-
公开(公告)号：CN111562110A
公开(公告)日：2020-08-21
申请号：CN202010449011.3
申请日：2020-05-25
Applicant: 南京理工大学
IPC: G01M13/045 , G01M13/00 , G06N3/04
Abstract: 本发明提出了一种基于卷积神经网络的故障诊断模型及跨部件故障诊断方法。首先分别采集机械部件A正常和故障状态下的运行数据，利用正交优化设计方法和一维卷积神经网络构建出一系列用于机械部件A故障诊断的诊断模型，基于正交优化实验结果进一步从这些模型中分析得出部件A的最优故障诊断模型；然后，基于网络模型重用的迁移学习方法进行跨部件的故障诊断建模，以逐层适配的方式迁移部件A最优故障诊断模型的权重，构造一系列用于部件B故障诊断的迁移诊断模型；最后，利用机械部件B的数据对所有迁移诊断模型进行再训练，通过对比迁移诊断模型的正确率，获得机械部件B的最优故障诊断模型，实现基于正交优化卷积神经网络和迁移学习的跨部件故障诊断。
-
公开(公告)号：CN111340134A
公开(公告)日：2020-06-26
申请号：CN202010164515.0
申请日：2020-03-11
Applicant: 南京理工大学 , 南京禹其源智能装备科技有限公司 , 北京电子工程总体研究所
IPC: G06K9/62
Abstract: 本发明公开了一种基于局部动态规整的快速模板匹配方法，可应用于工件定位、工业分拣和目标跟踪等领域。步骤如下：利用改进的环投影方法(IRPT)提取模板图像和测试子图的特征向量，然后初估相似度，筛选出候选测试子图，进而利用所提出的局部动态规整方法(LDTW)计算候选测试子图的相似度和缩放系数；取相似度值最高的测试子图，基于其对应的缩放系数，在测试图的对应位置裁剪出包含目标物体的最小区域，最终利用方向码方法(OC)计算该区域的旋转角度。较之于现有技术，本发明只需一张模板图像便可计算缩放系数和旋转角度，解决了常规算法需要大量不同缩放系数和旋转角度组合的模板图像才能计算缩放系数和旋转角度的难题，极大简化了算法。
-
-
公开(公告)号：CN112184560B
公开(公告)日：2021-03-26
申请号：CN202011387862.6
申请日：2020-12-02
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于深度闭环神经网络的高光谱图像超分辨率方法，包括面向高光谱数据构建深度闭环神经网络模型和变量分离精细优化重建高分辨率高光谱图像两个过程，该方法的主要步骤为：构建两个深度学习模型分别学习超分辨过程和逆超分辨过程，两个模型形成闭环网络减少映射空间，促进模型拟合；采用适合高光谱图像的网络结构分别提取空间特征和光谱特征，空间信息和光谱信息联合重构，提高超分辨得到的图像质量；利用训练好的深度闭合神经网络，采取变量分离精细优化方法进行模型迭代求解，优化重建结果。本发明使用适用于高光谱图像超分辨率的深度闭环神经网络，闭环网络可以缩减映射空间，可以得到比单向网络更好的重建结果。
-
公开(公告)号：CN111562110B
公开(公告)日：2021-02-26
申请号：CN202010449011.3
申请日：2020-05-25
Applicant: 南京理工大学
IPC: G01M13/045 , G01M13/00 , G06N3/04
Abstract: 本发明提出了一种基于卷积神经网络的故障诊断模型及跨部件故障诊断方法。首先分别采集机械部件A正常和故障状态下的运行数据，利用正交优化设计方法和一维卷积神经网络构建出一系列用于机械部件A故障诊断的诊断模型，基于正交优化实验结果进一步从这些模型中分析得出部件A的最优故障诊断模型；然后，基于网络模型重用的迁移学习方法进行跨部件的故障诊断建模，以逐层适配的方式迁移部件A最优故障诊断模型的权重，构造一系列用于部件B故障诊断的迁移诊断模型；最后，利用机械部件B的数据对所有迁移诊断模型进行再训练，通过对比迁移诊断模型的正确率，获得机械部件B的最优故障诊断模型，实现基于正交优化卷积神经网络和迁移学习的跨部件故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN111461087A
