公开(公告)号：CN109829995A

公开(公告)日：2019-05-31

申请号：CN201811535922.7

申请日：2018-12-14

Applicant: 浙江工业大学

Inventor： 金燕 ,  李远 ,  韦振坤 ,  蒋晓奔 ,  姚宇

IPC: G07C1/10 ,  G06K9/00 ,  G06Q50/20

Abstract: 本发明公开了一种人脸识别课堂签到系统，包括：控制模块以及与控制模块通信连接的注册信息模块、人脸库模块、采集人脸模块、人脸识别模块、定位模块、时间对比模块、显示模块、补签模块、签到信息电子表模块和重建信息模块。本发明提供的人脸识别课堂签到系统不需要采集教室的图像，通过依次比对位置、人脸照片和时间来确定学生的签到信息，更加准确和高效，允许签到学生在一定位置范围和时间内进行签到，更加灵活。

公开(公告)号：CN109949235A

公开(公告)日：2019-06-28

申请号：CN201910141579.6

申请日：2019-02-26

Applicant: 浙江工业大学

Inventor： 金燕 ,  蒋晓奔 ,  韦振坤 ,  李远 ,  姚宇

IPC: G06T5/00 ,  G06T3/40 ,  G06T3/60 ,  G06N3/04

Abstract: 本发明公开了一种基于深度卷积神经网络的胸部X光片去噪方法，包括：收集胸部X光片数据，并进行数据格式的转化、预处理后得到训练用的原始图像块，加入高斯噪声后生成含噪图像块，将成对的原始图像块和含噪图像块作为训练数据集；构建去除胸部X光片噪声的卷积神经网络模型，所述卷积神经网络模型包括深度卷积神经网络和残差网络；将成对的原始图像块和含噪图像块作为输入，进行训练，得到训练完成后的卷积神经网络模型X-ReCNN；将待去除噪声的胸部X光片数据作为X-ReCNN的输入特征图，去除噪声，输出预测的去噪后的胸部X光片。该方法可以轻量化、速度快、高精度的去除胸部X光片中的噪声，而且大幅度地降低了网络结构的参数，缩短了网络训练时间。

公开(公告)号：CN111191608A

公开(公告)日：2020-05-22

申请号：CN201911422311.6

申请日：2019-12-30

Applicant: 浙江工业大学

Inventor： 金燕 ,  姚宇

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于YOLOv3改进的交通标志检测与识别方法，包括以下步骤：(1)获取和标注交通标志图像数据集，作为训练集；(2)构建YOLOv3改进网络模型；(3)通过训练集对所述的YOLOv3改进网络模型进行训练；(4)通过训练好的YOLOv3改进网络模型对待测交通标志图像进行检查与识别。通过上述方法，本发明实现了相较于YOLOv3原有算法相近的检测性能，同时模型得到了精简。

公开(公告)号：CN109658057A

公开(公告)日：2019-04-19

申请号：CN201811505095.7

申请日：2018-12-10

Applicant: 浙江工业大学

Inventor： 金燕 ,  韦振坤 ,  李远 ,  蒋晓奔 ,  姚宇

IPC: G06Q10/10 ,  G06Q50/20

Abstract: 本发明公开了一种论文评阅系统，包括：信息管理模块，用于学生和导师的信息管理；论文接收模块，用于接收论文，将论文传送到自审模块和公审模块；自审模块，根据信息管理模块中学生和导师的信息传送给同学校和同学院的非指导导师进行论文的评阅导师划分；划分后完成论文的自审评阅，生成自审评阅进度和自审评阅结果；公审模块，根据信息管理模块中学生和导师的信息，随机传送给不同学校但同一学院的导师，进行论文的评阅导师划分；划分后完成论文的公审评阅，生成公审评阅进度和公审评阅结果；学生终端和导师终端。本发明提供的论文评阅系统可以在线完成论文的合适分配、学校的自审和与其他学校相互的审阅，减少工作量。

公开(公告)号：CN111191608B

公开(公告)日：2023-04-18

申请号：CN201911422311.6

申请日：2019-12-30

Applicant: 浙江工业大学

Inventor： 金燕 ,  姚宇

IPC: G06V20/58 ,  G06V10/82 ,  G06V10/762 ,  G06V10/774 ,  G06V10/80 ,  G06N3/0464

Abstract: 本发明公开了一种基于YOLOv3改进的交通标志检测与识别方法，包括以下步骤：(1)获取和标注交通标志图像数据集，作为训练集；(2)构建YOLOv3改进网络模型；(3)通过训练集对所述的YOLOv3改进网络模型进行训练；(4)通过训练好的YOLOv3改进网络模型对待测交通标志图像进行检查与识别。通过上述方法，本发明实现了相较于YOLOv3原有算法相近的检测性能，同时模型得到了精简。

公开(公告)号：CN111047524A

公开(公告)日：2020-04-21

申请号：CN201911105543.9

申请日：2019-11-13

Applicant: 浙江工业大学

Inventor： 金燕 ,  蒋晓奔 ,  姚宇

IPC: G06T5/00 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于深度卷积神经网络的低剂量CT肺部图像的去噪方法，属于数字图像领域，包括：1，收集高剂量CT肺部数据集，将高剂量CT肺部图像退化成低剂量CT肺部图像，并利用低剂量CT肺部图像，制作模型训练集；2，构建深度卷积神经网络；3，利用模型训练集训练所述深度卷积神经网络；4，利用训练后的深度卷积神经网络，得到去噪后的低剂量CT肺部图像。本发明提出的基于深度卷积神经网络的低剂量CT图像的去噪方法，使用残差学习将网络的优化目标从直接学习含噪图中的干净图片转化成学习含噪图中的噪声分布，降低了网络学习的难度，进一步提升去噪的精度，并且缩短了训练时间。