-
公开(公告)号：CN119313655A
公开(公告)日：2025-01-14
申请号：CN202411844209.6
申请日：2024-12-16
Applicant: 长春理工大学 , 吉林省博辉科技有限公司
IPC: G06T7/00 , G06T7/70 , G06V10/764 , G06V10/762 , G06V10/25 , G06V10/82 , G06N3/0464
Abstract: 本发明公开一种基于点云的键合丝缺陷检测方法，包括：集成电路图像信息通过YOLOV8网络检测定位；将YOLOV8网络检测的位置与三维点云标记网络的点云范围对应，并将该位置范围内的点云标记为感兴趣点云；将感兴趣点云导入到键合丝焊点提取网络中进行键合丝、焊点和基板的检测分类；将基板点云进行平面拟合，并对键合丝焊点的拱高及跨度进行检测。本发明通过二维定位三维检测技术将焊点键合丝直接定位至一定范围内的点云，提高了焊点键合丝检测速度；提出的异常点剔除网络提高了键合丝焊点拱高及跨度的检测精度；提出的基于欧几里得的计算模型，建立空间直角坐标系；根据键合丝顶点中心与焊点质心在Z轴方向的差值计算出键合丝拱高信息。
-
公开(公告)号：CN119313655B
公开(公告)日：2025-04-04
申请号：CN202411844209.6
申请日：2024-12-16
Applicant: 长春理工大学 , 吉林省博辉科技有限公司
IPC: G06T7/00 , G06T7/70 , G06V10/764 , G06V10/762 , G06V10/25 , G06V10/82 , G06N3/0464
Abstract: 本发明公开一种基于点云的键合丝缺陷检测方法，包括：集成电路图像信息通过YOLOV8网络检测定位；将YOLOV8网络检测的位置与三维点云标记网络的点云范围对应，并将该位置范围内的点云标记为感兴趣点云；将感兴趣点云导入到键合丝焊点提取网络中进行键合丝、焊点和基板的检测分类；将基板点云进行平面拟合，并对键合丝焊点的拱高及跨度进行检测。本发明通过二维定位三维检测技术将焊点键合丝直接定位至一定范围内的点云，提高了焊点键合丝检测速度；提出的异常点剔除网络提高了键合丝焊点拱高及跨度的检测精度；提出的基于欧几里得的计算模型，建立空间直角坐标系；根据键合丝顶点中心与焊点质心在Z轴方向的差值计算出键合丝拱高信息。
-
公开(公告)号：CN118570611B
公开(公告)日：2024-10-29
申请号：CN202411040175.5
申请日：2024-07-31
Applicant: 长春理工大学
IPC: G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06V10/764
Abstract: 本发明提供了一种基于新型频域编码器的车辆目标检测方法，属于目标检测技术领域，包括以下步骤：S1、采集可见光数据；S2、将采集的可见光数据输入到骨干网络中进行特征提取；S3、将骨干网络输出的后四层特征输入至新型频域编码器中进行编码；S4、将新型频域编码器输出的特征输入解码器中进行解码；S5、将解码器输出的特征输入检测头实现定位任务和分类任务；S6、后处理。本发明采用上述的一种基于新型频域编码器的车辆目标检测方法，能大大减少计算量，提升模型的实时性，以适应更多种的应用场合。
-
公开(公告)号：CN117576149A
公开(公告)日：2024-02-20
申请号：CN202311360574.5
申请日：2023-10-19
Applicant: 长春理工大学
IPC: G06T7/246 , G06V10/25 , G06V10/44 , G06V10/62 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06V20/40 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明属于计算机视觉技术领域，尤其为一种基于注意力机制的单目标跟踪方法，包括以下步骤：步骤1、数据预处理，为后续的网络模型训练提供数据准备；步骤2、构建基于时序信息的孪生网络框架；步骤3、加入注意力模块；步骤4、模型的训练，将构造好的网络模型进行训练，最后获得基于注意力的单目标网络架构的网络权重；步骤5、加入边界框细化模块；步骤6、模型的测试，在新的视频序列中，使用通过训练而获得的网络权重，来测试跟踪目标的效果。本发明通过将注意力模块与在线提取模块结合，减少不必要特征对计算的干扰问题，让跟踪精度得到进一步提升，引进边界框细化模块，从而大幅提升模型性能。
-
公开(公告)号：CN116630662A
公开(公告)日：2023-08-22
申请号：CN202310513933.X
申请日：2023-05-08
Applicant: 长春理工大学
IPC: G06V10/75
Abstract: 本发明涉及一种应用于视觉SLAM的特征点误匹配剔除方法，属于计算机视觉技术领域。包括将摄像头采集的图像进行ORB特征点提取，将当前帧的特征点与关键帧特征点进行特征点匹配，计算匹配特征点对的欧式距离，使用boxplot方法对欧式距离进行外点粗略剔除，将粗略剔除后的特征点对欧式距离进行直方图统计，将直方图进行数据处理，根据直方图处理结果剔除质量不好的匹配点对。有益效果是剔除了特征点匹配的误匹配，提高了SLAM系统的鲁棒性，提高了后续建图与定位的准确性，且减小了计算量和存储空间，提高了系统的效率。
