-
公开(公告)号：CN111709991A
公开(公告)日：2020-09-25
申请号：CN202010467531.7
申请日：2020-05-28
申请人： 武汉工程大学 , 武汉引行科技有限公司
摘要： 本发明涉及一种铁路工机具的检测方法、系统、装置和存储介质，方法包括获取多个工机具图像，根据所有工机具图像制作数据集；构建深度卷积神经网络，利用数据集和深度卷积神经网络构建反射图像提取网络，根据深度卷积神经网络和反射图像提取网络得到特征检测网络，根据深度卷积神经网络、反射图像提取网络和特征检测网络得到初始检测网络模型；利用数据集对初始检测网络模型进行训练，得到目标检测网络模型；根据目标检测网络模型对待检测工机具图像进行检测，得到检测结果。本发明可有效解决背景复杂、光照不均以及目标尺度差异大、形态复杂和存在遮挡等问题，对铁路工机具进行快速而准确地目标检测，实现铁路工机具的自动清点。
-
公开(公告)号：CN112949438B
公开(公告)日：2022-09-30
申请号：CN202110195714.2
申请日：2021-02-19
申请人： 武汉工程大学 , 武汉引行科技有限公司
IPC分类号： G06V20/68 , G06V10/44 , G06V10/56 , G06V10/774 , G06V10/764 , G06T7/00 , G06T7/62 , G06T7/90
摘要： 本发明是涉及农业与人工智能领域，尤其是一种基于贝叶斯网络的水果视觉分类方法及系统。本发明通过获取待分类水果的待分类水果数据，并进行预处理得到多个待分类水果视觉特征值；分别对每个所述待分类水果视觉特征值进行离散化处理后，输入至预先训练好的水果分类贝叶斯网络模型进行处理，得到所述待分类水果在多个等级分类下的等级分类概率；根据多个所述等级分类概率对所述待分类水果进行等级分类。本发明实现了水果的精确分类，有效地降低在水果分拣中所花费的人力物力。通过构建复杂的水果分类的贝叶斯网络模型可实现水果的精确分类，实现降低人力物力，达到水果的快速分类。
-
公开(公告)号：CN114926898A
公开(公告)日：2022-08-19
申请号：CN202210494498.6
申请日：2022-05-07
申请人： 武汉工程大学 , 武汉引行科技有限公司
IPC分类号： G06V40/20 , G06V10/75 , G06T7/136 , G06T7/194 , G06V10/762 , G06V10/764 , G06V10/44 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种手势识别模型训练及手势识别方法、装置、设备及介质，涉及计算机视觉技术领域，手势识别模型训练方法包括：拍摄手部配戴有红色系手套的多张手势图像，对每张手势图像依次进行从RGB色彩空间转换成YCrCb空间、图像前景背景划分、二值化处理，得到手势分割图像；构建卷积神经网络结构，利用多张手势分割图像对卷积神经网络结构进行训练，得到手势识别模型。手势识别方法为：将待识别的图片或视频输入手势识别模型中，利用手势识别模型对待识别的图片或视频进行手势识别。本发明对图像中的手势分割效果好，通过本发明进行手势识别的识别准确率可明显提高。
-
公开(公告)号：CN110490236B
公开(公告)日：2021-08-24
申请号：CN201910690299.0
申请日：2019-07-29
申请人： 武汉工程大学 , 武汉引行科技有限公司 , 武汉创逸灵科技有限公司
摘要： 本发明涉及一种基于神经网络的自动图像标注方法、系统、装置和介质，利用预先训练好的卷积神经网络模型提取实验数据集的图像特征；根据图像特征，在训练集中计算得到待标注图像的邻域图像集和对应的第一标签域；构建第一标签域与训练集对应的第二标签域之间的标签语义关联模型，根据标签语义关联模型，在第二标签域中计算得到与每个第一标签相关联的第三标签域；计算待标注图像与每个邻域图像之间的相似度，根据所有相似度得到每个第一标签成为目标标签的第一概率，并根据所有第一概率和标签语义关联模型得到每个第三标签成为目标标签的第二概率；根据所有相似度、所有第一概率和所有第二概率，得到目标标签，并根据目标标签完成标注。
-
公开(公告)号：CN111709319A
公开(公告)日：2020-09-25
申请号：CN202010466840.2
申请日：2020-05-28
申请人： 武汉工程大学 , 武汉引行科技有限公司
摘要： 本发明提供一种铁路工机具清点方法及装置，方法包括：从公共数据库中读取多个工机具样本图像，并对多个所述工机具样本图像进行预处理，通过经预处理后的多个所述工机具样本图像得到训练图像数据集；构建目标检测网络，通过所述训练图像数据集对所述目标检测网络进行训练处理，得到目标检测模型；通过拍摄设备对出工现场进行图像采集，得到待处理图像；根据所述目标检测模型对所述待处理图像进行比对分析，得到遗失工机具类别的名称和数量。本发明实现了对工机具的准确检测与清点，可满足实际应用需求，且不需要人工提取工机具的图像特征，节省了时间的同时也提高了实时性和准确率，为智能铁路运维奠定了技术基础。
