-
公开(公告)号:CN107561738B
公开(公告)日:2020-06-12
申请号:CN201710764659.8
申请日:2017-08-30
申请人: 湖南理工学院
IPC分类号: G02F1/13
摘要: 为了克服TFT‑LCD表面缺陷检测中边缘模糊、对比度低、图像中存在重复纹理背景等噪声的干扰,本发明提出了一种基于全卷积神经网络的端到端的快速检测方法。该方法先通过多个样本训练得到FCN_21×21检测模型,之后将对待检测图像进行预处理,获得多个子图像,计算机的多个处理核对多个子图像进行并行处理,所述处理为使用训练后的FCN_21×21检测模型对子图像进行缺陷检测,最后将多个并行处理结果进行合成,获得待检测图像的缺陷检测结果。本发明的方法对于高分辨率图像具有很好的检测效果,同时在处理速度上也具有突出的性能优势。
-
公开(公告)号:CN108550163A
公开(公告)日:2018-09-18
申请号:CN201810356801.X
申请日:2018-04-19
申请人: 湖南理工学院
摘要: 在对图像进行运动目标检测时,背景越复杂,检测难度越高,获得的检测结果准确性越低,本发明提出一种复杂背景场景中运动目标检测方法,该方法使用自适应高斯混合模型对视频帧图像进行检测,获得包含前景目标和大量噪声的检测图像;再通过训练BP神经网络,采用训练好的BP神经网络对检测图像的各个部分进行判别,排除非前景目标区域;最后采用中值滤波方法对保留的前景目标区域中的孤立噪声点进行进一步修正,获得最后的检测图像。本发明提出的方法可以获得获准确度高、噪声小、边缘明确的前景目标,同时具有鲁棒性高、训练速度快等特点。
-
公开(公告)号:CN108108746A
公开(公告)日:2018-06-01
申请号:CN201710823771.4
申请日:2017-09-13
申请人: 湖南理工学院
摘要: 在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染。针对被强噪声污染的字符,本发明提出一种基于Caffe深度学习框架的车牌字符识别方法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构,同时,通过对训练样本和识别图像进行缩放处理、倾斜纠正、归一化处理,解决了现有的车牌字符识别方法中对倾斜、噪声、相近字符识别精度不高的问题,大大提高了对于车牌字符的识别精度。
-
公开(公告)号:CN103630977A
公开(公告)日:2014-03-12
申请号:CN201310694111.2
申请日:2013-12-18
申请人: 湖南理工学院
IPC分类号: G02B6/34
摘要: 本发明公开了一种基于薄膜型空间滤波器的波导模式控制方法,该发明属于激光器技术领域,其特征在于,在多模波导中嵌入薄膜型空间滤波器,模角不在空间滤波器角域带宽以内的波导模式被抑制,从而实现波导模式的控制。关键在于合理设计薄膜型空间滤波器结构,该结构可以是折射率沿波导纵向变化的一维薄膜结构以及横向和纵向都改变的二维结构,且可通过改变空间滤波器的材料或/和尺寸参数来调节空间滤波器的角域带宽。本发明实现较为简单、成本较低和高阶模抑制效果好,可应用于波导激光器中。
-
公开(公告)号:CN116432575A
公开(公告)日:2023-07-14
申请号:CN202310079077.1
申请日:2023-02-08
申请人: 湖南理工学院
IPC分类号: G06F30/337 , G06F30/33 , G06F111/04
摘要: 一种PISA架构芯片内部结构中程序基本块优化排布方法,包括以最小化占用流水线级数为优化目标,在数据依赖、控制依赖和资源限制的复杂约束条件下,基于动态扩增逐层优化调度算法进行建模;在满足程序依赖关系的条件下,构建重要资源优先的基本块调度优先级顺序;采用基于基本块优先级逐层优化策略,当资源受限时进行流水线级数动态扩增,将最小化流水线级数问题转换为最大化各级流水线资源利用率问题;在资源限制条件下,基于动态扩增逐层优化的调度算法解决多约束条件优化问题,求解不同层级下的各级流水线基本块的最优排布方案,获得所有基本块在各级流水线的排布结果。
-
公开(公告)号:CN116012782A
