-
公开(公告)号：CN119364305A
公开(公告)日：2025-01-24
申请号：CN202411381885.4
申请日：2024-09-30
Applicant: 东华大学 , 华北科技学院(中国煤矿安全技术培训中心)
Abstract: 本发明涉及一种柔性物联网感知飞行器节点，包括：电路板，所述电路板上设置有主控芯片、环境感知传感器和无线传输模块；所述主控芯片分别与所述环境传感器和传输模块相连；飞翼，包括矩形部分和等腰梯形部分，所述等腰梯形部分中长度较长的底与所述矩形部分中的一条长边相连，所述等腰梯形部分中长度较短的底与所述电路板相连；所述等腰梯形部分中长度较长的底的中垂线与所述矩形部分中长边的中垂线重合，沿所述等腰梯形部分中长度较长的底的中垂线和所述矩形部分中长边的中垂线设置有撕裂线；所述电路板为FPC柔性电路板；所述飞翼采用FPC柔性电路板制成。本发明具有结构简单、尺寸微小、易于加工、成本低廉、无需动力就可实现较长时间的浮空等优势。
-
公开(公告)号：CN116168067B
公开(公告)日：2023-11-21
申请号：CN202211646623.7
申请日：2022-12-21
Applicant: 东华大学
IPC: G06T7/50 , G06T7/66 , G06N3/0455 , G06N3/0464 , G06N3/08
-
公开(公告)号：CN116341627A
公开(公告)日：2023-06-27
申请号：CN202310143352.1
申请日：2023-02-21
Applicant: 东华大学
IPC: G06N3/0495 , G06N3/0464 , G06N3/082 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于神经架构搜索的目标检测模型压缩方法及系统；所述方法包括以下步骤：对目标检测数据集中的图像进行预处理，获取归一化数据集；通过神经架构搜索将待部署的目标检测模型转换成超网；构建子网采样器；子网采样器用于对超网的每个阶段进行均匀采样；基于子网采样器和归一化数据集训练超网，获取超网权重；搜索子网，以基于搜索结果选择帕累托最优解的目标子网架构，并从超网权重中取出目标子网架构的权重进行部署，以实现对目标检测模型的压缩；本发明引入神经架构搜索技术，能够利用少量算力资源对待部署的模型架构进行合理优化，从而提升模型推理速度，并且可以省去繁杂的模型结构超参数确定和模型架构调优过程。
-
公开(公告)号：CN117934422B
公开(公告)日：2025-03-18
申请号：CN202410107127.7
申请日：2024-01-26
Applicant: 东华大学
IPC: G06T7/00 , G06V10/44 , G06V10/82 , G06N3/096 , G06N3/0464 , G06N3/0455
Abstract: 本发明提供一种异常检测方法、系统、介质、电子设备及异常检测模型；所述异常检测模型包括：异常过滤器、全局语义嵌入块、多尺度通道自编码器及学生特征还原网络；全局语义嵌入块与异常过滤器连接，全局语义嵌入块用于获取深层语义信息流；多尺度通道自编码器用于获取正常细节信息流；学生特征还原网络用于基于深层语义信息流和正常细节信息流获取学生特征图；比较学生特征图和教师特征图，获取异常图，以基于异常图实现对待测图像的异常检测；本发明通过使用深层语义信息流和正常细节信息流的双信息流进行异常检测，帮助了学生特征还原网络同时重建语义与细节特征，有效解决了针对于大缺陷和语义结构缺陷的检测问题。
-
公开(公告)号：CN116433804A
公开(公告)日：2023-07-14
申请号：CN202310376564.4
申请日：2023-04-10
Applicant: 东华大学
Abstract: 本发明涉及一种美学性引导的个性化图像增强交互系统，图像编辑器根据输入的图像编辑参数将输入待增强图像映射为增强后的输出图像；将图像编辑器输出图像送入审美偏好特征提取器中，提取审美偏好特征，获得的审美偏好特征与用户的审美偏好特征进行比较，得到审美偏好损失；同时，将图像编辑器输出图像送入图像美学性评分器，输出该图像的美学性得分分布，并与最优美学性得分分布进行比较，得到美学性损失；将上述审美偏好损失和美学性损失相加，得到总损失函数，以减小总损失函数的数值为目标，通过梯度反向传播循环迭代式地更新图像编辑参数。根据大众审美的标准自动地对图像进行美化，同时允许用户按照个人审美偏好进行手动干预，完成个性化图像增强。
-
Patent Agency Ranking
公开(公告)号：CN116051532A
公开(公告)日：2023-05-02
申请号：CN202310109015.0
申请日：2023-02-13
Applicant: 东华大学
