习设计特征增强的检测算法，通过引入注意力机制增强网络对图像的特征提取能力，提高了算法检测精度。对检测后的图像基于像素点分割，根据RGB‑D数据提取深度信息，实现果径估测。本发明首先针对苹果树图像提出科学的采集和处理方法，针对自然场景环境多变的问题使用图像模糊、降噪、增强曝光等提高数据集多样性，在卷积网络提取苹果果实初始位置的基础上结合传统计算机视觉算法实现果径估测。本发明用于苹果检测与果径测量。
-
公开(公告)号：CN112084977B
公开(公告)日：2021-06-18
申请号：CN202010962901.4
申请日：2020-09-14
摘要： 本发明属于计算机视觉技术领域，具体涉及一种融合图像和时间特征的苹果物候期自动识别方法，包括下列步骤：使用全连接网络对一维时间特征向量进行抽象，使用卷积神经网络对图像的对象特征进行提取，使用串联方式将一维时间特征和抽象的图像特征融合起来，使用全连接层对融合后的特征向量进行分类，识别图像所属的物候期。本发明首先针对苹果树图像提出科学的采集和处理方法，针对数据量小的问题使用图像随机裁剪和信息删除方式扩充数据，在卷积网络提取苹果树图像特征的基础上融合时间特征，以获得更有代表性的特征图以供物候期类别的概率计算，提高了苹果树物候期判别的准确性。本发明用于苹果物候期的识别。
-
公开(公告)号：CN112084977A
公开(公告)日：2020-12-15
申请号：CN202010962901.4
申请日：2020-09-14
摘要： 本发明属于计算机视觉技术领域，具体涉及一种融合图像和时间特征的苹果物候期自动识别方法，包括下列步骤：使用全连接网络对一维时间特征向量进行抽象，使用卷积神经网络对图像的对象特征进行提取，使用串联方式将一维时间特征和抽象的图像特征融合起来，使用全连接层对融合后的特征向量进行分类，识别图像所属的物候期。本发明首先针对苹果树图像提出科学的采集和处理方法，针对数据量小的问题使用图像随机裁剪和信息删除方式扩充数据，在卷积网络提取苹果树图像特征的基础上融合时间特征，以获得更有代表性的特征图以供物候期类别的概率计算，提高了苹果树物候期判别的准确性。本发明用于苹果物候期的识别。
-
公开(公告)号：CN109409403B
公开(公告)日：2019-07-26
申请号：CN201811061148.0
申请日：2018-09-12
申请人： 太原理工大学
摘要： 本发明公开了一种基于局部属性和拓扑结构的脑网络聚类方法，该方法具体按照以下步骤进行：首先对脑功能网络进行预处理，并提取各脑区平均时间序列；然后计算皮尔逊相关系数，构建无偏的脑功能网络；计算脑功能网络相似度；最后对脑功能网络相似度进行聚类，并对聚类结果进行检验；本发明通过将脑功能网络的局部属性相似度和拓扑结构相似度加权融合，得出精准率更高的相似度，对基于局部属性和拓扑结构的相似度聚类以后，得到的聚类结果准确、无偏差。
-
公开(公告)号：CN108577835A
公开(公告)日：2018-09-28
申请号：CN201810475843.5
申请日：2018-05-17
申请人： 太原理工大学
IPC分类号： A61B5/0476 , A61B5/0478
CPC分类号： A61B5/0476 , A61B5/0478 , A61B5/7203 , A61B5/7271
摘要： 本发明涉及脑功能网络研究技术领域，更具体而言，涉及一种基于微状态的脑功能网络构建方法。本发明从构建EEG脑功能网络出发，根据EEG微状态相关方面的理论，即EEG微状态是反映大脑活动的最基本状态，提出了EEG微状态也能够应用在脑功能网络的构建上。本发明解决了传统构建脑功能网络的时间开销过大问题，通过使用微状态重构后的时间序列，减少了原始EEG时间序列中大量的冗余信息。通过将本发明应用在医院采集的精神疾病工作记忆的EEG数据集，构建了精神分裂症病人和正常人的EEG功能脑网络，证明了用微状态重构时间序列构建的脑功能网络与使用原始EEG信号构建的脑功能相比，能够更加准确的反映人脑网络的特性。
-
公开(公告)号：CN106650818A
公开(公告)日：2017-05-10
申请号：CN201611251416.6
申请日：2016-12-30
申请人： 太原理工大学
IPC分类号： G06K9/62
摘要： 本发明涉及图像处理技术，具体是一种基于高阶超网络的静息态功能磁共振影像数据分类方法。本发明解决了传统磁共振影像数据分类方法分类准确率低的问题。基于高阶超网络的静息态功能磁共振影像数据分类方法，该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理；步骤S2：对各脑区的平均时间序列进行时间窗分割；步骤S3：计算各脑区的平均时间序列两两之间的皮尔逊相关系数；步骤S4：提取皮尔逊相关矩阵中对应元素的值；步骤S5：利用稀疏线性回归模型构建高阶超网络；步骤S6：计算高阶超网络的局部属性；步骤S7：选择分类特征并构建分类器；步骤S8：对所选特征的重要度和冗余度进行量化。本发明适用于磁共振影像数据分类。
