-
公开(公告)号：CN119919726A
公开(公告)日：2025-05-02
申请号：CN202510003021.7
申请日：2025-01-02
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0895 , G06N3/084 , G06V10/80
Abstract: 本发明涉及一种基于自监督学习的多视图融合宫颈癌前病变图像分类方法，包括：采集前列腺内窥镜切除手术的视频截图数据，并进行预处理，得到优化后的模型权重；得到优化后的第二视觉Transformer模型、第三视觉Transformer模型；将宫颈癌前病变阴道镜醋酸图片分类结果和宫颈癌前病变阴道镜碘图片分类结果进行加权融合，得到最终分类结果。本发明通过引入自监督学习方法，利用大量无标签医学图片数据，提高了ViT模型即视觉Transformer模型在宫颈癌前病变分级中的泛化能力和分类准确性；实现了对CIN分级的高效辅助诊断，特别是在医疗资源有限的地区，为自动化筛查提供了高效、低成本的解决方案，帮助医生提高诊断准确率，并降低漏诊率，为早期宫颈癌预防提供了重要技术支持。
-
公开(公告)号：CN119323549A
公开(公告)日：2025-01-17
申请号：CN202411411990.8
申请日：2024-10-11
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于改进的YOLOv10的材料束表面缺陷识别系统，包括；图像采集系统，用于捕捉材料束表面的高分辨率材料束图像并处理；数据分析系统，用于对预处理后的高分辨率材料束图像进行识别和分类缺陷的处理；动态模型改进系统，采用改进后的YOLOv10网络模型；数据可视化呈现系统，用于实时显示高分辨率材料束图像的统计信息。本发明还公开了一种基于改进的YOLOv10的材料束表面缺陷识别方法。本发明增强了多尺度特征的融合能力，使得YOLOv10能够在复杂的噪声干扰环境下依然有效地进行缺陷检测与分类，特别是对材料束表面的微小缺陷检测更为精准；具备更强的适应性和鲁棒性，能够提升检测精度并降低漏检率。
-
公开(公告)号：CN118537754A
公开(公告)日：2024-08-23
申请号：CN202410628551.6
申请日：2024-05-21
Applicant: 安徽大学
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于无人机的水稻幼苗计数方法，包括：得到水稻全景图片；得到预处理后的水稻图片；生成包含训练集、验证集和测试集的矩形框标注数据集；对YOLOv8网络进行改进，得到改进后的YOLOv8网络即水稻幼苗检测模型；得到训练后的水稻幼苗检测模型；对待预测的水稻图片进行预处理，输入训练后的水稻幼苗检测模型，训练后的水稻幼苗检测模型输出无人机拍摄水稻幼苗计数结果。本发明使得预测的特征图不仅具备了高度的语义信息，还包含了丰富的位置信息，为模型提供了更全面、更准确的信息基础，从而提高了目标检测任务的精度和鲁棒性，这个颈部网络的设计不仅提高了模型对目标的识别能力，也使得模型在处理复杂场景和遮挡情况下表现更加出色。
-
公开(公告)号：CN112132784A
公开(公告)日：2020-12-25
申请号：CN202010852863.7
申请日：2020-08-22
Applicant: 安徽大学
Abstract: 本发明涉及工业缺陷图像处理技术领域，公开了一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法，包括：数据采集装置，智能处理系统，产品下放装置和数据库系统，该方法为以下步骤：利用数据采集装置对工业生产流水线中的产品图像进行采集，然后传输给智能处理系统和数据库系统；经过数据预处理模块进行一定的处理，再通过智能分类分割模块对有缺陷的产品进行分类并标定出缺陷的位置，利用产品下放装置把有缺陷的产品和没有缺陷的产品，或者不同缺陷的产品分别下放到不同的区域存放。本发明符合工业生产中的需求，适合小样本训练，同时能够实现两种任务，提高了分类的准确度和定位的精度。
-
公开(公告)号：CN110097104A
公开(公告)日：2019-08-06
申请号：CN201910324553.5
申请日：2019-04-22
Applicant: 安徽大学
IPC: G06K9/62
Abstract: 本发明公开基于深度学习的苹果叶片病害分类方法及其自动识别装置，属于图像分类领域，用于解决现有技术中难以对拍摄的苹果图片进行病害识别和快速有效分类的问题，基于深度学习的苹果叶片病害分类方法，是在Vgg16网络模型的基础上进行改进的，改进的方法包括：在Vgg16模型的基础上，每个卷积层中添加了批标准化层；批标准化层的加入，不仅加速了网络模型的训练速度，在分类精度上也有所提升；在损失函数方面，加入了新的辅助损失函数，使学习到的特征更有区分度；该装置可以将拍摄的叶片数据传输到分类器中进行自动识别，具有识别精度高和易于操作的优点。
-
Patent Agency Ranking
公开(公告)号：CN115049556B
公开(公告)日：2025-05-06
