-
公开(公告)号：CN118864835A
公开(公告)日：2024-10-29
申请号：CN202410786929.5
申请日：2024-06-18
申请人： 中国长江电力股份有限公司 , 河海大学
IPC分类号： G06V10/26 , G06V10/764 , G06V10/80
摘要： 一种水下大坝裂缝分割方法，包括以下步骤：S1、数据采集与预处理；S2、特征提取与融合；S3、裂缝实例分割算法；S4、模型训练及优化；S5、实验及评估。本发明提供一种水下大坝裂缝分割方法，能够有效区分出每一个裂缝的独立存在，并为其提供独特标识。该方法拓展了水下大坝裂缝检测能力，为详细分析、维修规划和结构监测提供更全面数据支持，进一步提升水下大坝安全监测和评估水平。
-
公开(公告)号：CN117893771A
公开(公告)日：2024-04-16
申请号：CN202410046653.7
申请日：2024-01-12
申请人： 河海大学 , 中国科学院沈阳自动化研究所 , 中国长江电力股份有限公司
IPC分类号： G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于多模态融合的三维目标检测方法及装置，方法包括：将获取的自动驾驶场景下RGB图像和激光雷达点云数据输入基于多模态融合的三维目标检测模型中，得到三维车辆检测结果；其中模型的处理过程包括：利用三维目标检测算法对激光雷达点云数据进行检测，得到m个三维边界框；利用二维目标检测算法对RGB图像进行检测，得到n个二维边界框；基于n个二维边界框，利用基于旋转交并比的融合策略从m个三维边界框确定一个三维边界框作为输入三维边界框；对输入三维边界框利用融合网络进行特征提取，得到m*n*1的稀疏张量；对稀疏张量进行池化后压缩，得到m个三维边界框对应的预测分数；根据预测分数，从m个三维边界框中确定三维车辆检测结果。
-
公开(公告)号：CN118608929A
公开(公告)日：2024-09-06
申请号：CN202410700075.4
申请日：2024-05-31
申请人： 中国长江电力股份有限公司 , 河海大学
IPC分类号： G06V20/05 , G06V10/80 , G06V10/82 , G06V10/77 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明公开了一种基于改进U‑Net网络架构的水下图像增强模型的构建方法，该方法首先通过点卷积和深度卷积替换U‑Net网络的标准卷积，从而构建基于U‑Net网络的图像增强模型网络架构，该模型架构包括多个基本块和SK融合模块；然后构建基本块的结构；随后在构建的U‑Net网络基本块内部引入简化的通道注意力机制；最后构建SK融合模块的结构，完成模型网络架构的构建；解决了现有技术的模型对于复杂动态的水下环境假设不合理，导致图像过渡增强、过饱和度，从而影响图像增强质量的问题，具有在保证网络结构轻量化的前提下，设计的模型效果仍能超越现有技术的特点。
-
公开(公告)号：CN118071643A
公开(公告)日：2024-05-24
申请号：CN202410230193.3
申请日：2024-02-29
申请人： 中国长江电力股份有限公司 , 河海大学
IPC分类号： G06T5/73 , G06T5/60 , G06T7/50 , G06T3/4007 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/08
摘要： 本发明提供一种水电站大坝水下机器人获取的光学图像去模糊方法，包括如下步骤：实时采取水下环境的视频流数据；将采集水下环境的视频流数据，输入去模糊网络进行处理，去模糊网络的构建流程如下：构建深度估计模块估计深度图；构建双边网格模块处理图像的边缘信息，得到双边网格特征图；构建特征重建模块将双边网络模块提取的双边网络特征图采用获得的深度图进行引导，得到采样特征图，然后将特征重建模块获得的采样特征图与Unet的网络提取特征图做主元素的点积，生成重构特征图，生成的重构特征图经过两层卷积层与原始图像做残差，估计去模糊图像。该方法能够有效去除水下图像模糊，提高水下机器人在水电站大坝检测中的图像质量和处理效率。
-
公开(公告)号：CN117611982A
公开(公告)日：2024-02-27
申请号：CN202311390462.4
申请日：2023-10-25
申请人： 河海大学 , 中国长江电力股份有限公司
IPC分类号： G06V20/05 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于两阶段训练的水下图像实时增强方法，其包括：利用水下相机实时获取模糊水下图像；利用训练好的图像实时增强模型对模糊水下图像进行增强处理，得到增强后的水下图像；图像实时增强模型的训练方法为：获取用于训练的水下图像数据集；构建图像实时增强模型TS‑Net并设计加权损失函数；通过用于训练的水下图像数据集和加权损失函数对图像实时增强模型TS‑Net进行两阶段训练，更新模型参数。本发明图像实时增强模型具有较好的鲁棒性，能够对模糊水下图像进行实时增强处理。
