-
公开(公告)号：CN114742917A
公开(公告)日：2022-07-12
申请号：CN202210442223.8
申请日：2022-04-25
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于卷积神经网络的CT图像分割方法，先利用给定的已分割的CT图像对构建的分割模型中对其进行训练，再将待分割的CT图像送入训练好的分割模型中，得到分割好的CT图像。本发明的分割模型EfficientNetV2‑UNet以由EfficientNetV2模型中的特征提取器部分作为主干网络，该主干网络中包含5个注意力机制模块(2个融合‑移动翻转卷积块和3个移动翻转卷积块)。分割模型的特征提取器部分进行特征的有效提取，且使模型更小、训练速度更快，多尺度的信息提取，细节与“较粗”抽象信息都得到有效的提取与保留，在降低了噪声的影响的同时最大限度的保留模糊边界的梯度信息，分割精度更高。
-
公开(公告)号：CN113687227A
公开(公告)日：2021-11-23
申请号：CN202110974397.4
申请日：2021-08-24
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，首先，构建分类模型，该分类模型由卷积层、特征还原层、最大池化层、4个卷积块、4个带特征还原的转换块和预测层组成；然后，获取电机磁瓦分类训练样本集，并利用电机磁瓦分类训练样本集对所构建的分类模型进行训练，得到训练好的分类模型；最后，采集待检测电机磁瓦的电机磁瓦表面灰度图，并将该电机磁瓦表面灰度图送入到训练好的分类模型中，由此得到待检测电机磁瓦的类别标签。本发明通过对特征张量的特征进行恢复和大范围空间关联，增强了电机磁瓦缺陷分类网络的感兴趣区域，从而提高了模型的分类与抗干扰能力，进而提升分类模型分类性能与鲁棒性。
-
公开(公告)号：CN116091389A
公开(公告)日：2023-05-09
申请号：CN202210816429.2
申请日：2022-07-12
IPC: G06T7/00 , G06V10/764 , G06V10/42 , G06V10/82 , G06V10/762 , G06T5/00 , G06T5/50 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于分类模型的图像检测方法、电子设备及介质，包括：获取待测电机磁瓦的样本图集，根据样本图集对分类模型进行训练；将获取到的目标灰度图输入训练后的分类模型进行类别检测，得到目标灰度图的类别标签；对分类模型的训练包括：将样本图集输入分类模型，对样本图集中的样本灰度图进行图层划分，得到样本灰度图的张量信息；对张量信息进行特征提取，得到样本灰度图的特征信息；根据预设伽马校正值以及预设分层伽马校正算法对张量信息进行校正，得到校正结果；根据校正结果以及样本标签训练分类模型。本发明实施例中，能够通过分类模型对电机磁瓦的图片进行光源校正，提升模型的分类性与鲁棒性。
-
公开(公告)号：CN113657532A
公开(公告)日：2021-11-16
申请号：CN202110974305.2
申请日：2021-08-24
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种电机磁瓦缺陷分类方法，首先，输入端图像通过UPM模块进行定位，通过下采样块提取图像特征，再通过上采样重构图像，生成可能存在缺陷的区域的图像，然后对重构出来的缺陷图像通过堆叠，生成包括缺陷轮廓、缺陷邻域图像和原图像的多通道特征张量。然后，将该特征张量送入DenseNet121‑B分类网络，通过四层数量不等的卷积块进行特征提取，并通过转换层对通道进行挤压激励，强迫模型提取缺陷特征，最终通过Softmax层对前向传播特征进行激活，得到预测类别概率，进而完成缺陷分类。本发明具有更强的分类能力和鲁棒性。
-
公开(公告)号：CN114742917B
公开(公告)日：2024-04-26
申请号：CN202210442223.8
申请日：2022-04-25
Applicant: 桂林电子科技大学
IPC: G06T11/00 , G06T7/10 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于卷积神经网络的CT图像分割方法，先利用给定的已分割的CT图像对构建的分割模型中对其进行训练，再将待分割的CT图像送入训练好的分割模型中，得到分割好的CT图像。本发明的分割模型EfficientNetV2‑UNet以由EfficientNetV2模型中的特征提取器部分作为主干网络，该主干网络中包含5个注意力机制模块(2个融合‑移动翻转卷积块和3个移动翻转卷积块)。分割模型的特征提取器部分进行特征的有效提取，且使模型更小、训练速度更快，多尺度的信息提取，细节与“较粗”抽象信息都得到有效的提取与保留，在降低了噪声的影响的同时最大限度的保留模糊边界的梯度信息，分割精度更高。
-