-
公开(公告)号：CN111709991B
公开(公告)日：2023-11-07
申请号：CN202010467531.7
申请日：2020-05-28
申请人： 武汉工程大学 , 武汉引行科技有限公司
IPC分类号： G06T7/70 , G06N3/0464 , G06N3/08
摘要： 本发明涉及一种铁路工机具的检测方法、系统、装置和存储介质，方法包括获取多个工机具图像，根据所有工机具图像制作数据集；构建深度卷积神经网络，利用数据集和深度卷积神经网络构建反射图像提取网络，根据深度卷积神经网络和反射图像提取网络得到特征检测网络，根据深度卷积神经网络、反射图像提取网络和特征检测网络得到初始检测网络模型；利用数据集对初始检测网络模型进行训练，得到目标检测网络模型；根据目标检测网络模型对待检测工机具图像进行检测，得到检测结果。本发明可有效解决背景复杂、光照不均以及目标尺度差异大、形态复杂和存在遮挡等问题，对铁路工机具进行快速而准确地目标检测，实现铁路工机具的自动清点。
-
公开(公告)号：CN110705416B
公开(公告)日：2022-03-01
申请号：CN201910905515.9
申请日：2019-09-24
申请人： 武汉工程大学 , 武汉引行科技有限公司 , 武汉创逸灵科技有限公司
IPC分类号： G06V20/59 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明涉及汽车安全驾驶预警设备领域，尤其涉及一种基于驾驶员面部图像建模的安全驾驶预警方法及系统，方法包括：获取驾驶员的历史面部图像及与历史面部图像对应的汽车振动传感器的振动样本数据；并按预设规则对历史面部图像添加预警类别标签，获得安全预警面部图像库作为预设卷积神经网络的输入，训练生成安全预警分类模型；将实时面部图像作为训练后的安全预警分类模型的输入，并获得安全预警分类模型输出的待检测驾驶员的实时面部图像对应的预警类别；根据预警类别，对应执行报警任务。本发明提供的技术方案无需人工选定特征，能够避免传统图像处理算法中特征提取不完备性的问题，具有更高的预测精度，减少误报率和漏报率。
-
公开(公告)号：CN111823212A
公开(公告)日：2020-10-27
申请号：CN202010698942.7
申请日：2020-07-20
申请人： 武汉工程大学 , 武汉引行科技有限公司
摘要： 本发明公开了一种垃圾瓶清捡机器人及控制方法，包括底板、中间层隔板、外壳和机械臂，还包括有微型主机、开发板、双目视觉摄像头、激光雷达，机器人通过微型主机作为高位机，开发板作为低位机进行控制，通过微型主机包括的神经网络芯片识别垃圾瓶，然后控制手眼系统等设备进行清捡。机器人通过激光雷达和GPS模块等设备生成地图、自动巡检并规避障碍，还可以通过远程控制器对其进行远程操作和获取各类数据。本发明提供的机器人可用于垃圾瓶的自动清捡，其优点在于：实现垃圾瓶的自动清捡和分类，降低垃圾瓶回收难度，美化城市环境，并节约劳动力和清洁的成本。
-
公开(公告)号：CN115330997A
公开(公告)日：2022-11-11
申请号：CN202210742355.2
申请日：2022-06-27
申请人： 武汉工程大学 , 武汉引行科技有限公司
IPC分类号： G06V10/25 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/82
摘要： 本发明提供一种基于YOLOv4神经网络的控制箱装配缺陷检测方法、装置及存储介质，包括如下步骤：构建多个类别零部件的样本训练集和样本测试集，基于YOLOv4神经网络构建初始卷积神经网络检测模型，并通过样本训练集进行训练，通过样本测试集测试卷积神经网络检测模型；对正确装配控制箱内多个类别零部件进行图像拍摄，并从零部件图像得到标准参数；对待检测控制箱内多个类别零部件进行图像拍摄，得到待检测零部件图像；将待检测零部件图像输入最终的卷积神经网络检测模型，输出待检测零部件图像的检测参数，通过标准参数校验检测参数，得到待检测控制箱是否存在装配缺陷的检测结果。本发明能够在复杂环境下快速、高效地完成控制箱装配缺陷检测任务。
-
公开(公告)号：CN115239643A
公开(公告)日：2022-10-25
申请号：CN202210781655.1
申请日：2022-07-04
申请人： 武汉工程大学 , 武汉引行科技有限公司
摘要： 本发明提供一种基于G‑YOLO神经网络的工业零件检测方法、装置及存储介质，通过拍摄设备对工业零件进行拍摄，并制作工业零件初始数据集，构建样本训练集和样本测试集，基于G‑YOLO神经网络构建初始G‑YOLO工业零件检测模型，并通过预处理后的样本训练集和样本测试集分别对初始G‑YOLO工业零件检测模型进行模型训练和性能测试，得到G‑YOLO工业零件检测模型，G‑YOLO工业零件检测模型泛化能力强，可以满足多种工业零件的检测，解决了现有方法对于工业零件在复杂环境下检测速度慢的问题，极大提高检测速度，满足工业环境下的零件实时检测需求。
-
-
-
-
-
-
-
-
-
搜索结果
29 条记录 (耗时 0.047 秒)
