-
公开(公告)号：CN103595906B
公开(公告)日：2016-06-08
申请号：CN201310628950.4
申请日：2013-11-30
Applicant: 中南林业科技大学
Abstract: 本发明公开了一种具有两段式集成镜头和单偏移传感器机身的影像获取系统，包括机身(1)和镜头，机身前面板上设有作为镜头接口的圆形开口，(1)所述的集成式镜头对接在该圆形开口上；所述的机身内设置有1个图像传感器(13)；所述的图像传感器偏移所述圆形开口的轴线设置；(2)所述的镜头为两段式结构的集成式镜头(2)，(3)集成式镜头由前段(22)和后段(21)组成；后段卡装或固定在机身的圆形开口上；前段能相对于后段同轴旋转进行子镜头切换；机身上设有显示屏。该具有两段式集成镜头和单偏移传感器机身的影像获取系统集成度高，使用方便，且兼顾多个定焦镜头的卓越光学性能和一机(机身)一镜(镜头)的便携性。
-
公开(公告)号：CN116486837A
公开(公告)日：2023-07-25
申请号：CN202310426499.1
申请日：2023-04-19
Applicant: 中南林业科技大学
IPC: G10L25/63 , G10L17/26 , G10L25/18 , G10L25/30 , G06F18/15 , G06F18/2131 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于MFF‑ScSEnet的狗吠声情绪识别方法，对音频信号不同特征的提取进行融合，并在训练网络对频谱波纹信息进行增强，步骤一、将音频信号转换成mel‑频谱图；步骤二、将音频信号转换成sinc‑频谱图；步骤三、形成特征频谱图；步骤四、基于特征频谱图进行狗吠声情绪识别；将生成的特征频谱图通过主干网络resnet18进行狗吠声情绪识别；在Resnet18进行下采样后嵌入scSEnet注意力模块。本发明方法具有识别准确率高的特点，识别精度达91.45％。
-
公开(公告)号：CN106934375A
公开(公告)日：2017-07-07
申请号：CN201710153428.3
申请日：2017-03-15
Applicant: 中南林业科技大学
IPC: G06K9/00
CPC classification number: G06K9/00302 , G06K9/00268
Abstract: 本发明提出了一种基于特征点运动轨迹描述的人脸表情识别方法，包括以下步骤：连续拍摄人脸表情变化过程，对得到的人脸图像序列中各帧图像进行人脸区域检测，然后选取人脸区域内的特征点并进行定位；基于所选特征点的坐标信息，挑选其中几个特征点构建脸部坐标系，并将其余特征点的坐标转换到此坐标系中；分情况分析与计算特征点帧间运动斜率；组合各特征点的斜率变化，作为最终的表情特征输入RBF神经网络训练学习，完成人脸表情识别。本发明的技术效果在于：利用特征点在帧间运动斜率的变化描述其运动轨迹，进而实现人脸表情识别。所提出的斜率差异性变化能够剔除个体差异和正面头部姿势变化等因素对人脸表情识别的影响。
-
公开(公告)号：CN114038479B
公开(公告)日：2024-09-27
申请号：CN202111323056.7
申请日：2021-11-09
Applicant: 中南林业科技大学
Abstract: 本发明公开了一种应对低信噪比的鸟鸣声识别分类方法、装置及存储介质，涉及人工智能。所述方法包括：提取待识别音频的时间序列信号；对所述时间序列信号中的采样点值按时间顺序逐帧对音频帧进行堆叠以得到第一特征矩阵；利用预设检测算法对所述第一特征矩阵进行端点检测，以得到鸟鸣声真实发声区间的第二特征矩阵；对所述鸟鸣声真实发声区间内的采样点值再次按照时间顺序逐帧对音频帧进行堆叠以得到校准后的第三特征矩阵；利用卷积神经网络对所述第三特征矩阵进行特征提取以输入门控循环网络中进行处理得到识别分类结果。利用本发明对鸟鸣声进行分类识别时，语音端点检测的准确率及对鸟鸣声分类准确度均较高。
-
公开(公告)号：CN106198746A
公开(公告)日：2016-12-07
申请号：CN201610568984.2
申请日：2016-07-19
Applicant: 中南林业科技大学
IPC: G01N29/07
CPC classification number: G01N29/07 , G01N2291/011 , G01N2291/0238 , G01N2291/0289
Abstract: 本发明公开了一种超声波智能检测木材构件胶缝缺陷方法，包括以下步骤：用超声波检测仪测量木材试块，得到超声波回波时间序列信号，将超声波回波时间序列信号映射到高维欧氏空间，得到延迟矩阵，构造延时-协变矩阵Tx，计算Tx的特征根和对应的特征向量，计算时间主成分T-PC，周期数据重建，得到新的超声回波测量信号序列，从而提取回波信号的特征参数，实现信噪分离，并输送到显示界面，使得工程技术操作人员依据这些特征信息对木材构件的胶缝缺陷类别进行辨识分类，从而在不破坏被检测对象内部和外观结构以及使用性能的前提下准确诊断缺陷。
