-
公开(公告)号：CN112632313A
公开(公告)日：2021-04-09
申请号：CN202011559620.0
申请日：2020-12-25
Applicant: 江南大学
IPC: G06F16/583 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的蕾丝花边检索方法，属于机器视觉和深度学习技术领域。该方法采用深度学习网络自动提取蕾丝花边图像的特征，无需人为干预，从而具有很好的鲁棒性和较强的泛化能力；具体的，采用孪生神经网络，并构造训练孪生神经网络所需的(A，P)正例对和(A，N)负例对，在训练孪生神经网络时，使得正例对中的样本A和P的特征向量之间的欧式距离尽可能小，而对于负例对则使得其特征向量之间的欧式距离尽可能大，最终得到训练好的孪生神经网络实现检索；采用该检索方法，所检索出的准确结果排在所有检索结果中第1个位置的百分比值可达98.39％，而所检索出的准确结果排在前10个位置的百分比值可达100％。
-
公开(公告)号：CN112180736A
公开(公告)日：2021-01-05
申请号：CN202011118436.2
申请日：2020-10-19
Applicant: 江南大学
IPC: G05B13/04
Abstract: 本发明公开了基于双闭环三维路径跟踪的微机器人磁驱装置和控制方法，涉及微纳机器人控制技术领域，该方法包括：输入期望跟踪路径，通过摄像机获取磁性微机器人的当前位姿信息进而计算得到质心位置、实际轴线方向、期望跟踪路径上距离质心最近的期望位置点坐标以及此点的切线方向；根据实际轴线方向和切线方向以及扰动补偿计算出两点的水平距离、垂直距离、方向角误差、俯仰角误差；根据设计的位置闭环控制器求得所需的旋转磁场，电流闭环磁场控制器根据旋转磁场和反馈的线圈输出电流闭环控制亥姆霍兹线圈产生期望磁场，使磁性微机器人完成对期望跟踪路径的跟踪。该方法采用位置和电流反馈的双闭环控制能够精准的完成对三维路径的跟踪。
-
公开(公告)号：CN110659719A
公开(公告)日：2020-01-07
申请号：CN201910889590.0
申请日：2019-09-19
Applicant: 江南大学
Abstract: 本发明公开了一种铝型材瑕疵检测方法，属于机器学习视觉检测领域。所述方法包括以下步骤：S1：获取全部图像，进行图像预处理；S2：对预处理后的图像进行特征提取；S3：将数据集分为训练集和测试集；S4：构造和训练BRDPSO-RF模型，同步进行特征选择和RF参数的优化；S5：应用选择好的特征子集和优化后的RF模型对测试集进行瑕疵检测。本发明通过提出BRDPSO-RF模型同步选择最优的特征子集和随机森林RF分类器的参数优化，提高瑕疵检测的准确度，减少学习及训练的时间复杂度。
-
公开(公告)号：CN108010029A
公开(公告)日：2018-05-08
申请号：CN201711447836.6
申请日：2017-12-27
Applicant: 江南大学
Abstract: 本发明公开了基于深度学习和支持向量数据描述的织物疵点检测方法，包含学习过程和检测过程。网络的学习是建立在无疵点图像基础上，通过图像预处理得到训练样本特征向量集，然后训练深度神经网络层叠自编码器(SAE)中的参数得到降维后的特征向量集，最后采用随机漂移粒子群优化(RDPSO)算法优化支持向量数据描述(SVDD)的参数。检测时，首先得到待检测图像的特征向量集，然后采用SAE得到降维后的特征向量集，最后输入到SVDD中得到疵点检测结果。本发明的方法能够解决现有疵点检测方法人为选择特征的缺陷和不足，提高检测效果的准确度和精度。
-
公开(公告)号：CN105354276A
公开(公告)日：2016-02-24
申请号：CN201510717735.0
申请日：2015-10-29
Applicant: 江南大学
IPC: G06F17/30
CPC classification number: G06F16/5854 , G06F16/5838 , G06F16/5862
Abstract: 本发明涉及一种基于内容的蕾丝花边检索系统，包括该检索系统包括移动终端和服务器两部分，两者通过无线网络相互通讯；特征是：所述检索系统的工作过程按照以下步骤实施：步骤1、注册蕾丝花边阶段：获取蕾丝花边图像，对每幅图像分别进行预处理，提取特征并存储到服务器的特征数据库中；步骤2、辨识阶段：由移动终端获取被检索蕾丝花边图像，进行预处理，提取特征并将特征上传至服务器，与存储在服务器的特征数据库中所有的蕾丝花边特征进行比对，然后将检索结果信息返回到移动终端。本发明不仅能够智能化与高效化地管理蕾丝花边，而且可以随时随地方便快捷地找到与被检索蕾丝花边相同或相似的蕾丝花边，提高效率。
-
Patent Agency Ranking
公开(公告)号：CN103198457A
公开(公告)日：2013-07-10
申请号：CN201310109770.5
申请日：2013-03-25
Applicant: 江南大学
