-
Patent Agency Ranking
公开(公告)号：CN109583324A
公开(公告)日：2019-04-05
申请号：CN201811338181.3
申请日：2018-11-12
Applicant: 武汉大学
Abstract: 本发明提出了一种基于单点多盒检测器的指针仪表读数自动识别方法。采用基于多曝光融合框架的低光增强方法生成增强图像，采用基于两阶段核估计去除运动模糊方法从模糊图像中恢复出清晰图像；设计基于VGG-16网络和卷积神经网络的表盘检测器SSD结构检测图像中的表盘，输出表盘位置和置信度信息；构建训练数据集并用训练数据集训练SSD网络参数，设定相关参数和学习策略；提取图像的加速鲁棒特征生成特征点描述子，根据特征匹配技术对旋转的表盘图像进行校正；用基于梯度幅值的CannyLines线段检测算法检测提取边缘图像，从边缘图像中收集共线点群并拟合成直线最后验证线段；认定最佳线段为指针的真实位置，利用各角度之间的关系解算出指针在表盘中的示数。
-
公开(公告)号：CN107833221A
公开(公告)日：2018-03-23
申请号：CN201711231503.X
申请日：2017-11-29
Applicant: 武汉大学
Abstract: 本发明公开了一种基于多通道特征融合和机器学习的漏水监测方法，首先选择漏水检测的区域得到待检测视频图像序列，然后对选定的待检测视频图像序列通过动态变化区域图像块提取和分割得到待分类图像块集合，对待分类图像块集合提取的特征包括梯度通道特征，HOG通道，LUV色彩空间的L通道特征，对样本集合中提取这三个特征归一化融合后进行SVM训练，得到一个分类器，将待分类图像块提取的特征集合输入分类器即可得到待预测漏水图片的分类结果，最后采用非极大值抑制的方法并进行简单的统计以及阈值控制得到最终的漏水监测结果。本发明具有非接触性，成本低的优点，并能对漏水的程度提供一定的信息，能够在一定条件下完成高精度的漏水监测。
-
公开(公告)号：CN107833221B
公开(公告)日：2020-08-07
申请号：CN201711231503.X
申请日：2017-11-29
Applicant: 武汉大学
Abstract: 本发明公开了一种基于多通道特征融合和机器学习的漏水检测方法，首先选择漏水检测的区域得到待检测视频图像序列，然后对选定的待检测视频图像序列通过动态变化区域图像块提取和分割得到待分类图像块集合，对待分类图像块集合提取的特征包括梯度通道特征，HOG通道，LUV色彩空间的L通道特征，对样本集合中提取这三个特征归一化融合后进行SVM训练，得到一个分类器，将待分类图像块提取的特征集合输入分类器即可得到待预测漏水图片的分类结果，最后采用非极大值抑制的方法并进行简单的统计以及阈值控制得到最终的漏水检测结果。本发明具有非接触性，成本低的优点，并能对漏水的程度提供一定的信息，能够在一定条件下完成高精度的漏水检测。
-
公开(公告)号：CN109147254A
公开(公告)日：2019-01-04
申请号：CN201810791162.X
申请日：2018-07-18
Applicant: 武汉大学
CPC classification number: G08B17/10 , G06K9/00718 , G06K9/6256 , G06N3/0454 , G06N3/08
Abstract: 本发明提出了一种基于卷积神经网络的视频野外火灾烟雾实时检测方法。本发明通过实验模拟方式收集烟雾图像数据集并创建训练集、测试集及验证集；分别对训练集、测试集及验证集进行自动标注结合人工调整，分别得到带真实标签的训练集、测试集以及验证集；对带真实标签的训练集以及验证集进行图像旋转处理、颜色通道加减色处理、缩放处理得到处理后带真实标签的训练集、验证集；初始化卷积神经网络参数，根据缩放处理后带真实标签的训练集训练建立好的卷积神经网络模型；实时采集待检测野外监控画面图像，通过训练后卷积神经网络模型预测烟雾目标检测框并进行优化；在训练后卷积神经网络模型给出的目标检测结果上进行帧间置信度增强以及重定位。
-
公开(公告)号：CN109147254B
公开(公告)日：2021-05-18
申请号：CN201810791162.X
申请日：2018-07-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于卷积神经网络的视频野外火灾烟雾实时检测方法。本发明通过实验模拟方式收集烟雾图像数据集并创建训练集、测试集及验证集；分别对训练集、测试集及验证集进行自动标注结合人工调整，分别得到带真实标签的训练集、测试集以及验证集；对带真实标签的训练集以及验证集进行图像旋转处理、颜色通道加减色处理、缩放处理得到处理后带真实标签的训练集、验证集；初始化卷积神经网络参数，根据缩放处理后带真实标签的训练集训练建立好的卷积神经网络模型；实时采集待检测野外监控画面图像，通过训练后卷积神经网络模型预测烟雾目标检测框并进行优化；在训练后卷积神经网络模型给出的目标检测结果上进行帧间置信度增强以及重定位。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
