-
公开(公告)号：CN111189836A
公开(公告)日：2020-05-22
申请号：CN201911253953.8
申请日：2019-12-09
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于Labview的产品缺陷检测方法。本发明的方法利用Labview创建一套机器视觉检测系统，该系统将Labview与PLC进行通信，当检测到产品到达相应的位置后，会发出相应的信号给计算机，将信号传给Labview系统后，系统自动对产品进行拍照，并将获得的照片与模板图像进行比较，得出他们的相似度，如果相似度达到了用户的设定值，则认为产品合格，否则认为产品不合格。本发明方法可以全自动的实现对产品缺陷的检测，彻底改变了以往的人工检测方法，可以有效提高产品的质量，减少次品率。
-
公开(公告)号：CN113516616A
公开(公告)日：2021-10-19
申请号：CN202110302082.5
申请日：2021-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于图像识别的眼底照片自动检测方法。首先进行眼底照片获取及预处理；然后对眼底照片区域进行划分，进行区域深度特征提取；生成全局特征向量；最后通过全局特征向量对分类网络进行训练，通过训练好的分类网络完成眼底照片分类检测。本发明方法有效的减少了网络的参数个数，缓解了模型的过拟合问题；获得平移和形变的鲁棒性。经过分区和合并得到区域和全局的特征，有利于发掘更多特征信息。用全局池化层代替全连接层来融合学到的深度特征有效避免了网络的冗余，具有较好的预测性能。
-
公开(公告)号：CN113159186A
公开(公告)日：2021-07-23
申请号：CN202110441605.4
申请日：2021-04-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于半监督学习的医学图像自动标注方法。首先将训练集输入到一级分类网络中得到一级通用深度卷积特征，然后根据输出结果对数据进行预分类，并得到预分类的混淆矩阵。接着通过谱聚类得到类别训练子集，输入到将其输入到二级分类网络中，得到二级特殊深度卷积特征；将两者融合得到图像的深度卷积特征。将患者的附加信息通过word2vec编码成多源异构特征，与深度卷积特征进行融合并通过SVM分类器得到最后的输出结果。本发明所述的方法只需使用少量有标注的医学数据即可完成对大量医学数据的自动标注。极大了减少了人工标注所耗费的大量的人力物力。相比于现有的自动标注方法，本方法效率更高，标注结果更加准确。
-
公开(公告)号：CN113538458A
公开(公告)日：2021-10-22
申请号：CN202110726063.5
申请日：2021-06-29
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于FTL损失函数和注意力的U‑Net图像分割方法。本发明对U‑Net模型进行重新设计，在U‑Net模型基础上结合FocalTverskyLoss和Attention注意力机制。本发明具体步骤：步骤1、图像预处理；步骤2、构建损失函数：用FTL损失函数来评价分割结果；步骤3、构建注意力机制：在模型的上采样过程中加入Attention注意力模块，使得模型在输出高水平特征图时不会丢失空间细节信息；步骤4、训练网络模型：将划分好的数据集输入到搭建好的网络模型中，通过训练集和验证集完成训练后，将测试集输入到网络模型中，得到分割结果。本发明改进了准确率和召回率的不平衡问题，并且对于多尺度输入的图像有更好的输出特征表示。
-
公开(公告)号：CN111127490A
公开(公告)日：2020-05-08
申请号：CN201911414686.8
申请日：2019-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明是一种基于循环残差U-Net网络的医学图像分割方法。本发明在深度残差模型、循环卷积网络和U-Net模型基础上，提出了两种分别加入了循环卷积单元的U-Net和循环残差卷积操作的U-Net的分割模型。本发明引入了循环卷积单元和残差卷积单元，较好的解决了分割任务中数据缺乏和分类不平衡的问题。由于循环结构和残差结构只是从结构上改变了网络，并没有增加额外的参数，在分割任务上表现出更好的性能。循环和残差的操作并没有增加网络参数的数量，对训练和测试性能有显著性提高。
-
Patent Agency Ranking