公开(公告)日：2020-07-28
申请号：CN202010545143.6
申请日：2020-06-16
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于光谱保持稀疏自编码器的高光谱图像异常检测方法，包括以下步骤：求取高光谱数据的小波系数；构建线性解混约束的小波自编码网络，采用光谱角距离替代编码层的内积，选择Relu函数作为编码层的激活函数，引入归一化层、dropout层，并在损失函数中添加惩罚项及正则项，构建基于光谱保持稀疏自编码器的网络；将待测高光谱数据输入稀疏自编码器网络中，设置网络参数，对其进行解混操作，得到背景端元数据，计算重构误差得到所需的异常目标数据。本发明能够对高光谱图像进行快速、精确的异常目标检测。
-
-
公开(公告)号：CN102842123A
公开(公告)日：2012-12-26
申请号：CN201210240484.8
申请日：2012-07-12
Applicant: 南京理工大学
IPC: G06T5/50
Abstract: 本发明公开了一种图像上采样中边缘清晰度提升的稀疏域残差补偿修正方法，包括：对图像进行上采样处理；对上采样图像进行重叠分块；为每个图像块搜索非局部相似块；将图像块和非局部相似块索引值作为数据流，建立数据池；并行方式对数据池中的数据流进行稀疏域残差补偿修正迭代处理；当迭代终止时，更新数据池，将图像块整合为一幅高分辨图像。本发明利用图像块间的非局部相似性及块内信号的稀疏性，较好克服了图像上采样过程的边缘锯齿效应、噪声细节丢失等，能够大幅度提高图像的边缘清晰度。
-
公开(公告)号：CN102663698A
公开(公告)日：2012-09-12
申请号：CN201210099898.3
申请日：2012-04-09
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种用单幅图像分布参数样本反演高斯噪声方差的盲测定方法，利用图像峰度和方差之间存在的内在蕴含关系以及峰度随图像频率衰减下的近似不变性；根据一组预先构造的正交滤波器对去均值图像进行分频处理，构造不同频率滤波图像；计算不同频率滤波图像的峰值和方差，并对峰度按照低频到高频进行衰减，构造分布参数样本；将噪声的方差看作未知量，建立噪声方差的优化反演模型，然后利用直接搜索法通过求解该反演模型的最小点，将求得的最小点作为噪声方差的估计。本发明能够实现图像中高斯噪声方差的自动高精度估计；不需要优选平坦区域和其他参考图像，不需要人工设定任何参数，完全自动，对噪声方差的统计估计精度高。
-
公开(公告)号：CN111445480B
公开(公告)日：2022-09-09
申请号：CN202010206744.4
申请日：2020-03-23
Applicant: 南京理工大学 , 南京禹其源智能装备科技有限公司 , 北京电子工程总体研究所
Abstract: 本发明可以对图像旋转角度和缩放系数进行快速准确测量标定，主要应用于图像配准、图像拼接和目标检测等领域。首先对模板上所有像素点进行重新赋值，得到一种半径特征值和圆周特征值分别与半径所在角度和圆周所在位置成线性关系的新型模板，然后利用模板匹配方法确定模板在待测图像中实际位置，再基于图像发生旋转和缩放后该模板的半径特征曲线和圆周特征曲线，实现图像旋转角度和缩放系数的同时测量。相比于现有技术，本发明仅需通过设计的一种新型模板便可同时测量待测图像的旋转角度和缩放系数，解决了其它算法不能测量缩放系数或需要耗费巨大计算资源才能实现旋转角度和缩放系数同时测量的难题，极大提高了算法的实用性。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.026 seconds)
