-
公开(公告)号：CN108596917B
公开(公告)日：2021-10-22
申请号：CN201810354995.X
申请日：2018-04-19
Applicant: 湖北工业大学
Abstract: 本发明涉及计算机领域，尤其是涉及一种目标主骨架线提取方法。现有骨架线提取算法缺点：细化算法计算复杂度比较高，而距离变换难以保证骨架的连通性和精确性，基于Voronoi图的方法获取的骨架还需要根据具体情况裁剪分支。本发明在最大圆的基础上进行改进，该方法先将目标均匀分割成若干条形区域，然后求取条形区域重心，将所有重心连接成一个区域，然后采取最大圆方法求取骨架线，该方法有效的解决了因分支裁剪对骨架形状产生的影响，减少了计算量，节省时间，在一定程度上提高了抓取精度。
-
公开(公告)号：CN108460724B
公开(公告)日：2021-10-22
申请号：CN201810114537.9
申请日：2018-02-05
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于马氏距离判别的自适应图像融合方法和系统，在融合过程中将目标图像分为三部分，重合区域最左边完全取自img1中的数据，右边的部分完全取自img2经变换后的图像，通过对各个相机的重叠区域部分评估择优，自动选择规划出合适的各镜头成像点集，使得融合的图像更为真实，细节更加突出，极大地减小了因为细节丢失而导致的系统检测误差。本发明将马氏距离判别分析的方法引入图像融合技术之中，可以有效克服重叠区域坐标内各像素间的噪声干扰，自动选择规划出合适的各相机成像点集，以此评估出的像素点集合成后的图像整体平滑度更好，同时对真实场景的还原度高，极大的提升了图像融合的准确率。
-
公开(公告)号：CN109840552B
公开(公告)日：2020-04-10
申请号：CN201910031358.3
申请日：2019-01-14
Applicant: 湖北工业大学
IPC: G06K9/62
Abstract: 本发明公开了一种动态图像分类方法，从图片中随机选取一张图作为输入经过LeNet模型得到Q函数；根据Q函数选取一个动作1或0得到一个奖励和下一张图片；根据奖励更新LeNet模型各层的权重从而得到新的LeNet模型。得到的下一张图作为更新后LeNet模型的输入重复上述操作直到遍历所有图片，保存模型。本发明结合LeNet和强化学习中Qlearning算法用来处理动态图像分类问题，本发明可以用来处理各种大样本数据集如ciffa10，ciffa100等。
-
公开(公告)号：CN108416790B
公开(公告)日：2021-08-17
申请号：CN201810098532.1
申请日：2018-01-31
Applicant: 湖北工业大学
Abstract: 本发明涉及一种检测方法，尤其是涉及一种用于工件破损率的检测方法。本发明通过区域距离变换计算破损区域每个像素点到区域边缘的距离，有效的避开了铜渣、毛刺等缺陷的影响。提高了计算精度；本发明根据采集到的图片，在考虑线路毛刺、铜渣等基础上，自动进行区域分割，自动逐像素计算距离，自动计算破损率；在线检测时，根据骨架上点到边缘的距离与标准线宽比较计算破损率。该检测过程具备计算简单、计算时间短，精度高等特点。
-
公开(公告)号：CN109272060A
公开(公告)日：2019-01-25
申请号：CN201811036910.X
申请日：2018-09-06
Applicant: 湖北工业大学
Abstract: 本发明提出的一种基于改进的darknet神经网络进行目标检测的方法和系统，包括：采用固定相机连续获取训练样本图像，并对训练样本中的检测目标进行边框和类别的标注；通过旋转角度、调整饱和度、调整曝光量、调整色调来生成更多训练样本；基于改进的darknet神经网络构造图像检测模型；利用上述检测模型训练样本图像，并设置检测模型训练时的学习率及迭代次数，输出指定通道数的像素特征图片；每迭代一定次数保存相应的检测模型，直到指定迭代次数终止，并利用最终的检测模型进行相关图像目标检测。本发明对更加细微的物体有更好的识别度，提高图像保真度并改善了群体目标检测时的遮挡漏检情况。
-