-
公开(公告)号：CN118608850A
公开(公告)日：2024-09-06
申请号：CN202410731247.4
申请日：2024-06-06
申请人： 中国长江电力股份有限公司 , 河海大学
IPC分类号： G06V10/764 , G06V20/05 , G06V10/774 , G06V10/26 , G06V10/34 , G06N3/0464 , G06N3/08
摘要： 一种水下大坝裂缝图像分类算法，构建图像分类模型，用于水下大坝裂缝的检测和分类；构建损失函数：构建自适应频率过滤令牌混合器：采用标签平滑方法用于通过对标签进行柔和处理来防止模型过度自信，有助于模型学习更平滑的概率分布。本方法能够从图像中有效提取裂缝的尺寸、形状等关键信息，为评估水下大坝的结构完整性和损伤程度提供了重要的参考数据。相较于传统的手动分析方法，本发明的算法具有高效、准确的优势，能够克服分析者主观判断和经验限制，提高水下大坝裂缝检测的准确性和可靠性。
-
公开(公告)号：CN112102186B
公开(公告)日：2024-04-05
申请号：CN202010928909.9
申请日：2020-09-07
申请人： 河海大学
IPC分类号： G06T5/90 , G06T7/90 , G06T5/60 , G06N3/0475 , G06N3/045
摘要： 本发明公开了图像处理技术领域的一种水下视频图像实时增强方法，无需任何先验知识和参数估计，具有较好的鲁棒性且能够满足实时性要求。包括：a、获取水下图像数据集；b、基于条件生成对抗网络（cGAN）构建多判别器分支的端到端图像实时增强模型（MPGAN）；c、利用获取的水下图像数据集训练MPGAN；d、将水下图像输入训练好的MPGAN，获得增强后的水下图像。将训练好的模型烧录到Jetson nano开发板上，对摄像头获取的水下场景进行实时增强。本发明提供了一种在Jetson nano平台上实现的、基于生成对抗网络的实时增强方法，具有低功耗、体积小且满足实时性要求等优点。
-
公开(公告)号：CN110097531B
公开(公告)日：2023-05-12
申请号：CN201910366686.9
申请日：2019-05-05
申请人： 河海大学常州校区
IPC分类号： G06T5/50
摘要： 本发明公开了一种用于无人机电力巡检的异构图像融合检测方法，包括如下步骤：首先在电力巡检的无人机上，安装光学成像相机和用热红外成像相机，采集不同角度的可见光图像和热红外图像；（2）、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库；（3）、从无人机飞行过程中采集到的可见光图像和热红外图像中，提取故障目标，结合特征知识库，分别构造基本信度分配函数；（4）、将获取到的针对同一故障目标的异构图像证据进行融合，不同角度的异构图像证据进行融合，并用综合可信度设定融合权重。本发明克服了利用单一的可见光图像与热红外图像造成的诊断结果不可靠这一弊端。
-
公开(公告)号：CN113395709B
公开(公告)日：2022-11-04
申请号：CN202110676826.X
申请日：2021-06-18
申请人： 河海大学
IPC分类号： H04W16/24 , H04B17/336 , H04B17/345
摘要： 本发明公开了无线通信系统覆盖分析领域的一种面向用户基站泊松分布的服务覆盖分析方法，旨在解决无线通信系统分析较为复杂的技术问题。包括如下步骤：获取第l个小区的服务基站接收的上行传输信号yl；根据上行传输信号yl，结合第l个小区到本小区中心基站的传输信道gllk，计算第l个小区基站与本小区内上行传输时的小区内干扰信息。本发明充分考虑到实际场景中用户基站部署位置的随机性以及相邻基站之间的硬核距离，利用随机几何方法，针对用户基站位置服从泊松分布的多小区多用户场景下上行传输时的小区内干扰和小区间干扰进行分析，即可获得整个系统内所有小区基站的服务覆盖情况，大大降低了无线通信系统性能分析的复杂性。
-
公开(公告)号：CN110147772B
公开(公告)日：2022-09-20
申请号：CN201910434440.0
申请日：2019-05-23
申请人： 河海大学常州校区
IPC分类号： G06V20/05 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明公开了水下图像目标识别技术领域的一种基于迁移学习的水下坝体表面裂缝识别方法，旨在解决现有技术中将深度学习的方法运用到水下复杂环境的裂缝检测中，由于水下样本数据难以大量获取，进而影响识别准确率的技术问题。所述方法包括如下步骤：基于水上坝体表面裂缝图像和水下坝体表面裂缝图像，构建混合样本集；利用混合样本集训练深度卷积神经网络模型，获取预训练网络模型；利用深度卷积神经网络模型和预训练网络模型，获取目标网络模型；将水下坝体表面裂缝图像输入目标网络模型，根据目标网络模型输出的标签类别，识别坝体表面损毁程度。
-
-
-
-
-
-
-
-
-
搜索结果
72 条记录 (耗时 0.046 秒)