-
Patent Agency Ranking
公开(公告)号：CN116580324A
公开(公告)日：2023-08-11
申请号：CN202310505640.7
申请日：2023-05-08
Applicant: 长春理工大学
IPC: G06V20/17 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774
Abstract: 本发明属于计算机视觉技术领域，尤其为一种基于YOLOv5的无人机对地目标检测方法，具体包括以下步骤，步骤一：使用数据集；步骤二：改进YOLOv5目标检测基础网络；步骤三：使用VisDrone2019数据集对改进后的YOLOv5目标检测网络进行训练；步骤四：利用训练好的YOLOv5目标检测网络对数据集进行检测识别。本发明旨在通过改进YOLOv5算法来增强目标检测的性能，使用无卷积步长和池化层的新CNN结构增强对小尺寸或低分辨率目标检测结果；在YOLOv5网络模型颈部的末端嵌入并行相加卷积注意力机制模块，增强在特征图中被遮挡目标的特征表达，提高正确特征的提取准确率，抑制无关特征表达。
-
公开(公告)号：CN116091361B
公开(公告)日：2023-07-21
申请号：CN202310289844.1
申请日：2023-03-23
Applicant: 长春理工大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T5/50
Abstract: 本发明属于偏振图像处理技术领域，公开了一种多偏振参量图像融合方法、系统及地形勘探监测仪。利用偏振相机获取任意三个不同角度的偏振强度图像；对偏振强度图像进行解调，得到强度图像，偏振参量图像，线偏振度图像；对偏振参量图像进行预处理，得到偏振信息差异图像；分别将强度图像，偏振信息差异图像，线偏振度图像分解为基础层和细节层，再进行融合，得到融合基础层和融合细节层，并重建融合偏振图像。本发明针对多偏振参量图像的融合任务，能够充分融合不同偏振参量图像的优势信息。相较于偏振参量图像，融合偏振图像具有更高的对比度和更清晰的细节特征。
-
公开(公告)号：CN116434111A
公开(公告)日：2023-07-14
申请号：CN202310303596.1
申请日：2023-03-25
Applicant: 长春理工大学
IPC: G06V20/40 , G06V10/26 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于注意力的视频语义分割方法，属于计算机视觉、深度学习等领域。包括获取训练样本集和测试样本集，搭建网络模型，将注意力模块输出的注意力特征和查询帧特征送入分割头中进行特征融合得到分割结果图，训练网络模型，选择损失函数将网络训练出的分割图和标签图进行损失的计算，逐步达到模型最优模式后保存模型参数。优点是充分利用了视频帧的时序性提高分割精度，采用了大核分解卷积，使得分割精度保持的同时计算量减小，使用多极化注意力网络可以从空间、通道、对象类别三个方面进行上下文信息的提取和对象区域类别信息的提取，极化后的注意力计算量减少，达到了精度和速度的最优。
-
公开(公告)号：CN116051444A
公开(公告)日：2023-05-02
申请号：CN202310134030.0
申请日：2023-02-20
Applicant: 长春理工大学
IPC: G06T5/50
Abstract: 本发明提供一种有效的红外与可见光图像自适应融合方法，属于红外与可见光图像处理技术领域。利用正则化模型将源图像分解为近似层和细节层图像，在近似层图像中，利用的像素强度和平均值生成对比度显著图，构造权重矩阵，进行加权平均融合，得到近似层融合图像,在细节层图像中，采用窗口滑动的方式对图像进行分块处理，构造权重矩阵，对细节层图像进行加权平均融合，得到细节层融合图像，利用逆变换重构近似层融合图像和细节层融合图像，得到最后的融合图像。本发明提升红外与可见光图像的融合精度和效率，避免出现低对比度和边缘模糊现象，保留整体亮度和边缘梯度，更好地满足高级视觉任务的工程应用需求。
-
公开(公告)号：CN114821259A
公开(公告)日：2022-07-29
申请号：CN202210478942.5
申请日：2022-05-04
Applicant: 长春理工大学
Abstract: 本发明涉及一种基于孪生卷积神经网络的零学习医学图像融合方法，属于及医学图像处理技术领域。对源图像进行预处理生成输入源图像，得到各卷积层的初始显著特征图，进行上采样运算处理，对各层的显著特征图进行指数运算，以归一化源图像作为引导滤波器的引导图像，得到引导滤波器输出图像，利用各层的权重图，采用加权平均融合算法，得到各层的融合图像，采用像素取大算法，得到最后的融合图像。本发明自动实现多模态医学图像的显著特征提取，省时省力，能够更加全面、深层次地表达图像，实现多个抽象层次上图像语义的表征，有利于实现高精度低硬件复杂度的图像融合平台的搭建，提高了融合精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.064 seconds)