Patent Agency Ranking
公开(公告)号：CN108596917A
公开(公告)日：2018-09-28
申请号：CN201810354995.X
申请日：2018-04-19
Applicant: 湖北工业大学
Abstract: 本发明涉及计算机领域，尤其是涉及一种目标主骨架线提取方法。现有骨架线提取算法缺点：细化算法计算复杂度比较高，而距离变换难以保证骨架的连通性和精确性，基于Voronoi图的方法获取的骨架还需要根据具体情况裁剪分支。本发明在最大圆的基础上进行改进，该方法先将目标均匀分割成若干条形区域，然后求取条形区域重心，将所有重心连接成一个区域，然后采取最大圆方法求取骨架线，该方法有效的解决了因分支裁剪对骨架形状产生的影响，减少了计算量，节省时间，在一定程度上提高了抓取精度。
-
公开(公告)号：CN108537277A
公开(公告)日：2018-09-14
申请号：CN201810316101.8
申请日：2018-04-10
Applicant: 湖北工业大学
IPC: G06K9/62
Abstract: 本发明公开了一种图像分类识别的方法，首先读取本地图片；然后生成批次，并打乱样本数据；接着构造图像分类识别模型；训练参数，直到图像分类识别模型到达稳定；最后保存图像分类识别模型，用来做相关图像识别。本发明通过结合LeNet、AlexNet、GoogleNet等传统算法有效的解决了识别准确率低，过拟合等问题。在图像识别，分类上有明显的改善，而且相对于层数较多、模型复杂的算法GoogleNet、R-CNN等更加容易实现，在实际应用中更实用，稍加改变可以实现各种图像的分类识别。
-
公开(公告)号：CN108416790A
公开(公告)日：2018-08-17
申请号：CN201810098532.1
申请日：2018-01-31
Applicant: 湖北工业大学
Abstract: 本发明涉及一种检测方法，尤其是涉及一种用于工件破损率的检测方法。本发明通过区域距离变换计算破损区域每个像素点到区域边缘的距离，有效的避开了铜渣、毛刺等缺陷的影响。提高了计算精度；本发明根据采集到的图片，在考虑线路毛刺、铜渣等基础上，自动进行区域分割，自动逐像素计算距离，自动计算破损率；在线检测时，根据骨架上点到边缘的距离与标准线宽比较计算破损率。该检测过程具备计算简单、计算时间短，精度高等特点。
-
公开(公告)号：CN109840552A
公开(公告)日：2019-06-04
申请号：CN201910031358.3
申请日：2019-01-14
Applicant: 湖北工业大学
IPC: G06K9/62
Abstract: 本发明公开了一种动态图像分类方法，从图片中随机选取一张图作为输入经过LeNet模型得到Q函数；根据Q函数选取一个动作1或0得到一个奖励和下一张图片；根据奖励更新LeNet模型各层的权重从而得到新的LeNet模型。得到的下一张图作为更新后LeNet模型的输入重复上述操作直到遍历所有图片，保存模型。本发明结合LeNet和强化学习中Qlearning算法用来处理动态图像分类问题，本发明可以用来处理各种大样本数据集如ciffa10，ciffa100等。
-
公开(公告)号：CN108898594A
公开(公告)日：2018-11-27
申请号：CN201810675848.2
申请日：2018-06-27
Applicant: 湖北工业大学
Abstract: 本发明公开了一种均质面板缺陷的检测方法，首先将原始图片分成R、G、B三个单通道图像；然后对R通道图像进行阈值分割，得到目标区域；根据阈值结果定位物体，获取目标区域的圆心；根据缺陷特征对目标区域进行多尺寸分割；接着对步骤4中进行多尺寸分割后的图像，采用卷积网络进行分类运算，获取正负样本的分类结果；最后步骤6：进行均质面板缺陷检测。本发明提出了一种基于图像的特征分块方法，增大样本的同时减少了环境噪声污染。设计了一种多尺寸图像的输入网络，对于不同尺寸的图像大大减少了因为统一尺寸造成的信息丢失问题。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.025 seconds)