公开(公告)日:2023-04-25
申请号:CN202211661030.8
申请日:2022-12-23
IPC分类号: G06V20/52 , G06V20/40 , G06V10/82 , G06V10/774 , G06V10/12 , G06N3/04 , G06N3/08 , G06N3/084 , G06F16/78 , G06F16/787 , G06F16/783 , H04N7/18
摘要: 本发明属于崩岸治理领域,具体的说是一种机器视觉的崩岸治理监控系统及监控设备,该监控系统包括以下步骤:第一步:搭建室外智能数据采集平台及其网络设备和GPS定位模块,远程控制监控设备监控施工全过程,采集施工视频和定位信息,上传数据中心;第二步:对施工视频预处理,构建施工物料数据集,将数据集输入基于YOLOv5的神经网络中训练,通过前向传播和反向传播算法优化代价函数;第三步:通过训练好的神经网络,判别出重要的过程事件,以时间为索引记录重点堤段的位置发生的重要事件关键帧,保存至数据中心;第四步:在数据库中保存第一和三步中采集到的施工视频和施工关键帧,读取数据中心关键帧和相关信息并以图表报表形式展示。
-
公开(公告)号:CN114926346A
公开(公告)日:2022-08-19
申请号:CN202210767749.3
申请日:2022-07-01
摘要: 本发明公开了一种大尺度堤岸点云数据拼接融合方法,包括:获取堤岸待拼接图像,对待拼接图像的相邻帧图像进行处理,获得点云数据;基于点云数据进行特征点的检测与匹配,获得点云重复局部特征;基于点云重复局部特征对待拼接图像进行图像框架对齐后,寻找最优拼接缝进行图像融合。利用本发明提供的点云拼接方法,相对于基于传统ICP算法的拼接方法,其具有更高的准确性和更好的计算速度,能够达到快速高效的大尺度堤岸点云数据拼接目的。
-
公开(公告)号:CN113128126B
公开(公告)日:2022-06-10
申请号:CN202110455031.6
申请日:2021-04-26
申请人: 湖南理工学院
摘要: 本发明属于浮选加药技术领域,具体来说是一种基于生成对抗网络的浮选加药过程的建模方法,其充分利用了生成对抗网络强大的图像生成能力,通过图像判别网络计算加药过程中泡沫图像变化前后的特征差异,同时利用浮选加药量和预测加药后泡沫图像之间的互信息最大化来建模加药量和泡沫图像之间的关联关系;模型训练过程,利用加药后泡沫图像预测网络和泡沫图像判别网络之间的对抗博弈,实现两者性能的提升,最终预测网络能基于初始泡沫图像以及加药调节前后的浮选药剂添加量,实现加药后泡沫图像的准确预测。
-
公开(公告)号:CN113128126A
公开(公告)日:2021-07-16
申请号:CN202110455031.6
申请日:2021-04-26
申请人: 湖南理工学院
摘要: 本发明属于浮选加药技术领域,具体来说是一种基于生成对抗网络的浮选加药过程的建模方法,其充分利用了生成对抗网络强大的图像生成能力,通过图像判别网络计算加药过程中泡沫图像变化前后的特征差异,同时利用浮选加药量和预测加药后泡沫图像之间的互信息最大化来建模加药量和泡沫图像之间的关联关系;模型训练过程,利用加药后泡沫图像预测网络和泡沫图像判别网络之间的对抗博弈,实现两者性能的提升,最终预测网络能基于初始泡沫图像以及加药调节前后的浮选药剂添加量,实现加药后泡沫图像的准确预测。
-
公开(公告)号:CN108108746B
公开(公告)日:2021-04-09
申请号:CN201710823771.4
申请日:2017-09-13
申请人: 湖南理工学院
摘要: 在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染。针对被强噪声污染的字符,本发明提出一种基于Caffe深度学习框架的车牌字符识别方法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构,同时,通过对训练样本和识别图像进行缩放处理、倾斜纠正、归一化处理,解决了现有的车牌字符识别方法中对倾斜、噪声、相近字符识别精度不高的问题,大大提高了对于车牌字符的识别精度。
-
-
-
-
-
-
-
-
-