-
公开(公告)号：CN116129140A
公开(公告)日：2023-05-16
申请号：CN202310079997.3
申请日：2023-02-08
Applicant: 湖南大学
IPC: G06V10/44 , G06V10/80 , G06V10/764 , G06V10/56
Abstract: 本发明公开了一种融合视觉与光谱显著性的高光谱药液异物检测方法，拍摄待检测药液的高光谱原始图像，并构建高光谱图像样本集；采用基于信息熵的排序波段选择方法从高光谱图像样本中选出预设数量的波段，将其转换为伪彩图像；对伪彩图像进行直方图对比度计算和梯度特征提取，并进行特征融合，得到基于视觉的显著性特征图，经过总变分滤波，得到初步异常检测图；对待检测药液的高光谱图像分别计算光谱角距离与光谱欧式距离并进行融合，得到光谱显著性特征图；采用光谱显著性特征图抑制初步异常检测图的背景信息，得到异物检测图，实现待检测药液的异物检测。该方法可以快速、准确地检测出药液成品中的微弱异物，实现对药液的无损检测与质量控制。
-
公开(公告)号：CN113591810B
公开(公告)日：2021-12-07
申请号：CN202111141461.7
申请日：2021-09-28
Applicant: 湖南大学
Abstract: 本发明公开了一种基于边界紧约束网络的车辆目标位姿检测方法、装置及存储介质，涉及遥感图像目标检测技术，考虑到在实际道路交通场景应用环境中，使用垂直框进行车辆密集度检测即目标检测易受到道路环境复杂、车辆密集度高等因素的影响，造成误检、漏检等情况，而使用旋转矩形框进行车辆检测可以改善这一情况，因此，在YOLOv5的网络结构上新增加旋转分支，将多尺度特征和原检测结果转化为带有角度信息的旋转框检测结果，基于原损失函数和旋转分支重新定义了多任务损失函数，在满足实时性的需求下提升检测准确率。
-
公开(公告)号：CN113095305B
公开(公告)日：2021-09-07
申请号：CN202110634697.8
申请日：2021-06-08
Applicant: 湖南大学
Abstract: 本发明公开了一种医药异物高光谱分类检测方法，首先输入医药异物高光谱图像；其次提出多项式平滑滤波的异物高光谱去噪方法，抑制光谱噪声干扰；再次提出异物光谱波段聚类分组PCA降维与半监督LDA结合的特征提取方法，先采用波段聚类分组PCA降维对预处理后图像进行降维处理，并通过半监督LDA提取光谱特征，随后利用二维Gabor滤波器提取空间特征，将上述特征联合作为图像的分类特征；最后采用支持向量机实现医药异物检测并输出异物类别。本发明提出了PCA和LDA二次降维的方法，以便提取出更有利于后续分类操作的光谱特征；同时，引入半监督LDA降低对标签数据的依赖，实现少量标签数据样本下异物的高准确率检测。
-
公开(公告)号：CN113989525B
公开(公告)日：2022-03-29
申请号：CN202111593705.5
申请日：2021-12-24
Applicant: 湖南大学
IPC: G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/10
Abstract: 本发明公开了自适应随机块卷积核网络的高光谱中药材鉴别方法，基于最优聚类框架，获得中药材高光谱图像最优波段子集，再采用集群排序方法有效地从最优波段子集中选出最佳特征波段；使用随机投影方法将从中药材高光谱图像中提取的随机块作为卷积核；然后使用像素自适应方法修改卷积核，并基于中药材特征波段图像进行特征提取；再次，使用分层网络提取中药材的特征，并结合中药材高光谱最佳波段影像数据，构建中药材高光谱训练集与测试集；最后使用SVM对训练集进行训练得到分类预测模型，基于该模型对中药材测试集进行预测，大幅度提高了中药材的鉴别分类精度，解决了中药材种类多样、成分复杂的鉴别难题，可适用于各类中药材的快速无损鉴别。
-
公开(公告)号：CN113591825A
公开(公告)日：2021-11-02
申请号：CN202111168764.8
申请日：2021-10-08
Applicant: 湖南大学
Abstract: 本发明公开了一种基于超分辨网络的目标搜索重建方法、装置及存储介质，该方法创新地将图像超分辨率重建技术融入目标搜索的框架中。本方法包括以下步骤:将待搜索的视频帧输入到目标搜索网络中进行特征的提取与聚合；利用提取到的特征图进行目标的框定及分类；计算待搜索目标与框定目标特征的相似度进行目标重识别；利用回归坐标将重识别的结果裁剪拷贝，并输入图像超分辨率模块，得到超分辨率的目标图像。本发明以内嵌局部超分辨网络的方式实现了目标搜索任务与目标超分辨率任务，能获得更加丰富的边缘信息和更好的视觉效果，提高监控视频管理者、刑侦人员等在海量监控视频中检索目标对象的效率。
-
Patent Agency Ranking
公开(公告)号：CN113269196B
