一种基于深度神经网络Mask R-CNN的缺陷检测算法

    公开(公告)号:CN111986170A

    公开(公告)日:2020-11-24

    申请号:CN202010821216.X

    申请日:2020-08-14

    摘要: 本发明公开了一种基于深度神经网络Mask R-CNN的缺陷检测算法,属于缺陷检测技术领域,算法的具体步骤为:利用基于ResNet50的特征金字塔网络(FPN)提取特征,利用区域建议网络(RPN)提取缺陷区域的感兴趣区域(ROI)从而得到相应的锚框,利用全卷积神经网络(FCN)对ROI内部的像素类别进行预测以实现缺陷分割,最后通过网络的全连接层实现每个ROI所属类别和相应锚框坐标的预测,针对磁瓦表面缺陷检测场景,该算法对MaskR-CNN中的特征金字塔网络(FPN)做了两点改进:在FPN中增加了C1模块,并取消C1模块特征提取层内的池化层;将CLAHE预处理模块加在FPN的特征提取层之前。实验结果表明,本发明的算法具有较强的泛化能力和鲁棒性,可以对磁瓦图像进行精确的缺陷分割。

    一种基于多重注意力网络的立体匹配算法

    公开(公告)号:CN111985551B

    公开(公告)日:2023-10-27

    申请号:CN202010821176.9

    申请日:2020-08-14

    摘要: 本发明公开了一种基于多重注意力网络的立体匹配算法,属于计算机视觉研究技术领域,一种基于多重注意力网络的立体匹配算法,主要包括特征提取、代价卷构建、代价聚合和视差预测等步骤,特征提取中引入了沙漏位置注意力模块,可以有效地聚合每个位置的全局上下文信息,有效的保证了无纹理和重复纹理区域的精确匹配,代价卷构建中通过特征融合的方式将互相关卷与级联卷结合在一起,不仅可以保留特征维度,还能有效的度量特征之间的相似度,代价聚合中设计了一个多尺度的视差注意力模块,可以聚合不同视差维度的特征信息,并通过回归的方式获得最终视差,本方法相较于现有技术的立体匹配算法,有效的提高了准确性和立体匹配计算速度。

    一种基于多重注意力网络的立体匹配算法

    公开(公告)号:CN111985551A

    公开(公告)日:2020-11-24

    申请号:CN202010821176.9

    申请日:2020-08-14

    IPC分类号: G06K9/62 G06N3/04 G06N3/08

    摘要: 本发明公开了一种基于多重注意力网络的立体匹配算法,属于计算机视觉研究技术领域,一种基于多重注意力网络的立体匹配算法,主要包括特征提取、代价卷构建、代价聚合和视差预测等步骤,特征提取中引入了沙漏位置注意力模块,可以有效地聚合每个位置的全局上下文信息,有效的保证了无纹理和重复纹理区域的精确匹配,代价卷构建中通过特征融合的方式将互相关卷与级联卷结合在一起,不仅可以保留特征维度,还能有效的度量特征之间的相似度,代价聚合中设计了一个多尺度的视差注意力模块,可以聚合不同视差维度的特征信息,并通过回归的方式获得最终视差,本方法相较于现有技术的立体匹配算法,有效的提高了准确性和立体匹配计算速度。

    一种崩岸治理过程施工物料分布估计方法

    公开(公告)号:CN115059018B

    公开(公告)日:2024-04-26

    申请号:CN202210748324.8

    申请日:2022-06-24

    摘要: 本发明属于环境保护领域,具体的说是一种崩岸治理过程施工物料分布估计方法,该方法包括如下步骤;S1:使用测距仪在崩岸线的两端测量长度,然后沿着崩岸线测量带有长度和角度信息的多段线,然后测出崩岸滑坡的斜面角度,然后测量滑坡与河床的相交位置与地面的深度;S2:根据S1中测量的数据在三维软件上建模,然后测量建模上根据治理方案设计的物料位置和体积,然后查找物料的密度表,即可得知各个所需材料的重量和体积;实现了科学精确的统计物料的体积重量和分布位置的功能,解决了现有的方法一步步治理的过程中导致物料把控不精确造成浪费和耽误运输时间的问题,提高了崩岸治理过程的效率。

    一种基于RGBD图像的矿物浮选破碎泡沫识别方法

    公开(公告)号:CN116229434A

    公开(公告)日:2023-06-06

    申请号:CN202310079320.X

    申请日:2023-02-08

    摘要: 本发明公开了一种基于RGBD图像的矿物浮选破碎泡沫识别方法,主要包括步骤S1,挑选出RGBD图像中潜在的破碎泡沫,其标准是泡沫破碎后深度变小;S2,将可能破碎的泡沫选出来后,对感兴趣泡沫区域定位和细化;S3,在确定感兴趣泡沫区域位置后,得到细化的感兴趣泡沫区域对;提取深度变化特征,立体纹理变化特征,加权亮度变化特征从细化感兴趣泡沫区域对,并被用于破碎泡沫识别;S4,采用基于逻辑回归算法进行破碎泡沫识别。本发明的有益效果在于:基于RGBD图像,直接提取对泡沫破碎较为敏感的深度特征,结合泡沫表面纹理和深度数据,提取立体纹理特征,同时通过亮度分量和权重矩阵提取加权亮度特征,基于这些特征能进一步精准可靠地识别泡沫是否破碎,更有利于准确判别当前工况的稳定性。

    基于FOA-ICP的堤防点云数据拼接方法及系统

    公开(公告)号:CN115311143A

    公开(公告)日:2022-11-08

    申请号:CN202210946691.9

    申请日:2022-08-09

    IPC分类号: G06T3/40 G06T7/11

    摘要: 本发明公开了一种基于FOA‑ICP的堤防点云数据拼接方法及系统,属于点云配准领域,点云数据拼接方法包括:获取堤防点云数据,其中所述堤防点云数据包括水上点云数据和水下点云数据;对所述堤防点云数据进行预处理,得到预处理后的堤防点云数据;基于FOA‑ICP算法,构建点云拼接模型;将所述预处理后的堤防点云数据输入至所述点云拼接模型,输出堤防点云拼接的表面形貌;点云数据拼接系统包括:数据获取模块、数据预处理模块、模型构建模块及模型输出模块。通过以上技术方案,本发明能够解决现有技术中收敛速度慢、易陷入局部最优的问题,有效的提高堤防水上水下点云数据拼接速度和匹配精度。

    一种基于超像素权重密度的高光谱影像噪声标签检测方法

    公开(公告)号:CN110046639A

    公开(公告)日:2019-07-23

    申请号:CN201910022607.2

    申请日:2019-01-10

    IPC分类号: G06K9/62 G06T5/00 G06T7/10

    摘要: 本发明公开了一种基于超像素权重密度的高光谱影像噪声标签检测方法。它包括以下步骤:首先,将熵率超像素(ERS)算法引入到获得用于训练样本(具有噪声标签)的上下文数据信息的步骤中。其次,我们通过超像素区域获得欧几里德距离度量。接下来,在欧几里德距离计算中引入高斯加权算法,并定义每个类的距离信息的加权系数,最后,通过基于密度峰值的聚类算法自适应地检测训练样本,并且利用支持向量机来评估所提出的检测方法的有效性。在几个真正的高光谱数据集上进行的实验表明,所提出的标签检测方法可以有效地改善初始训练样本中具有标签噪声污染的分类器的性能,具有非常大的理论意义与实际应用价值。