-
公开(公告)号：CN110720915A
公开(公告)日：2020-01-24
申请号：CN201910846898.7
申请日：2019-09-09
申请人： 浙江工业大学
IPC分类号： A61B5/053
摘要： 一种基于GAN的脑部电阻抗断层成像方法，包括以下步骤：1)获取原始数据，通过实验装置采集边界电压序列，对物场区域进行方格剖分，得到对应的真实电导率分布图作为样本数据；2)数据预处理，对采集到的边界电压序列进行归一化处理并将序列转换成二维图；3)构建生成对抗式网络，使用样本数据集训练网络，得到边界测量电压序列和电导率分布序列之间的非线性映射关系；4)将未经训练的电压序列通过训练过的网络生成对应的电导率分布图。本发明解决了电阻抗断层成像逆问题求解时的非线性问题，提高了重建图像的精度，且抗噪性强，降低对成像系统抗噪性的要求，成像速度快。
-
公开(公告)号：CN111986145B
公开(公告)日：2024-06-21
申请号：CN202010656241.7
申请日：2020-07-09
申请人： 浙江工业大学
IPC分类号： G06T7/00 , G06V10/82 , G06N3/0464 , G06V10/774 , G06V10/25 , G06V10/764
摘要： 一种基于Faster‑RCNN的轴承滚子瑕疵检测方法，包括以下步骤：1)获取数据，通过实验装置设备拍摄轴承滚子照片；2)将数据集分为训练集和预测集，为训练集中的数据制作单一缺陷标签；3)用训练集训练Faster‑RCNN网络；4)用训练好的Faster‑RCNN模型对预测集的图片进行检测，得到每张图片的检测结果；5)删除原有标签，为训练集中的数据制作15类缺陷标签，预测集中的数据不作处理；6)用新的训练集训练Faster‑RCNN网络；7)用新的Faster‑RCNN模型对预测集的图片进行检测，得到每张图片的检测结果。本发明构建Faster‑RCNN模型，准确率较高、检测速度较快。
-
公开(公告)号：CN112001977A
公开(公告)日：2020-11-27
申请号：CN202010652224.6
申请日：2020-07-08
申请人： 浙江工业大学
摘要： 一种基于残差网络的电阻抗断层图像重构方法，包括以下步骤：1)采用MIT设备，制作人体头骨模型和异质物体，设计不同频率进行数据采集；2)将采集数据从一维向量形式，转化为与图片相似的多通道矩阵形式；3)针对成像问题特殊性，修改残差网络结构，并自定义训练损失函数进行训练；4)利用训练结果生成数据，进行图像处理和优化。本发明使用深度学习技术结合实际的MIT设备采集数据进行训练，相比较于传统成像方法，可使得成像物体的轮廓更加精细且位置更加精确。
-
公开(公告)号：CN109658128A
公开(公告)日：2019-04-19
申请号：CN201811375196.7
申请日：2018-11-19
申请人： 浙江工业大学
摘要： 一种基于yolo和质心跟踪的门店入店率统计方法，涉及监控视频、深度学习、计算机视觉、行人检测领域,本发明通过yolo目标检测模型，对监控视频中的画面进行实时检测；从而得到每帧图像数据中的目标类别和其对应的目标位置，筛选出属于人的类别，存储该目标的质心位置；再通过质心跟踪算法跟踪目标，保持目标ID的唯一分配，通过视频的上下帧计算得出目标运动方向，统计入店与经过门店的人数，得出入店率。本发明提供一种基于yolo和质心跟踪的门店入店率统计方法，该方法算法简单，利于软件实现，通过目标检测和质心跟踪算法实现行人运动方向的统计。
-
公开(公告)号：CN111192209A
公开(公告)日：2020-05-22
申请号：CN201911313917.6
申请日：2019-12-19
申请人： 浙江工业大学
摘要： 一种基于深度学习的磁感应断层成像优化方法，包括以下步骤：1)获取数据，通过实验装置设备采集牛顿-拉夫逊MIT电导率分布图；2)数据处理，根据物场内导体所处的位置和形状得出真实电导率图；3)构建Deep-MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；4)将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。本发明解决了传统磁感应断层图像重构中图像精度不高的问题，改善了图像中的伪影，且抗噪性强，降低对成像系统抗噪性的要求，成像速度快。
-
-
公开(公告)号：CN111192209B
公开(公告)日：2023-06-30
申请号：CN201911313917.6
申请日：2019-12-19
申请人： 浙江工业大学
IPC分类号： G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 一种基于深度学习的磁感应断层成像优化方法，包括以下步骤：1)获取数据，通过实验装置设备采集牛顿‑拉夫逊MIT电导率分布图；2)数据处理，根据物场内导体所处的位置和形状得出真实电导率图；3)构建Deep‑MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；4)将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。本发明解决了传统磁感应断层图像重构中图像精度不高的问题，改善了图像中的伪影，且抗噪性强，降低对成像系统抗噪性的要求，成像速度快。
-
公开(公告)号：CN111986145A
公开(公告)日：2020-11-24
申请号：CN202010656241.7
申请日：2020-07-09
申请人： 浙江工业大学
摘要： 一种基于Faster-RCNN的轴承滚子瑕疵检测方法，包括以下步骤：1)获取数据，通过实验装置设备拍摄轴承滚子照片；2)将数据集分为训练集和预测集，为训练集中的数据制作单一缺陷标签；3)用训练集训练Faster-RCNN网络；4)用训练好的Faster-RCNN模型对预测集的图片进行检测，得到每张图片的检测结果；5)删除原有标签，为训练集中的数据制作15类缺陷标签，预测集中的数据不作处理；6)用新的训练集训练Faster-RCNN网络；7)用新的Faster-RCNN模型对预测集的图片进行检测，得到每张图片的检测结果。本发明构建Faster-RCNN模型，准确率较高、检测速度较快。
-
公开(公告)号：CN111402196A
公开(公告)日：2020-07-10
申请号：CN202010083798.6
申请日：2020-02-10
申请人： 浙江工业大学
摘要： 一种基于对抗生成网络的轴承滚子图像生成方法，包括以下步骤：1)获取数据，通过实验装置设备拍摄轴承滚子照片；2)数据处理，通过数字图像处理技术对数据进行预处理；3)构建DCGAN深度卷积生成对抗式网络；4)选取不同的训练集，利用DCGAN生成新的轴承滚子图片。本发明利用实验装置拍摄训练数据，通过构建生成对抗网络，对训练集进行训练生成新的轴承滚子图像，新的轴承滚子图像具有各种各样的瑕疵，解决了轴承滚子瑕疵检测算法数据集不足的问题。
-
公开(公告)号：CN111311703A
公开(公告)日：2020-06-19
申请号：CN202010068369.1
申请日：2020-01-21
申请人： 浙江工业大学
摘要： 一种基于深度学习的电阻抗断层图像重构方法，包括以下步骤：1)选择真实的MIT设备与计算机连接以供采集数据，设备工作方式采用单激励单接收工作模式；2)制作不同形状物体，规划采集中物体在场内分布位置，构建真实电导率作为标签；3)对采集的数据进行预处理，并划分出神经网络需要的训练集和验证集；4)将数据输入进搭建好的BP神经网络进行训练；5)将训练好的网络生成的数据，经过图像处理方法重构出电导率分布图。本发明使用深度学习技术结合实际的MIT设备采集数据进行训练，相比较于传统成像方法，可使得成像物体的轮廓更加精细。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.025 秒)
