-
公开(公告)号：CN112632313B
公开(公告)日：2024-09-06
申请号：CN202011559620.0
申请日：2020-12-25
Applicant: 江南大学
IPC: G06F16/583 , G06V10/80 , G06V10/82 , 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：CN111709907B
公开(公告)日：2023-06-20
申请号：CN202010339971.4
申请日：2020-04-26
Applicant: 江南大学
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/764 , G06V10/82 , G01N21/88 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于One‑Class深度支持向量描述的布匹疵点检测方法，在半监督的条件下，利用深度卷积神经网络的优势，提取出图像有效的深度特征，通过训练，在高维空间中映射出可以准确描述正常样本点超球体模型。实现了端到端的布匹瑕疵检测。通过训练得到的网络参数和超球体半径即可完整地描述出测试样本与超球体的关系，实现瑕疵的判别。解决了以往模型中内存占用大，检测速度慢，限定瑕疵种类等问题。
-
公开(公告)号：CN112180736B
公开(公告)日：2021-08-03
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：CN110016431B
公开(公告)日：2020-12-01
申请号：CN201910308046.2
申请日：2019-04-17
Applicant: 江南大学
Abstract: 本发明公开了一种视觉伺服三维旋转的斑马鱼胚胎心脏注射系统及方法，涉及显微注射领域，包括立体显微镜、CCD相机、上位机、三轴机械手、旋转操纵器、微量移液管、泵；CCD相机位于立体显微镜上方，用于采集图像传送至上位机进行处理；上位机分别与三轴机械手和旋转操纵器连接，根据采集的图像分析斑马鱼胚胎的实时位置和姿态、微量移液管的尖端位置，向三轴机械手和旋转操纵器发送控制信号控制三轴机械手的方向和速度以及旋转操纵器的旋转角度；三轴机械手夹持住对应的微量移液管将尖端移动到目标位置；旋转操纵器夹持住对应的微量移液管旋转斑马鱼胚胎；泵提供吸持斑马鱼胚胎的吸力和推出外来物质的推力。系统结构简单，精度高，稳定性好。
-
公开(公告)号：CN110016431A
公开(公告)日：2019-07-16
申请号：CN201910308046.2
申请日：2019-04-17
Applicant: 江南大学
Abstract: 本发明公开了一种视觉伺服三维旋转的斑马鱼胚胎心脏注射系统及方法，涉及显微注射领域，包括立体显微镜、CCD相机、上位机、三轴机械手、旋转操纵器、微量移液管、泵；CCD相机位于立体显微镜上方，用于采集图像传送至上位机进行处理；上位机分别与三轴机械手和旋转操纵器连接，根据采集的图像分析斑马鱼胚胎的实时位置和姿态、微量移液管的尖端位置，向三轴机械手和旋转操纵器发送控制信号控制三轴机械手的方向和速度以及旋转操纵器的旋转角度；三轴机械手夹持住对应的微量移液管将尖端移动到目标位置；旋转操纵器夹持住对应的微量移液管旋转斑马鱼胚胎；泵提供吸持斑马鱼胚胎的吸力和推出外来物质的推力。系统结构简单，精度高，稳定性好。
-
Patent Agency Ranking
公开(公告)号：CN108288263A
公开(公告)日：2018-07-17
申请号：CN201711392759.9
申请日：2017-12-21
Applicant: 江南大学
Abstract: 本发明公开了一种基于自适应神经模糊推理系统的经编织物疵点在线检测方法，包含学习过程和检测过程。网络学习时，需要构造一个人工训练图像，通过图像预处理得到训练样本集，然后使用混合学习算法分别对两个水平方向和垂直方向ANFIS检测器单独训练，优化其参数。检测时，通过图像预处理得到待测图像的检测样本集，然后应用训练好的水平方向和垂直方向ANFIS检测器得到输出，再通过后处理块得到边缘标志图像，最后使用形态学滤波方法进行处理，得到疵点检测结果。本发明采用ANFIS，综合了模糊理论模拟疵点检测过程中的不确定性的能力和人工神经网络强大的学习能力，自动选择图像特征，解决现有疵点检测方法人为选择特征的缺陷和不足。
