-
公开(公告)号：CN110751628B
公开(公告)日：2022-09-16
申请号：CN201910904310.9
申请日：2019-09-24
Applicant: 河海大学常州校区
IPC: G06T7/00 , G06T7/136 , G06T7/13 , G06T5/30 , G06V10/764
Abstract: 本发明公开了一种基于超声图像的焊缝缺陷自动识别方法。基于焊缝超声检测装置输出的焊件组对图，利用竖向边缘检测和霍夫变换自动检测坡口线位置，继而基于坡口线距离度量自动检测焊件根部位置。对于超声设备输出的一幅焊缝扫描图像，使用两级阈值分割得到不同幅值的激活区域。然后统计两级激活区域的数量，使用对像素点坐标的协方差矩阵进行特征值分解的方法求取激活区域的轴线，分析激活区域与坡口和根部的位置关系，最终自动识别焊缝的缺陷类别。
-
公开(公告)号：CN110751628A
公开(公告)日：2020-02-04
申请号：CN201910904310.9
申请日：2019-09-24
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于超声图像的焊缝缺陷自动识别方法。基于焊缝超声检测装置输出的焊件组对图，利用竖向边缘检测和霍夫变换自动检测坡口线位置，继而基于坡口线距离度量自动检测焊件根部位置。对于超声设备输出的一幅焊缝扫描图像，使用两级阈值分割得到不同幅值的激活区域。然后统计两级激活区域的数量，使用对像素点坐标的协方差矩阵进行特征值分解的方法求取激活区域的轴线，分析激活区域与坡口和根部的位置关系，最终自动识别焊缝的缺陷类别。
-
公开(公告)号：CN110097058B
公开(公告)日：2022-09-09
申请号：CN201910298936.X
申请日：2019-04-15
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于区域加权组合的图像物体不规则形式自动标注方法，以人工方式弱标记幅图像数据，分为目标图像和非目标图像；采用无监督过分割技术将每一幅图像划分为若干个互斥的不规则区域，对幅图像提取局部特征并聚类构造单词表，获得词袋直方图特征向量，并以区域加权组合的方式表示图像中物体的特征向量，构造区域平滑正则项的数学表示；根据特征向量和构造的区域平滑正则项的数学表示，构造目标函数；最优化目标函数，得到模型参数和区域权重参数。本发明仅需要简单的弱标记即可实现图像数据中物体的不规则形式标注，大幅度减少人工标记的工作量；获得的物体标注可用于训练各种视觉识别的模型，应用于各个领域的自动识别。
-
公开(公告)号：CN110097058A
公开(公告)日：2019-08-06
申请号：CN201910298936.X
申请日：2019-04-15
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于区域加权组合的图像物体不规则形式自动标注方法，以人工方式弱标记幅图像数据，分为目标图像和非目标图像；采用无监督过分割技术将每一幅图像划分为若干个互斥的不规则区域，对幅图像提取局部特征并聚类构造单词表，获得词袋直方图特征向量，并以区域加权组合的方式表示图像中物体的特征向量，构造区域平滑正则项的数学表示；根据特征向量和构造的区域平滑正则项的数学表示，构造目标函数；最优化目标函数，得到模型参数和区域权重参数。本发明仅需要简单的弱标记即可实现图像数据中物体的不规则形式标注，大幅度减少人工标记的工作量；获得的物体标注可用于训练各种视觉识别的模型，应用于各个领域的自动识别。
-
公开(公告)号：CN113779330A
公开(公告)日：2021-12-10
申请号：CN202111068993.2
申请日：2021-09-13
Applicant: 河海大学常州校区
IPC: G06F16/903 , G06K9/62
Abstract: 本发明公开一种基于相似性度量的超声检测工艺参数智能计算系统，包括工艺数据库、服务器和云端web应用；工艺数据库用于存储现有的超声检测工艺参数，服务器用于对现有的超声检测工艺参数进行分析处理，并构建机器学习模型和云端web应用，通过对机器学习模型进行训练可以得到工艺参数智能计算模型；再将智能计算模型移植到web应用上，用户即可通过向web应用输入必要的工件信息和检测标准来得到该工件的具体检测参数工艺卡。本发明降低了超声检测的操作难度，使得经验不足的检测员也能准确地对工件进行超声检测，提升了工件超声检测的可信度；且本发明的web应用还具有二次学习的能力，可以定时的对智能计算模型进行优化，提升工件具体检测参数的精确度。
-
Patent Agency Ranking
公开(公告)号：CN111368729A
公开(公告)日：2020-07-03
申请号：CN202010142310.2
申请日：2020-03-03