-
公开(公告)号：CN106548206A
公开(公告)日：2017-03-29
申请号：CN201610950798.5
申请日：2016-10-27
申请人： 太原理工大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6282 , G06K2209/05
摘要： 本发明涉及图像处理技术，具体是一种基于最小生成树的多模态磁共振影像数据分类方法。本发明解决了传统磁共振影像数据分类方法分类准确率低的问题。基于最小生成树的多模态磁共振影像数据分类方法，该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理；步骤S2：计算各脑区的平均时间序列两两之间的皮尔逊相关系数；步骤S3：对磁共振弥散张量成像影像进行预处理；步骤S4：计算各脑区两两之间的权重；步骤S5：构建多模态最小生成树脑网络；步骤S6：计算多模态最小生成树脑网络的局部属性；步骤S7：进行分类器的构建；步骤S8：对所选特征在分类器中的重要度和冗余度进行量化。本发明适用于磁共振影像数据分类。
-
公开(公告)号：CN106295709A
公开(公告)日：2017-01-04
申请号：CN201610687766.0
申请日：2016-08-18
申请人： 太原理工大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6269
摘要： 本发明涉及图像处理技术，具体是一种基于多尺度脑网络特征的功能磁共振影像数据分类方法。本发明解决了传统磁共振影像数据分类方法分类准确率低的问题。基于多尺度脑网络特征的功能磁共振影像数据分类方法，该方法是采用如下步骤实现的：步骤S1：对静息态功能磁共振影像进行预处理；步骤S2：采用动态随机种子方法对影像进行区域分割，并对所分割的脑区进行平均时间序列提取；步骤S3：计算各脑区平均时间序列两两间的关联程度；步骤S4：对关联矩阵进行二值化处理；步骤S5：计算静息态功能脑网络的局部属性及其在特定阈值空间的AUC值；步骤S6：进行分类器构建；步骤S7：量化所选特征在分类器中的重要度和冗余度。本发明适用于磁共振影像数据分类。
-
公开(公告)号：CN118097658A
公开(公告)日：2024-05-28
申请号：CN202410202994.9
申请日：2024-02-23
申请人： 太原理工大学
IPC分类号： G06V20/68 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
摘要： 本发明属于深度学习技术领域，具体涉及一种基于AD‑YOLO模型和MR‑SORT方法的苹果计数方法，包括下列步骤：构建数据集；基于YOLOv8构建苹果检测模型AD‑YOLO；利用所属训练集在所构建的AD‑YOLO网络上进行训练，并和其他SOTA模型进行结果对比；基于BoT‑SORT提出多目标追踪方法MR‑SORT，构建苹果计数通道；建立评价指标用于计数方法的性能评估。首先，本发明对YOLOv8模型进行优化。将全维动态卷积设计应用于网络结构，显著提高了模型的特征提取能力，增强了维度之间的交互作用，提高了检测模型的性能。其次，对BoT‑SORT多目标追踪算法进行改进，将外观特征提取器替换为图像检索算法，在不涉及深度学习的情况下实现苹果外观特征的提取，减少了整个计数过程所需要的时间。
-
公开(公告)号：CN116664397A
公开(公告)日：2023-08-29
申请号：CN202310421722.3
申请日：2023-04-19
申请人： 太原理工大学 , 山西阳煤联创信息技术有限公司
IPC分类号： G06T3/40 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084
摘要： 本发明属于深度学习技术领域，具体涉及TransSR‑Net结构化图像超分辨重建方法，包括下列步骤：构建数据集；构建神经网络模型TransSR‑Net；利用所属训练集在所构建的TransSR‑Net网络上进行训练；获取待超分辨率重建的人脸图像和医学CT图像，并通过训练完毕的TransSR‑Net模型进行低分辨率图像的超分辨率重建；建立评价指标用于对TransSR‑Net模型的评估。本发明是基于自编码双路径结构的CNN和Transformer组合模型，有效地保留了结构化图像的局部结构特征和全局特征，充分丰富了模型中的计算信息，提高了模型训练的效果，从而减少了训练中的信息丢失，同时利用多个损失函数联合训练，增强网络拟合能力，较好的解决了受单一结构化数据集先验知识约束导致的网络结构只能应用于特定结构化图像数据集的问题。
-
-
-
-
-
-
-
-
-
搜索结果
51 条记录 (耗时 0.03 秒)
