一种崩岸治理过程施工物料分布估计方法

    公开(公告)号:CN115059018B

    公开(公告)日:2024-04-26

    申请号:CN202210748324.8

    申请日:2022-06-24

    摘要: 本发明属于环境保护领域,具体的说是一种崩岸治理过程施工物料分布估计方法,该方法包括如下步骤;S1:使用测距仪在崩岸线的两端测量长度,然后沿着崩岸线测量带有长度和角度信息的多段线,然后测出崩岸滑坡的斜面角度,然后测量滑坡与河床的相交位置与地面的深度;S2:根据S1中测量的数据在三维软件上建模,然后测量建模上根据治理方案设计的物料位置和体积,然后查找物料的密度表,即可得知各个所需材料的重量和体积;实现了科学精确的统计物料的体积重量和分布位置的功能,解决了现有的方法一步步治理的过程中导致物料把控不精确造成浪费和耽误运输时间的问题,提高了崩岸治理过程的效率。

    一种基于RGBD图像的矿物浮选破碎泡沫识别方法

    公开(公告)号:CN116229434A

    公开(公告)日:2023-06-06

    申请号:CN202310079320.X

    申请日:2023-02-08

    摘要: 本发明公开了一种基于RGBD图像的矿物浮选破碎泡沫识别方法,主要包括步骤S1,挑选出RGBD图像中潜在的破碎泡沫,其标准是泡沫破碎后深度变小;S2,将可能破碎的泡沫选出来后,对感兴趣泡沫区域定位和细化;S3,在确定感兴趣泡沫区域位置后,得到细化的感兴趣泡沫区域对;提取深度变化特征,立体纹理变化特征,加权亮度变化特征从细化感兴趣泡沫区域对,并被用于破碎泡沫识别;S4,采用基于逻辑回归算法进行破碎泡沫识别。本发明的有益效果在于:基于RGBD图像,直接提取对泡沫破碎较为敏感的深度特征,结合泡沫表面纹理和深度数据,提取立体纹理特征,同时通过亮度分量和权重矩阵提取加权亮度特征,基于这些特征能进一步精准可靠地识别泡沫是否破碎,更有利于准确判别当前工况的稳定性。

    基于FOA-ICP的堤防点云数据拼接方法及系统

    公开(公告)号:CN115311143A

    公开(公告)日:2022-11-08

    申请号:CN202210946691.9

    申请日:2022-08-09

    IPC分类号: G06T3/40 G06T7/11

    摘要: 本发明公开了一种基于FOA‑ICP的堤防点云数据拼接方法及系统,属于点云配准领域,点云数据拼接方法包括:获取堤防点云数据,其中所述堤防点云数据包括水上点云数据和水下点云数据;对所述堤防点云数据进行预处理,得到预处理后的堤防点云数据;基于FOA‑ICP算法,构建点云拼接模型;将所述预处理后的堤防点云数据输入至所述点云拼接模型,输出堤防点云拼接的表面形貌;点云数据拼接系统包括:数据获取模块、数据预处理模块、模型构建模块及模型输出模块。通过以上技术方案,本发明能够解决现有技术中收敛速度慢、易陷入局部最优的问题,有效的提高堤防水上水下点云数据拼接速度和匹配精度。

    一种基于超像素权重密度的高光谱影像噪声标签检测方法

    公开(公告)号:CN110046639A

    公开(公告)日:2019-07-23

    申请号:CN201910022607.2

    申请日:2019-01-10

    IPC分类号: G06K9/62 G06T5/00 G06T7/10

    摘要: 本发明公开了一种基于超像素权重密度的高光谱影像噪声标签检测方法。它包括以下步骤:首先,将熵率超像素(ERS)算法引入到获得用于训练样本(具有噪声标签)的上下文数据信息的步骤中。其次,我们通过超像素区域获得欧几里德距离度量。接下来,在欧几里德距离计算中引入高斯加权算法,并定义每个类的距离信息的加权系数,最后,通过基于密度峰值的聚类算法自适应地检测训练样本,并且利用支持向量机来评估所提出的检测方法的有效性。在几个真正的高光谱数据集上进行的实验表明,所提出的标签检测方法可以有效地改善初始训练样本中具有标签噪声污染的分类器的性能,具有非常大的理论意义与实际应用价值。

    一种改进的Criminisi图像修复方法

    公开(公告)号:CN108346135B

    公开(公告)日:2021-03-26

    申请号:CN201810202331.1

    申请日:2018-03-12

    IPC分类号: G06T5/00

    摘要: 在图目前常用的图像修复算法中,综合考虑修复时间和修复效果,Criminisi算法的性能较为优越,然而,该算法在进行破损区域修复时,容易出现匹配错误,经研究发现,出现错误匹配的主要原因在于修复顺序不准确,因此本发明通过对Criminisi算法进行改进,优化优先权计算公式,在相乘运算基础上加上C(p),并通过为其引入α因子来提高数据项的重要程度,降低了样本块的错误匹配,并且改善了图像纹理细节部分的修复效果。

    基于FCN的TFT-LCD表面缺陷快速检测方法

    公开(公告)号:CN107561738B

    公开(公告)日:2020-06-12

    申请号:CN201710764659.8

    申请日:2017-08-30

    IPC分类号: G02F1/13

    摘要: 为了克服TFT‑LCD表面缺陷检测中边缘模糊、对比度低、图像中存在重复纹理背景等噪声的干扰,本发明提出了一种基于全卷积神经网络的端到端的快速检测方法。该方法先通过多个样本训练得到FCN_21×21检测模型,之后将对待检测图像进行预处理,获得多个子图像,计算机的多个处理核对多个子图像进行并行处理,所述处理为使用训练后的FCN_21×21检测模型对子图像进行缺陷检测,最后将多个并行处理结果进行合成,获得待检测图像的缺陷检测结果。本发明的方法对于高分辨率图像具有很好的检测效果,同时在处理速度上也具有突出的性能优势。

    一种复杂背景场景中运动目标检测方法

    公开(公告)号:CN108550163A

    公开(公告)日:2018-09-18

    申请号:CN201810356801.X

    申请日:2018-04-19

    IPC分类号: G06T7/254 G06T7/215

    摘要: 在对图像进行运动目标检测时,背景越复杂,检测难度越高,获得的检测结果准确性越低,本发明提出一种复杂背景场景中运动目标检测方法,该方法使用自适应高斯混合模型对视频帧图像进行检测,获得包含前景目标和大量噪声的检测图像;再通过训练BP神经网络,采用训练好的BP神经网络对检测图像的各个部分进行判别,排除非前景目标区域;最后采用中值滤波方法对保留的前景目标区域中的孤立噪声点进行进一步修正,获得最后的检测图像。本发明提出的方法可以获得获准确度高、噪声小、边缘明确的前景目标,同时具有鲁棒性高、训练速度快等特点。