申请号：CN202210736142.9
申请日：2022-06-27
Applicant: 安徽大学
IPC: G06T5/77 , G06T5/60 , G06V40/16 , G06V10/26 , G06V10/44 , G06V10/42 , G06V10/80 , G06T7/194 , G06V20/70 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/0464 , G06N3/084 , G06N3/094 , G06N3/048
Abstract: 本申请公开了一种基于StyleGAN的人脸图像修复方法，步骤包括：将真实人脸图像分割为人脸区域和背景区域，作为训练集；对数据集进行数据增强，将原始图像设置为标签；利用训练集和标签对编码器进行训练，得到编码器网络；利用编码器网络分别提取真实人脸图像的隐码向量、待修复图像人脸区域的隐码向量、待修复图像背景区域的隐码特征图；将真实人脸图像的隐码向量与待修复图像人脸区域的隐码向量进行混合，得到混合人脸的隐码向量，将混合人脸的隐码向量与待修复图像背景区域的隐码特征图一同输入到StyleGAN生成器网络中，得到修复完成的人脸图像。本申请实现了人脸图像修复能力大幅提升，并且使得修复过程中很好地保证结构相似。
-
公开(公告)号：CN117036958A
公开(公告)日：2023-11-10
申请号：CN202311157101.5
申请日：2023-09-08
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/20 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种小麦幼苗期分蘖数的检测方法，包括：获取小麦幼苗根茎部图像并进行预处理；构建小麦幼苗分蘖数检测识别模型；将卷积注意力模块加入小麦幼苗分蘖数检测识别模型中；将训练集输入改进的小麦幼苗分蘖数检测识别模型进行训练，得到训练后的小麦幼苗分蘖数检测识别模型；将待识别的小麦幼苗根茎部图像输入训练后的小麦幼苗分蘖数检测识别模型中，得到小麦幼苗分蘖数图像检测识别分类结果。本发明的训练结果较好，对小麦幼苗分蘖数检测识别模型性能的提高更加显著，对小麦幼苗的分蘖数检测精确度明显提高，可以有效解决小麦幼苗图像中存在的遮挡重叠问题，实现分蘖期小麦幼苗分蘖部位的准确检测和分蘖数的准确识别。
-
公开(公告)号：CN112784880B
公开(公告)日：2023-04-07
申请号：CN202110002622.8
申请日：2021-01-04
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/762 , G06V10/40 , G06V10/774
Abstract: 本发明涉及图像识别技术领域，公开了基于自然特征统计方法标注高速公路雾天能见度等级，包括自然特征统计的方法和能见度等级的划分，所述自然特征统计的方法包括以下步骤：S1、提取雾感特征；S2、计算高斯模型参数、马氏距离和雾密度；S3、建立实验模型，标注能见度等级。本发明利用自然图像特征统计方法从图片中提取雾特征，将其拟合到多元高斯模型中，计算模型参数，得到模型之间的马氏距离，再计算出雾密度，表示不同等级能见度之间的阈值，以此来自动标注能见度等级，相对于目测法，结果更客观，大大提高了标注效率，相较于仪器检测更方便，可靠，同时为深度学习能见度检测提供大量的样本数据库。
-
公开(公告)号：CN114187233A
公开(公告)日：2022-03-15
申请号：CN202111277730.2
申请日：2021-10-29
Applicant: 安徽大学
Abstract: 本发明公开了一种基于卷积神经网络的小麦麦穗赤霉病识别方法，包括：获取待识别麦穗图片；将所述待识别麦穗图片输送至分割网络模型中，得到麦穗分割结果图；将所述麦穗分割结果图输送至可视化模块中进行显示。本申请解决了现有技术中需要在纯背景或者受控环境下才能进行麦穗图片处理和机器学习的技术问题，实现了可以适应不同环境下的麦穗图像处理，实现了对小麦麦穗赤霉病的有效准确分割，以提高对小麦麦穗赤霉病识别的环境适应能力和精准度。
-
公开(公告)号：CN112989994A
公开(公告)日：2021-06-18
申请号：CN202110261116.0
申请日：2021-03-10
Applicant: 安徽大学
Abstract: 本发明涉及图像识别技术领域，公开了一种离散标签下基于深度相对学习的雾天能见度估计方法，它是利用图像的顺序信息和相对关系来估计能见度，通过将有序信息编码成一组图像对的相对排序，这样，VISOR‑NET就可以有效地学习一个全局排序函数。本发明通过采集真实监控场景拍摄的大规模雾天高速公路能见度图像数据集，通过对现有深度学习方法的综合实验，证明了该方法在准确度、有效性、稳定性等方面具有更好的性能，此外，该方法可以将类别间扩展到类别内进行可见性估计，实现离散层标签下的近似回归估计，也就是能够实现对级别内能见度距离的估计。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.029 seconds)