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于孪生神经网络的车辆身份判别方法。本发明构建孪生神经网络，在Veri-Wild数据集上训练上述网络；然后构建具体应用场景的数据集，并继续训练上述网络；然后构建具体应用场景中的目标车辆图片库；最后现场抓拍图片，并利用已经训练好的网络判断是否为目标车辆。本发明不完全依赖于车牌，有效解决了由于套牌车或车牌不可见的情况而导致车辆判别不易进行的问题。
-
公开(公告)号：CN113947763B
公开(公告)日：2025-05-06
申请号：CN202111220342.0
申请日：2021-10-20
Applicant: 河海大学常州校区
IPC: G06V20/58 , G06V10/774 , G06V10/74 , G06V10/75 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06N3/084
Abstract: 本发明公开了一种基于模板自监督的路面箭头识别方法及装置，包括使用预先构建的包含编码器和投影层的自监督模板对比学习模型在预先构建的扩充数据集上训练，获取训练好的网络，其中，扩充数据集为箭头模板及其对应实例样本的扩充数据集；使用所述训练好的网络识别箭头图像的类别；本发明仅利用模板而不需要任何的人工标注就可完成箭头识别模型的训练，通过模板的自动变换得到模拟各种视角的箭头图片，然后成对地输入模型训练一个能够判断实例与模板是否匹配的深度模型，即可用于箭头的识别，自监督对比学习可以有效地避免人工标注的依赖，在不需要人工监督的情况下训练完成可靠的识别模型。
-
公开(公告)号：CN113779330B
公开(公告)日：2024-01-26
申请号：CN202111068993.2
申请日：2021-09-13
Applicant: 河海大学常州校区
IPC: G06F16/903 , G06F18/22
Abstract: 本发明公开一种基于相似性度量的超声检测工艺参数智能计算系统，包括工艺数据库、服务器和云端web应用；工艺数据库用于存储现有的超声检测工艺参数，服务器用于对现有的超声检测工艺参数进行分析处理，并构建机器学习模型和云端web应用，通过对机器学习模型进行训练可以得到工艺参数智能计算模型；再将智能计算模型移植到web应用上，用户即可通过向web应用输入必要的工件信息和检测标准来得到该工件的具体检测参数工艺卡。本发明降低了超声检测的操作难度，使得经验不足的检测员也能准确地对工件进行超声检测，提升了工件超声检测的可信度；且本发明的web应用还具有二次学习的能力，可以定时的对智能计算模型进行优化，提(56)对比文件Ziyao Wang.A Method of WorkpieceCoherent Line Detection Based onProgressive Probabilistic HoughTransform《.International Conference onSoftware and Computer Applications》.2020,141-146.黄瑞;蒋俊锋;张树生.关联工艺引导的型腔类零件局部结构检索方法.计算机辅助设计与图形学学报.2018,(04),全文.
-
公开(公告)号：CN110852228B
公开(公告)日：2022-09-13
申请号：CN201911065308.3
申请日：2019-11-04
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种监控视频中的动态背景提取及前景物体检测方法及系统，获取第一帧的原始背景以及获取待测帧；用待测帧减去背景帧得到处理帧；判定区别处理帧中的前景部分和背景部分；将所述背景部分更新到背景帧部分，从所述前景部分提取感兴趣的部分；将背景中存在时间最久的像素点的值移出，移入最新判定为背景部分的像素点的值；通过多帧背景点共同提取背景帧的方法获得背景。优点：本发明够从有前景物体覆盖的监控画面中提取完整背景，以获取可能被遮挡的标志，还能应对光线等因素不断变化情况下的前景物体检测。
-
公开(公告)号：CN113947763A
公开(公告)日：2022-01-18
申请号：CN202111220342.0
申请日：2021-10-20
Applicant: 河海大学常州校区
IPC: G06V20/58 , G06K9/62 , G06V10/774 , G06V10/74 , G06V10/75 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于模板自监督的路面箭头识别方法及装置，包括使用预先构建的包含编码器和投影层的自监督模板对比学习模型在预先构建的扩充数据集上训练，获取训练好的网络，其中，扩充数据集为箭头模板及其对应实例样本的扩充数据集；使用所述训练好的网络识别箭头图像的类别；本发明仅利用模板而不需要任何的人工标注就可完成箭头识别模型的训练，通过模板的自动变换得到模拟各种视角的箭头图片，然后成对地输入模型训练一个能够判断实例与模板是否匹配的深度模型，即可用于箭头的识别，自监督对比学习可以有效地避免人工标注的依赖，在不需要人工监督的情况下训练完成可靠的识别模型。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
