-
公开(公告)号：CN117475188A
公开(公告)日：2024-01-30
申请号：CN202210850442.X
申请日：2022-07-20
Applicant: 桂林电子科技大学
Inventor： 辛敏
IPC: G06V10/764 , G06V10/12 , G06N20/00
Abstract: 本发明公开了一种基于半监督学习的花卉识别方法，包括一一种基于半监督学习的花卉识别系统，该系统包括，图像采集输入端、信息显示端、处理器以及云服务器；所述图像采集输入端负责采集需要识别的花朵图片，所述信息显示端负责显示所采集到的花朵种类，所述处理器负责将图像采集输入端采集到的图片传输到云服务器，以及将云服务器识别的花朵种类结果传输到信息显示端，所述云服务器负责对该图片进行特征提取，并进行分类处理。本发明涉及植物类别识别技术领域，具体提供了一种可以根据花朵特征对花朵进行分类的基于花朵种类的花卉识别系统。
-
Patent Agency Ranking
公开(公告)号：CN119339120A
公开(公告)日：2025-01-21
申请号：CN202310883059.9
申请日：2023-07-18
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种结合金字塔模块和迁移学习的异型烟增量式分类方法。针对传统的图像分类神经网络对增加的新类不具备持续学习能力，提出的一种适用于训练网络增加新类的图像分类方法，主要通过迁移学习的思想将预训练好的ResNet网络知识进行迁移用于异型烟数据集分类，并在主干网络中嵌入金字塔模块提高模型提取图像全局信息能力；为保持训练模型对新加类别的持续学习性能，对主干网络的全连接层进行微调以适应异型烟新类别的学习。本发明方法利用模型结构和权重参数的迁移并微调模型很大程度上的提高训练模型的收敛速度和训练精度。
-
公开(公告)号：CN117495952A
公开(公告)日：2024-02-02
申请号：CN202210850454.2
申请日：2022-07-20
Applicant: 桂林电子科技大学
Inventor： 辛敏
IPC: G06T7/73 , G06V10/141 , G06V10/82 , G06T7/90 , G06T7/13 , G06T5/70 , G06T5/50 , G06T3/04 , G06V10/147 , G06V10/75 , G06N3/0464
Abstract: 本发明涉及一种基于半监督的机器视觉定位算法和系统，包括图像采集模块、图像处理模块、数据传输模块、图像显示模块等。图像采集模块包括了透镜光学系统的设计和照明系统的设计两个部分；图像处理模块主要使用计算机执行图像信息的处理；数据传输模块负责输出点胶机视觉系统的数据和运算结果，图像显示模块提供显示界面给用户观察视觉定位的处理结果。本发明对目标搜索算法进行改进后使得目标识别准确率达到98%，使用改进后的霍夫变换算法进行模板匹配时比传统的霍夫变换速度上快了将近60倍，整体上运行速度有所提升。
-
公开(公告)号：CN117495671A
公开(公告)日：2024-02-02
申请号：CN202210850503.2
申请日：2022-07-20
Applicant: 桂林电子科技大学
Inventor： 辛敏
IPC: G06T3/4038 , G06T5/70 , G06T5/50 , G06T3/04 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及一种基于半监督学习和边缘计算的多图像拼接方法，属于图像智能化处理技术领域。具体步骤如下：将多幅图像分配边缘计算系统中，以就近处理为原则，对原图像进行分离；对分离好的图像进行灰度化处理；对处理后的灰度图进行直方图均衡化；滤除前几步图像处理产生的噪点；对所得图像进行采样和重构；对采样和重构后的图像进行特征点检测和匹配；消除误匹配点并计算单应矩阵；将图像根据单应矩阵进行拼接，并对结合线用小波变换进行滤波处理和融合，得到最终图像。本发明方法使用边缘计算系统对多幅图像进行预处理，再将结果传到中央处理器进行多图拼接，能极大节省多图拼接的时间；在小波域内进行图像拼接，能有效消除拼接产生的明显拼缝。
-
公开(公告)号：CN115690145A
公开(公告)日：2023-02-03
申请号：CN202110841388.8
申请日：2021-07-26
Applicant: 桂林电子科技大学
Abstract: 本发明为一种基于边缘计算的视频目标跟踪方法，公开了一种基于边缘计算的视频接力跟踪方法及系统，属于视频追踪技术领域，包括以下步骤：S1：选定目标并获取其深度特征；S2：训练深度神经网络并植入边缘计算系统；S3：保存图像并记录图像及拍摄设备信息；S4：进行IoU匹配和特征相似性度量；S5：目标跟踪接力。本发明利用边缘计算实时性强的特点，降低对云中心的计算、存储和网络带宽的需求，提高视频分析的速度；结合卡尔曼滤波和深度学习技术对视频目标进行预测和跟踪，可以解决解决视频目标跟踪中需要人员值守和进行筛选等费时费力的问题。
-
公开(公告)号：CN115689876A
公开(公告)日：2023-02-03
申请号：CN202110841408.1
申请日：2021-07-26
Applicant: 桂林电子科技大学
Abstract: 本发明涉及一种基于深度学习和边缘计算的多图像拼接方法，属于图像智能化处理技术领域。具体步骤如下：将多幅图像分配边缘计算系统中，以就近处理为原则，对原图像进行分离；对分离好的图像进行灰度化处理；对处理后的灰度图进行直方图均衡化；滤除前几步图像处理产生的噪点；对所得图像进行采样和重构；对采样和重构后的图像进行特征点检测和匹配；消除误匹配点并计算单应矩阵；将图像根据单应矩阵进行拼接，并对结合线用小波变换进行滤波处理和融合，得到最终图像。本发明方法使用边缘计算系统对多幅图像进行预处理，再将结果传到中央处理器进行多图拼接，能极大节省多图拼接的时间；在小波域内进行图像拼接，能有效消除拼接产生的明显拼缝。
-
-
-
-
-
Search Results
6
records
(took 0.039 seconds)