Abstract: 本发明涉及一种基于自适应神经模糊推理系统的图像脉冲噪声检测方法，对于被椒盐脉冲噪声污染的图像，该方法构造一个包含两个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对图像进行噪声检测前，首先人工构造一个训练图像，使用混合学习算法对两个自适应神经模糊推理系统单独进行训练，确定系统中的参数；当两个自适应神经模糊推理系统都训练完毕，就可以和一个后处理块一起构成一个网络，对含噪输入图像进行噪声检测，得到的输出图像即为噪声标志图像；最后和中值滤波器配合对含噪输入图像进行滤波。本发明的脉冲噪声检测方法能有效地检测图像中的椒盐脉冲噪声，其噪声检测性能优于一些传统方法。
-
公开(公告)号：CN117830690A
公开(公告)日：2024-04-05
申请号：CN202311645877.1
申请日：2023-12-04
Applicant: 江南大学
Abstract: 本发明公开了一种基于双流网络的目标分类方法、肺结节识别方法及系统，属于计算机辅助检测技术领域。所述方法通过3D加权运动图像处理捕获图像的时序特征，然后图像特征和时序特征分开输入至双流网络，最后以类注意力机制的方法将时序特征重标定图像特征，从而达到不同模态特征融合。本方法不仅能够有效提取时序特征，而且能够将两种不同模态特征进行有效融合，从而提高了分类性能。本发明通过对于肺结节真假阳性分类的实例验证其有效性，且可广泛地应用于医学图像检测领域。
-
公开(公告)号：CN117670807A
公开(公告)日：2024-03-08
申请号：CN202311607841.4
申请日：2023-11-27
Applicant: 江南大学
IPC: G06T7/00 , G06T7/50 , G06T7/90 , G06V10/774 , G06V10/764 , G06V10/26
Abstract: 本发明公开了一种基于重建方式的自监督3D工业缺陷检测方法，包括：步骤S1：使用异常模拟策略从正常样本中生成异常样本；步骤S2：将模拟生成的缺陷图像输入到重建网络，得到重建图像，计算正常图像与重建图像的SSIM Loss和L2Loss；步骤S3：拼接输入图像和重建图像输入判别网络，得到缺陷结果，计算Focal Loss；步骤S4：将步骤S2的SSIM Loss和L2Loss，以及步骤S3的Focal Loss相加得到最终损失L；步骤S5：使用优化器优化网络减小损失L。本发明采用了基于重建网络的自监督方法，通过自动生成的标签进行有监督的学习，可以帮助网络更好地学习正常样本、异常样本之间的决策边界，更有利于判别缺陷区域；本发明采用轻量化的模型架构，实现了快速推理和很好的缺陷定位准确率。
-
公开(公告)号：CN117456272A
公开(公告)日：2024-01-26
申请号：CN202311581835.6
申请日：2023-11-24
Applicant: 江南大学
IPC: G06V10/764 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06V10/56 , G06V10/46
Abstract: 本发明公开了一种基于对比学习的自监督异常检测方法，包括：步骤S1：对待训练的正常样本使用FT显著性算法得到前景区域，然后在前景区域上使用CutPaste Plus方法生成全新的异常样本以及记录对应的异常区域标签；步骤S2：构建基于对比学习的自监督异常检测网络架构，输入正常样本和步骤S1得到的异常样本，并构建多个基于对比学习的代理损失优化网络参数；步骤S3：模型训练完成后，将待测试的图像输入网络中，得到测试图像中的缺陷区域。该方法能生成与真实工业场景的异常样本类似的异常样本，同时能自动生成缺陷区域标签；使网络能从自动生成的标签中学习更精确的映射关系，保留了2D‑Flow的轻量特性，表现出更高的检测准确性，更少的模型参数以及更快的推理速度。
-
公开(公告)号：CN116862894A
公开(公告)日：2023-10-10
申请号：CN202310921316.3
申请日：2023-07-26
Applicant: 江南大学
IPC: G06T7/00 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0455 , G06V10/26 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于图像恢复的工业缺陷检测方法，属于工业产品表面缺陷检测技术领域。本发明利用FFM‑SA模块将编码器输出的特征与经过块金字塔记忆模块过滤掉异常的多尺度特征有效地融合，增强恢复图像的细节信息；此外，本发明提出的分割子网络提取异常图像和恢复图像的多尺度特征，并完成对应尺度特征的级联操作，为异常区域的定位提供更有效的信息。最后使用具有代表性的异常检测数据集进行实验，证明了本发明方法较其他异常检测方法具有更好的检测效果。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.085 seconds)