IPC: G06T7/00 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于深度学习的工业零件缺陷检测方法、系统及电子设备；所述方法包括以下步骤：获取数据集；构建用于检测目标工业零件表面缺陷的深度神经网络；利用所述数据集训练所述深度神经网络，获取训练好的目标神经网络，以基于所述目标神经网络对所述目标工业零件进行表面缺陷检测；本发明提供了一种基于深度学习的工业零件缺陷检测方法，通过以卷积神经网络和Transformer为理论基础实现对工业零件表面缺陷的检测，结合了卷积神经网络与Transformer的优势，提高了分割精度，同时采用了并行分支的设计，保证了对深度神经网络训练时的收敛速度以及推理测试时的时间要求。
-
公开(公告)号：CN116168067A
公开(公告)日：2023-05-26
申请号：CN202211646623.7
申请日：2022-12-21
Applicant: 东华大学
IPC: G06T7/50 , G06T7/66 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的有监督多模态光场深度估计方法，本发明首先利用光场相机获取焦点堆栈图像和对应的中心视图，得到预处理后的图像；然后将预处理后的焦点堆栈图像和对应的中心视图分别输入到两个不同的特征提取层；解码器通过交叉融合模块融合信息并依次上采样得到深度图；然后利用真值深度图作为监督信号，利用代价损失函数进行迭代训练，不断优化参数，直到模型参数收敛，保存模型参数文件；最后利用训练好的深度神经网络在测试集上进行测试，对于测试集的输出结果，利用RMSE作为深度估计性能的优劣指标。本发明在特征提取层中引入了自注意力机制，可以在光场数据集上实现更加准确的深度估计，提高深度估计的精度。
-
公开(公告)号：CN116957057A
公开(公告)日：2023-10-27
申请号：CN202310410553.3
申请日：2023-04-16
Applicant: 东华大学
IPC: G06N3/094 , G06N3/0475 , G06T3/40
Abstract: 本发明公开了一种基于多视图信息交互的光场超分辨率网络生成方法，属于图像超分辨率重构技术领域，为了解决光场图像空间分辨率不足的问题。本发明采用了对抗生成网络作为网络的整体结构来提高网络的性能。针对光场数据的特殊性采用了分解核卷积，来提取光场图像的空间角度信息，同时与通道注意力机制结合，形成基于分解核的通道注意力残差模块。所提网络的生成器中采用了多个分解核通道注意力残差模块串联，并在该部分引入输入密集残差结构，实现特征提取。而判别器中则同样使用分解核卷积来提取特征，输出最终判别结果。该网络能提取光场数据中的更丰富的信息，来实现光场超分辨率重建。
-
公开(公告)号：CN117934422A
公开(公告)日：2024-04-26
申请号：CN202410107127.7
申请日：2024-01-26
Applicant: 东华大学
IPC: G06T7/00 , G06V10/44 , G06V10/82 , G06N3/096 , G06N3/0464 , G06N3/0455
Abstract: 本发明提供一种异常检测方法、系统、介质、电子设备及异常检测模型；所述异常检测模型包括：异常过滤器、全局语义嵌入块、多尺度通道自编码器及学生特征还原网络；全局语义嵌入块与异常过滤器连接，全局语义嵌入块用于获取深层语义信息流；多尺度通道自编码器用于获取正常细节信息流；学生特征还原网络用于基于深层语义信息流和正常细节信息流获取学生特征图；比较学生特征图和教师特征图，获取异常图，以基于异常图实现对待测图像的异常检测；本发明通过使用深层语义信息流和正常细节信息流的双信息流进行异常检测，帮助了学生特征还原网络同时重建语义与细节特征，有效解决了针对于大缺陷和语义结构缺陷的检测问题。
-
公开(公告)号：CN117830279A
公开(公告)日：2024-04-05
申请号：CN202410031922.2
申请日：2024-01-09
Applicant: 东华大学
IPC: G06T7/00 , G06N3/0455 , G06T5/50
Abstract: 一种特征重建模型及其训练方法、系统、介质及电子设备；所述特征重建模型包括：多级像素预留桥、空间压缩自编码器及第一特征拼接模块；第一特征拼接模块分别与多级像素预留桥和空间压缩自编码器连接；本发明设计了一个能够很好获取浅层位置信息与深层语义信息的多级像素预留桥，并提出了一个全新的空间压缩自编码器来解决图像尺度问题，及对正常区域的信息进行补充；最后，分别将多级像素预留桥和空间压缩自编码器内所获取的特征进行拼接，解决了因图像视角和尺度发生变化而使大多数异常检测模型性能不佳的问题，实现了异常检测在视点和尺度变化很大的图像上的高性能。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