Patent Agency Ranking
公开(公告)号：CN112488205A
公开(公告)日：2021-03-12
申请号：CN202011380338.6
申请日：2020-11-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于优化KPCA算法的神经网络图像分类识别方法，在高维度空间计算不同向量的余弦相似度，再利用矩阵秩最小化对KPCA算法的原矩阵进行降维处理，最大程度的保留了原始数据的有效信息，提取更好的特征向量作为卷积层的权重值，解决了原KPCA算法用于卷积神经网络图像分类预测时，卷积核初始化计算复杂，容易造成“维度灾难”，提取不到可靠特征，导致整个网络难以训练，以及网络架构对图像噪声敏感性的问题，从而提高了整个网络模型的鲁棒性和预测性能，并最终提升图像分类识别的效果。
-
公开(公告)号：CN113657532B
公开(公告)日：2024-03-22
申请号：CN202110974305.2
申请日：2021-08-24
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048
Abstract: 本发明公开一种电机磁瓦缺陷分类方法，首先，输入端图像通过UPM模块进行定位，通过下采样块提取图像特征，再通过上采样重构图像，生成可能存在缺陷的区域的图像，然后对重构出来的缺陷图像通过堆叠，生成包括缺陷轮廓、缺陷邻域图像和原图像的多通道特征张量。然后，将该特征张量送入DenseNet121‑B分类网络，通过四层数量不等的卷积块进行特征提取，并通过转换层对通道进行挤压激励，强迫模型提取缺陷特征，最终通过Softmax层对前向传播特征进行激活，得到预测类别概率，进而完成缺陷分类。本发明具有更强的分类能力和鲁棒性。
-
公开(公告)号：CN112488205B
公开(公告)日：2023-04-07
申请号：CN202011380338.6
申请日：2020-11-30
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/045
Abstract: 本发明公开一种基于优化KPCA算法的神经网络图像分类识别方法，在高维度空间计算不同向量的余弦相似度，再利用矩阵秩最小化对KPCA算法的原矩阵进行降维处理，最大程度的保留了原始数据的有效信息，提取更好的特征向量作为卷积层的权重值，解决了原KPCA算法用于卷积神经网络图像分类预测时，卷积核初始化计算复杂，容易造成“维度灾难”，提取不到可靠特征，导致整个网络难以训练，以及网络架构对图像噪声敏感性的问题，从而提高了整个网络模型的鲁棒性和预测性能，并最终提升图像分类识别的效果。
-
公开(公告)号：CN113687227B
公开(公告)日：2023-03-24
申请号：CN202110974397.4
申请日：2021-08-24
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G01R31/34
Abstract: 本发明公开一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，首先，构建分类模型，该分类模型由卷积层、特征还原层、最大池化层、4个卷积块、4个带特征还原的转换块和预测层组成；然后，获取电机磁瓦分类训练样本集，并利用电机磁瓦分类训练样本集对所构建的分类模型进行训练，得到训练好的分类模型；最后，采集待检测电机磁瓦的电机磁瓦表面灰度图，并将该电机磁瓦表面灰度图送入到训练好的分类模型中，由此得到待检测电机磁瓦的类别标签。本发明通过对特征张量的特征进行恢复和大范围空间关联，增强了电机磁瓦缺陷分类网络的感兴趣区域，从而提高了模型的分类与抗干扰能力，进而提升分类模型分类性能与鲁棒性。
-
公开(公告)号：CN114565012A
公开(公告)日：2022-05-31
申请号：CN202210058175.2
申请日：2022-01-19
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06T7/00 , G06V10/764 , G06V10/774 , G06V10/762 , G06V10/82
Abstract: 本发明涉及电机故障检测技术领域，尤其涉及一种基于机器视觉的电机磁瓦表面缺陷检测方法，通过配合高斯随机光照生成器对输入张量进行随机光照叠加，以生成光照不平衡图像参与模型训练，以达到提升电机磁瓦缺陷分类模型的整体性能的目的，同时采用了等像素亮度区间划分算法，通过对图像动态计算各亮度区间的像素，进行等量分割，然后通过K最近邻算法对游离点进行聚类，完成图层划分，最后并通过BP神经网络对各图层亮度进行校正，最后通过训练好的分类模型对待检测电机磁瓦表面灰度图进行检测分类，解决了现有的深度卷积神经网络对光照不平衡图像鲁棒性低、泛化性较弱的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.031 seconds)