公开(公告)日：2021-09-28
申请号：CN202110811547.X
申请日：2021-07-19
Applicant: 湖南大学
Abstract: 本发明公开了一种图卷积神经网络高光谱医药成分分析的实现方法，一方面，将医药高光谱图像数据处理成图数据，大幅度降低了像素数量，有效减少了数据量；另一方面，以图卷积神经网络模型提取药物的特征信息，有效地学习了药物高光谱图像中的视觉特征与药物成分间的空间关系，提升了药物成分分类特征的表示能力，提高了被测药物的成分和属性精度，可实现对药物成分与质量的无损、快速检测分析。
-
公开(公告)号：CN113095305A
公开(公告)日：2021-07-09
申请号：CN202110634697.8
申请日：2021-06-08
Applicant: 湖南大学
Abstract: 本发明公开了一种医药异物高光谱分类检测方法，首先输入医药异物高光谱图像；其次提出多项式平滑滤波的异物高光谱去噪方法，抑制光谱噪声干扰；再次提出异物光谱波段聚类分组PCA降维与半监督LDA结合的特征提取方法，先采用波段聚类分组PCA降维对预处理后图像进行降维处理，并通过半监督LDA提取光谱特征，随后利用二维Gabor滤波器提取空间特征，将上述特征联合作为图像的分类特征；最后采用支持向量机实现医药异物检测并输出异物类别。本发明提出了PCA和LDA二次降维的方法，以便提取出更有利于后续分类操作的光谱特征；同时，引入半监督LDA降低对标签数据的依赖，实现少量标签数据样本下异物的高准确率检测。
-
公开(公告)号：CN116012739A
公开(公告)日：2023-04-25
申请号：CN202310050734.X
申请日：2023-02-01
Applicant: 湖南大学
IPC: G06V20/17 , G06T5/00 , G06V10/774 , G06V10/82 , G06N3/08 , G06T7/33 , G06N3/094 , G06N3/0464
Abstract: 本发明提供一种基于对抗学习与对比学习的无人机遥感视频盲去运动模糊方法，其特征模型ALCLDeblur包括1个带有CAM注意力机制的生成器，1个带有CAM注意力机制的判别器，1个配准器。方法包括：采集数据，构建多组无人机遥感图像的模糊图像‑清晰图像对(x,y)，形成训练数据集；训练模型，根据训练数据集训练特征模型ALCLDeblur；测试模型，将待处理的无人机遥感视频的模糊图像输入训练好的生成器得到对应的去模糊图像。生成器包括生成器CAM注意力层，判别器包括判别器CAM注意力层，主要解决在生成去模糊图像时聚焦不准、生成质量差的问题。配准器提取图像的形状与色域分布信息，得到生成图像与原图的差异，指导生成器在生成过程中保留图像的空间与色域信息，提高生成图像质量。最后通过生成对抗损失、配准器对比损失以及身份内容损失来优化网络模型。
-
公开(公告)号：CN113989525A
公开(公告)日：2022-01-28
申请号：CN202111593705.5
申请日：2021-12-24
Applicant: 湖南大学
IPC: G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/10
Abstract: 本发明公开了自适应随机块卷积核网络的高光谱中药材鉴别方法，基于最优聚类框架，获得中药材高光谱图像最优波段子集，再采用集群排序方法有效地从最优波段子集中选出最佳特征波段；使用随机投影方法将从中药材高光谱图像中提取的随机块作为卷积核；然后使用像素自适应方法修改卷积核，并基于中药材特征波段图像进行特征提取；再次，使用分层网络提取中药材的特征，并结合中药材高光谱最佳波段影像数据，构建中药材高光谱训练集与测试集；最后使用SVM对训练集进行训练得到分类预测模型，基于该模型对中药材测试集进行预测，大幅度提高了中药材的鉴别分类精度，解决了中药材种类多样、成分复杂的鉴别难题，可适用于各类中药材的快速无损鉴别。
-
公开(公告)号：CN113591810A
公开(公告)日：2021-11-02
申请号：CN202111141461.7
申请日：2021-09-28
Applicant: 湖南大学
Abstract: 本发明公开了一种基于边界紧约束网络的车辆目标位姿检测方法、装置及存储介质，涉及遥感图像目标检测技术，考虑到在实际道路交通场景应用环境中，使用垂直框进行车辆密集度检测即目标检测易受到道路环境复杂、车辆密集度高等因素的影响，造成误检、漏检等情况，而使用旋转矩形框进行车辆检测可以改善这一情况，因此，在YOLOv5的网络结构上新增加旋转分支，将多尺度特征和原检测结果转化为带有角度信息的旋转框检测结果，基于原损失函数和旋转分支重新定义了多任务损失函数，在满足实时性的需求下提升检测准确率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.029 seconds)
