-
公开(公告)号：CN116385353A
公开(公告)日：2023-07-04
申请号：CN202310105941.0
申请日：2023-02-10
Applicant: 南通大学
IPC: G06T7/00 , G06T7/73 , G06N3/08 , G06N3/0464
Abstract: 本发明提供了一种摄像头模组异常检测方法，属于人工智能技术领域。解决了模组异常样本不足、深度学习模型检测精度低、速度慢的问题。其技术方案为：包括以下步骤：S1、采用模板匹配方法定位图片中的模组及其相关组件的位置；S2、基于图像处理完成模组中螺丝、标签、布线、划痕脏污异常情况的检测；S3、基于特征配准网络框架完成模组中的划痕和镜头脏污检测；S4、通过QT Creator开发异常检测程序，用于模组异常情况的自动检测。本发明的有益效果为：本发明结合图像处理方法和神经网络框架，实现摄像头模组的多种异常情况的检测，通过构建孪生神经网络框架，插入空间变换网络实现特征配准，可以精准检测出模组上的划痕。
-
公开(公告)号：CN116363425A
公开(公告)日：2023-06-30
申请号：CN202310309561.9
申请日：2023-03-27
Applicant: 南通大学
IPC: G06V10/764 , G06V10/82 , G06T7/73 , G06V10/80 , G06V10/77 , G06V10/762 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于改进的YOLOv5的商品种类识别及裁剪方法，属于深度学习中目标识别技术领域。解决了在商品检测过中出现检测不准及需要进行细粒度图像识别时大量无关背景导致检测精度低的技术问题。其技术方案为：包括以下步骤：S1、根据商品信息对所有图像进行数据标注；S2、搭建改进后的YOLOv5的目标检测模型；S3、得到改进后的最好的商品类比检测模型；S4、利用在步骤S3中训练得到的商品类别检测模型进行商品的类别检测。本发明的有益效果为：通过改进后的YOLOv5进行商品类别识别并裁剪出商品图片，以便需要进一步检测时能将裁剪后的图片送入双线性卷积神经网络进行细粒度识别，从而实现提升商品类别识别精度。
-
公开(公告)号：CN115116120A
公开(公告)日：2022-09-27
申请号：CN202210855416.6
申请日：2022-07-20
Applicant: 南通大学
IPC: G06V40/16 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于深度自编码器的人脸表情图像分析方法，包括以下步骤：S1、获取人脸表情图像数据集，进行人脸表情图像数据预处理；S2、构建包括编码模型和解码模型的自编码器模型，输入人脸表情图像，编码模型输出人脸图像特征数据；S3、构建卷积神经网络分类模型并利用训练集训练，得到训练好的卷积神经网络分类模型；S4、步骤S2的人脸特征数据作为步骤S3中训练好的卷积神经网络分类模型的输入，通过训练好的卷积神经网络分类模型预测得到测试集人脸图像表情标签。本发明采用深度自编码器自动提取人脸表情图像特征，然后借助卷积神经网络，实现对人脸表情图像准确分类的效果。
-
公开(公告)号：CN115035302A
公开(公告)日：2022-09-09
申请号：CN202210787416.7
申请日：2022-07-05
Applicant: 南通大学
Abstract: 本发明提供一种基于深度半监督模型的图像细粒度分类方法，包括以下步骤：S1、获取原始图片，提取原始图片图像特征，组成全局特征矩阵；S2、对原始图片进行超像素分割，计算得出成特征分配映射；S3、将全局特征矩阵和特征分配映射进行非线性特征编码，得到超像素局部区域特征；S4、检测每个部分的发生概率，利用对齐概率分布得到超像素区域发生概率正则化项；S5、创建半监督神经网络，根据超像素区域发生概率正则化项和损伤函数训练半监督神经网络；S6、用训练好的半监督神经网络进行图像细粒度分类。本发明能够准确高效地对手写数字和医学细胞图像进行细粒度分类，兼具更优的图像细粒度分类准确率。
-
公开(公告)号：CN114757255A
公开(公告)日：2022-07-15
申请号：CN202210148811.0
申请日：2022-02-18
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06Q30/06 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开一种基于多模态融合的小样本商品分类方法，首先将多模态商品数据集随机分为元训练集和元测试集，在元训练集和元测试集上构建小样本分类任务；然后使用Resnet18和Text CNN分别提取商品的图像特征和文本特征，并使用双线性运算将两种模态的特征融合起来；接下来将支持样本的多模态特征和查询样本的多模态特征拼接起来输入到全连接层和Softmax层得到商品的类别概率值，计算交叉熵损失函数对网络中的参数进行训练；最后固定分量模型中的参数，将元测试数据集中的支持样本和查询样本输入到分类模型中就得到了查询样本的类别。本发明能够降低卷积神经网络在商品分类过程中对人工标注的依赖性，同时又能利用多模态信息提高小样本图像分类的精度。