公开(公告)号：CN113159048A
公开(公告)日：2021-07-23
申请号：CN202110441665.6
申请日：2021-04-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的弱监督语义分割方法；首先利用已有的数据集在预训练的Resnet50上进行微调，然后利用训练好的Resnet50得到相应的类激活图，利用设定的阈值得到分割的伪标签，并采用全连接的条件随机场Dense conditional random fields，Dense CRF)对标签进行优化。最后，利用优化后的伪标签训练分割网络。本发明所述的方法只需使用图像级别的标签就可以完成目标的分类以及语义分割任务，极大了减少了人工标注所耗费的大量的人力物力。相比于现有的弱监督方法，本方法效率更高，定位结果更加准确。
-
公开(公告)号：CN113130066A
公开(公告)日：2021-07-16
申请号：CN202110302081.0
申请日：2021-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于人工智能的舌诊图像识别方法。通过图像处理方法从舌体图像中提取出舌体的颜色特征、几何特征(形态特征)和纹理特征(如点刺、瘀斑、齿痕与裂纹)等特征参数。接着根据这些特征参数以及流调数据参数来构建超图，最后使用超图卷积神经网络进行辅助中医舌象识别。本发明首次在舌诊图像识别领域使用超图模型，创新性地结合了舌诊图像以及流调数据两个模态的数据对舌诊图像进行识别，提高了舌诊图像识别的准确率及可信度。
-
公开(公告)号：CN111612790A
公开(公告)日：2020-09-01
申请号：CN202010355011.7
申请日：2020-04-29
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于T型注意力结构的医学图像分割方法。本发明提出了一种用于医学图像分割的改进的U-Net模型，在U-Net网络的解码网络结构中引入带有T注意力模块的门控注意力机制，在编码网络结构和解码网络结构中加入ResNet残差模块；通过带有T注意力模块的门控注意力机制，可以将浅层的输入图像的全局特征信息提取出来，解决了之前因为直接进行跳跃结构引起的图像特征不充分问题。并且T注意力模块之间共享模型参数，降低时间和空间复杂度。对于每一个卷积层，加入了残差模块，解决了训练过程中梯度消失和爆炸问题，网络训练时更容易优化。
-
公开(公告)号：CN113159048B
公开(公告)日：2024-12-13
申请号：CN202110441665.6
申请日：2021-04-23
Applicant: 杭州电子科技大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的弱监督语义分割方法；首先利用已有的数据集在预训练的Resnet50上进行微调，然后利用训练好的Resnet50得到相应的类激活图，利用设定的阈值得到分割的伪标签，并采用全连接的条件随机场Dense conditional random fields，Dense CRF)对标签进行优化。最后，利用优化后的伪标签训练分割网络。本发明所述的方法只需使用图像级别的标签就可以完成目标的分类以及语义分割任务，极大了减少了人工标注所耗费的大量的人力物力。相比于现有的弱监督方法，本方法效率更高，定位结果更加准确。
-
公开(公告)号：CN111612790B
公开(公告)日：2023-10-17
申请号：CN202010355011.7
申请日：2020-04-29
Applicant: 杭州电子科技大学
IPC: G06T7/10 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于T型注意力结构的医学图像分割方法。本发明提出了一种用于医学图像分割的改进的U‑Net模型，在U‑Net网络的解码网络结构中引入带有T注意力模块的门控注意力机制，在编码网络结构和解码网络结构中加入ResNet残差模块；通过带有T注意力模块的门控注意力机制，可以将浅层的输入图像的全局特征信息提取出来，解决了之前因为直接进行跳跃结构引起的图像特征不充分问题。并且T注意力模块之间共享模型参数，降低时间和空间复杂度。对于每一个卷积层，加入了残差模块，解决了训练过程中梯度消失和爆炸问题，网络训练时更容易优化。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.053 seconds)