-
Patent Agency Ranking
公开(公告)号：CN117789746A
公开(公告)日：2024-03-29
申请号：CN202311562288.7
申请日：2023-11-22
Applicant: 中南林业科技大学
IPC: G10L21/0272 , G10L21/0308 , G10L25/30 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的混叠鸟鸣声分离方法，对混叠鸟鸣声信号的特征进行提取，并在分离网络中计算其掩码向量，再通过解码器输出纯净鸟鸣声，将所有训练样本训练100次，逐渐提高分离效果，步骤一、在编码器中计算混叠鸟鸣声信号的特征向量；步骤二、在分离网络中，使用该特征向量计算出每一个鸟鸣声声源对应的掩码向量；步骤三、使用掩码向量处理编码器特征；步骤四、使用解码器重构纯净鸟鸣声信号。本发明方法具有分离效果好的特点，SI‑SNRi和SDRi分别达16.8dB和17.2dB。
-
公开(公告)号：CN114038479A
公开(公告)日：2022-02-11
申请号：CN202111323056.7
申请日：2021-11-09
Applicant: 中南林业科技大学
Abstract: 本发明公开了一种应对低信噪比的鸟鸣声识别分类方法、装置及存储介质，涉及人工智能。所述方法包括：提取待识别音频的时间序列信号；对所述时间序列信号中的采样点值按时间顺序逐帧对音频帧进行堆叠以得到第一特征矩阵；利用预设检测算法对所述第一特征矩阵进行端点检测，以得到鸟鸣声真实发声区间的第二特征矩阵；对所述鸟鸣声真实发声区间内的采样点值再次按照时间顺序逐帧对音频帧进行堆叠以得到校准后的第三特征矩阵；利用卷积神经网络对所述第三特征矩阵进行特征提取以输入门控循环网络中进行处理得到识别分类结果。利用本发明对鸟鸣声进行分类识别时，语音端点检测的准确率及对鸟鸣声分类准确度均较高。
-
公开(公告)号：CN106940792A
公开(公告)日：2017-07-11
申请号：CN201710153433.4
申请日：2017-03-15
Applicant: 中南林业科技大学
Abstract: 本发明提出了一种基于特征点运动的人脸表情序列截取方法，包括：1、对拍摄得到的人脸图像序列中各帧图像进行人脸区域检测及特征点定位；2、从特征点集合中选择特征点，并记录它们在帧内的空间位置信息；3、针对随表情发生过程中相对位置发生变化的特征点，计算它们两两之间的欧氏距离，并拟合所求欧氏距离在帧间的变化折线；4、在所得变化折线中确定变化起始点记为平静状态，变化回归点记为表情强度最大化状态，两点之间即为所截取的人脸表情序列。本发明的技术效果在于：利用表情发生过程人脸特征点空间位置信息变化而进行的人脸表情序列截取。能够实现自动化，且计算简单，解决了人脸个性信息与头部姿势变化等因素对表情序列截取的影响。
-
公开(公告)号：CN115457965A
公开(公告)日：2022-12-09
申请号：CN202210972741.0
申请日：2022-08-14
Applicant: 中南林业科技大学
Abstract: 本发明公开了一种基于表征全局依赖关系的并行注意力机制鸟鸣声识别方法，该方法：首先，通过通道并行注意力模块表征任意时刻发声的时间帧和所有振动声音频率之间的相关性，构造鸟鸣声全局时频依赖关系，其次，通过挤压激励注意力模块自适应地校准特征图中不同通道所携带鸟鸣声信息的重要程度，最后将两个模块并行融合构成双并行注意力机制用于构造全局特征依赖关系。本发明提出的双并行注意力机制灵活地嵌入浅层卷积神经网络中，并且以较低的计算量在鸟鸣声数据集BirdsData上取得了98.1％的识别精度。
-
公开(公告)号：CN106940792B
公开(公告)日：2020-06-23
申请号：CN201710153433.4
申请日：2017-03-15
Applicant: 中南林业科技大学
Abstract: 本发明提出了一种基于特征点运动的人脸表情序列截取方法，包括：1、对拍摄得到的人脸图像序列中各帧图像进行人脸区域检测及特征点定位；2、从特征点集合中选择特征点，并记录它们在帧内的空间位置信息；3、针对随表情发生过程中相对位置发生变化的特征点，计算它们两两之间的欧氏距离，并拟合所求欧氏距离在帧间的变化折线；4、在所得变化折线中确定变化起始点记为平静状态，变化回归点记为表情强度最大化状态，两点之间即为所截取的人脸表情序列。本发明的技术效果在于：利用表情发生过程人脸特征点空间位置信息变化而进行的人脸表情序列截取。能够实现自动化，且计算简单，解决了人脸个性信息与头部姿势变化等因素对表情序列截取的影响。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.023 seconds)