-
Patent Agency Ranking
公开(公告)号：CN114740466A
公开(公告)日：2022-07-12
申请号：CN202210326428.X
申请日：2022-03-30
Applicant: 南通大学
Abstract: 本发明提供一种基于得分机制的雷达目标点迹过滤方法，包括获取雷达一个周期的点迹数据，将点迹的距离、速度进行极坐标、直角坐标互化，根据每个周期接收点迹的时间、速度、方位对其进行打分，并设置权重计算每个点迹的总得分，设置立方体波门过滤点迹。本发明利用多维量测信息设置约束条件，实现对多维量测信息的充分利用，解决雷达目标跟踪过程中出现的大量虚假目标和造成很多虚假航迹的问题，提高点迹过滤的质量，从而更好的实现目标跟踪。
-
公开(公告)号：CN114677540A
公开(公告)日：2022-06-28
申请号：CN202210281819.4
申请日：2022-03-22
Applicant: 南通大学
Abstract: 本发明公开一种基于多任务学习的水果图像识别方法，首先采用对称的编码器‑解码器形式的网络结构构建识别模型，在水果图像数据集中随机抽取一批图像，对每幅图像进行灰度变换预处理，得到图像的灰色图像输入到识别模型中，完成分类任务的构建，然后利用着色后的图像从而完成着色任务构建；计算图像类别输出值与图像类别真实值的交叉熵损失函数，计算着色图像与原始输入图像的均方误差损失函数，利用上述两函数之间的加权和对网络中的参数进行优化从而完成多任务学习；最后利用训练好的识别模型对水果图像进行在线测试。本发明通过采用编码器‑解码器的网络结构，使得分类模型能够同时提取水果图像的纹理和颜色特征，提高水果分类识别的正确率。
-
公开(公告)号：CN114647418A
公开(公告)日：2022-06-21
申请号：CN202210336803.9
申请日：2022-03-31
Applicant: 南通大学
Abstract: 本发明提供一种树序列化嵌入的软件代码推荐方法，主要用于解决开发过程中出现的代码功能实现问题，包括如下步骤：步骤1、通过解析抽象语法树AST分别将向量化的代码和注释嵌入到向量空间中并计算相似度，建立TCDEnn模型；步骤2、收集java代码，通过AST节点提取进行预处理构建训练集和测试集，用来训练和测试TCDEnn模型；步骤3、收集高质量的java代码，建立代码搜索库,开发人员输入描述查询代码搜素库，对搜索代码库中的AST向量与功能描述向量计算相似度，将相似度值最高的k个代码向量返回给开发人员。本发明可以通过直接描述功能需求的形式得到对应代码，有效节省开发时间，提高开发效率。
-
公开(公告)号：CN114612890A
公开(公告)日：2022-06-10
申请号：CN202210222537.7
申请日：2022-03-09
Applicant: 南通大学
IPC: G06V20/62 , G06V30/148 , G06V10/56
Abstract: 本发明提供了一种车牌字符定位及分割方法，属于车牌识别技术领域。解决了车牌定位中因外界环境因素干扰出错，车牌字符分割中出现字符断裂、字符粘连和数字“1”以及车牌分隔符被误分割的问题。其技术方案为：包括以下步骤：S1、读入原始图像经过高斯模糊处理；S2、将原始图像进行灰度化得到图像Image_gray；S4、根据车牌长宽比例、面积对可疑连通区域进行筛选，得到精确车牌区域，通过透视变换，在原始图像Image_initial中定位并裁剪出车牌图像；S5、对定位所得的车牌图像进行预处理。本发明的有益效果为：通过采用车牌字符定位以及分割方法，提高车牌定位和字符分割准确度，更好地识别出车牌字符。
-
公开(公告)号：CN114548251A
公开(公告)日：2022-05-27
申请号：CN202210144556.2
申请日：2022-02-16
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于正则化相关网络的小样本垃圾图像分类方法，包括：首先使用摄像头采集若干垃圾图像构建垃圾分类数据集并使用对数变换方法对图像进行预处理，然后使用Resnet12构建正则化相关网络，接着带有参数正则化项的交叉熵损失函数对主干网络以及相关性计算模块中的参数进行优化，最后固定正则化相关网络中的参数对垃圾图像进行分类测试；本方法能够提高相关网络进行小样本图像分类的精度以及垃圾图像自动分类识别的效率。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.022 seconds)