-
公开(公告)号：CN102968763A
公开(公告)日：2013-03-13
申请号：CN201210408892.X
申请日：2012-10-20
Applicant: 江南大学
IPC: G06T5/00
Abstract: 本发明涉及一种基于自适应神经模糊推理系统的图像滤波方法，对于被椒盐脉冲噪声污染的图像，该方法构造一个包含四个自适应神经模糊推理系统和一个后处理块的网络，在使用该网络对噪声图像进行滤波前，首先人工构造一个训练图像，使用混合学习算法对四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；当四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，对测试图像进行滤波。本发明的脉冲噪声滤波方法能有效地滤除图像中的椒盐脉冲噪声，并能较好的保留原有图像中的边缘和细节，其滤波性能优于一些传统的图像滤波方法。
-
公开(公告)号：CN113344903B
公开(公告)日：2025-01-03
申请号：CN202110716109.5
申请日：2021-06-25
Applicant: 江南大学
IPC: G06T7/00 , G06T7/11 , G06N3/0455 , G06N3/047 , G06N3/0475 , G06N3/088 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种基于变分自编码器的玻璃瑕疵检测方法，属于玻璃瑕疵检测技术领域。所述方法通过VAE编码器对玻璃无瑕疵样本进行建模，可以对随机样本进行重构，得到与无瑕疵样本接近的重构图像。检测时，将有瑕疵的玻璃图像输入训练好的VAE编码解码网络生成与无瑕疵样本接近的重构图，再通过比对重构图与原图像间的差异区域确定差异的像素点，即瑕疵区域。对于得到的瑕疵区域会有噪声的干扰，本发明通过投影法与MAD方法结合的方式减少噪声干扰，对于VAE模型生成过程中存在的噪声，通过投影法和MAD方法结合将非目标区域去除，提升分割准确率。
-
公开(公告)号：CN113283573B
公开(公告)日：2024-03-29
申请号：CN202110708875.7
申请日：2021-06-25
Applicant: 江南大学
IPC: G06N3/006 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种卷积神经网络最优结构自动搜索方法，属于机器学习视觉识别领域。所述方法针对每一个特定的计算机视觉任务，基于随机漂移粒子群算法的自动寻找最优卷积神经网络结构，寻找过程中，设定每一个粒子位置代表一个CNN结构，通过随机漂移粒子群算法的不断迭代，最终搜索到一个模型更小但性能更好的深度卷积神经网络。通过在Rectangles数据集上进行图像分类实验时获得了98.16％的平均分类准确度，相对于现有的7层CNN结构的LeNet‑5网络得出的87.66％的准确率以及11层结构的AlexNet网络的88.96％的分类准确率，本申请方法搜索出的CNN结构能够获得更高的准确率。
-
公开(公告)号：CN113393451A
公开(公告)日：2021-09-14
申请号：CN202110716116.5
申请日：2021-06-25
Applicant: 江南大学
Abstract: 本发明公开了一种基于自动机器学习的缺陷检测方法，属于机器学习视觉识别技术领域。所述方法通过改进的RDPSO算法自动搜索得到适用于当前缺陷检测任务的最优的One‑classDeep SVDD模型，然后采用正常无缺陷样本进行训练，利用训练好的模型将所有正常无缺陷样本映射到高维的特征空间，形成一个具有最小体积的封闭超球体；在进行缺陷检测时，利用训练好的模型将待检测样本映射到高维的特征空间，根据是否映射在所形成的具有最小体积的封闭超球体内判断待检测样本是否存在缺陷。本申请方法可自动搜索出适用于当前缺陷检测任务的最优模型；且只需要正常无缺陷样本进行训练无需列出所有类型的缺陷，能够获得较好的检测效果。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.087 seconds)
