-
公开(公告)号：CN108805897A
公开(公告)日：2018-11-13
申请号：CN201810498273.1
申请日：2018-05-22
Applicant: 安徽大学
CPC classification number: G06T7/215 , G06T7/194 , G06T7/254 , G06T2207/10016
Abstract: 针对经典的VIBE前景提取算法当输入的第一帧含有运动目标时后续检测就会出现“鬼影”现象、像素判别时模型中的固定半径在复杂场景检测效果不佳等问题，本发明提供一种改进的运动目标检测VIBE算法，区分静止区域是“鬼影”区域还是静止目标，并描述当前像素与背景模型中样本之间的差异程度，且在像素判别时根据描述字来动态调整判别模型中半径的大小，使得在场景变化程度较小时有更多的前景点被检测出，变化程度较大时能够阻止波动较小的像素点被检测为前景点，减少检测结果中的噪声。有益的技术效果：与原始的VIBE算法相比较，本发明能够在更少的帧数内去除“鬼影”，并使得检测出的运动目标更为准确。
-
公开(公告)号：CN108197577A
公开(公告)日：2018-06-22
申请号：CN201810015212.5
申请日：2018-01-08
Applicant: 安徽大学
Abstract: 本发明公开了一种联合Sobel和MFRAT的指静脉图像特征提取方法。首先采用Sobel算子结合韦伯定律计算指静脉样本的差分激励特征；然后采用MFRAT提取样本的方向特征；最后采用构造二维联合分布直方图的方式将两者结合得到SMWLD。将所提出的特征提取方法应用在指静脉图像识别中，在国内外两个公开指静脉图像库中进行对比实验，采用欧氏距离进行匹配，实验结果显示，相比其他同类方法，本申请的方法具有更高的识别率和更低的等误率且最高识别率分别达到了100％和99.729％。
-
公开(公告)号：CN106548176A
公开(公告)日：2017-03-29
申请号：CN201611014348.1
申请日：2016-11-18
Applicant: 安徽大学
IPC: G06K9/40
Abstract: 本发明公开了一种基于自适应引导滤波的指静脉图像增强方法，本申请针对原始的引导滤波器的不足，在不改变引导滤波的线性复杂度的情况下，基于边缘检测算子，提出了新的局部自适应的加权引导滤波方法。在对比度，清晰度和局部结构相似度这三个客观图像质量指标上，本申请的方法增强后的图像质量要优于基于引导滤波的增强算法，识别实验表明，本方法在识别率上也占优，充分说明了基于自适应引导滤波指静脉增强方法的有效性。
-
公开(公告)号：CN119672717B
公开(公告)日：2025-05-13
申请号：CN202510195361.4
申请日：2025-02-21
Applicant: 安徽大学
IPC: G06V20/70 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于目标检测的构件预埋件的图像识别与定位方法，对YOLOV8深度学习网络模型进行改进，在Backbone网络中添加CBAM注意力机制模块，并将SPPF模块替换为Improve_SPPF模块；在Neck网络中将Conv模块替换成GSConv模块；在Head网络中对边界框回归损失函数进行优化；利用改进的YOLOV8深度学习网络模型对预制构件的平面图像数据集进行预埋件的识别与定位，并利用二维码像素尺寸标定技术标定预埋件中心位置的实际坐标。本发明利用上述改进有效提高了对预制构件中线盒及预埋管等预埋件的识别效率和精度，并实现对预埋件的精准定位。
-
公开(公告)号：CN114022384B
公开(公告)日：2025-03-28
申请号：CN202111308284.7
申请日：2021-11-05
Applicant: 安徽大学
IPC: G06T5/70
Abstract: 本发明公开一种基于各向异性扩散模型的自适应边缘保持去噪方法，包括以下步骤：原始噪声图像预处理、构建去噪算法模型、原始噪声图像迭代计算和原始噪声图像去噪处理；本发明改进了基于分数阶微分算子与高斯曲率相结合的自适应图像去噪算法的扩散系数，加入双边滤波和局部方差，在扩散模型中引入正则化项，提高图像边缘保持的效果，对自适应图像去噪算法模型的扩散系数进行了修正，使得去噪和保持边缘的效果更好，提高图像的视觉效果；利用局部方差调节扩散系数，以更好地控制扩散速度；正则化项的加入提高了图像保真度，并且使用了自适应阈值，除了自然图像，在处理医学图像方面也优于传统图像处理方法。
-
Patent Agency Ranking
公开(公告)号：CN118396977A
公开(公告)日：2024-07-26
申请号：CN202410652482.2
申请日：2024-05-24
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0464 , G06T7/246 , G06V10/25 , G06V10/82
Abstract: 本发明公开了一种装配式建筑中预埋件缺陷的检测方法，首先采集模台上载有预埋件的模具实时视频，同时设置执行在线检测的目标感应区，构建基于Mask R‑CNN目标检测算法和SORT目标跟踪算法的预埋件检测网络并进行训练，然后基于目标感应区的视频帧，采用训练好的预埋件检测网络对预埋件进行识别及跟踪，得到构件的实测预埋件数量信息和位置信息，最后将构件的实测预埋件数量信息和位置信息与该类型构件的标准预埋件数量信息和位置信息进行比对，获知构件模具中预埋件的检测结果。本发明可以实现逐帧图像的特征提取和目标跟踪的目的，从而更加精准的获取各个构件模具中预埋件的数量信息和位置信息。
-
公开(公告)号：CN113487503B
公开(公告)日：2024-07-09
申请号：CN202110749087.2
申请日：2021-07-01
Applicant: 安徽大学
IPC: G06T5/73 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于通道注意力生成对抗网络的PET超分辨率方法。该方法包括：步骤一.获取高分辨率的训练数据集和测试数据集；步骤二.获取低分辨率的训练数据集和测试数据集；步骤三.在超分辨率生成对抗网络(Super Reso l ut i on Generat i ve Adversar i a l Network，SRGAN)的生成器中用残差通道注意力块取代残差块，得到通道注意力超分辨率生成对抗网络；步骤四.用像素级的均方误差损失改进SRGAN的感知损失；步骤五.对网络进行训练；步骤六.用图像质量评价指标对网络进行评价。本发明在SRGAN的基础上加入了通道注意力机制，使得生成器网络更加关注含有丰富高频信息的通道，增加了卷积神经网络的表征能力。同时，用像素级的均方误差损失改进SRGAN的感知损失，进一步提高了重建图像的质量。
-
公开(公告)号：CN118194733A
公开(公告)日：2024-06-14
申请号：CN202410617373.7
申请日：2024-05-17
Applicant: 安徽大学
IPC: G06F30/27 , G06N3/126 , G06Q10/04 , G06Q50/04 , G06F111/06
Abstract: 本发明公开了一种装配式建筑构件模具的智能排版双目标优化方法，首先构建生产所需数据集；然后基于资源约束和时间约束，构建智能排版双目标优化模型；再提取生产所需数据集中的构件数据和模台数据，采用最大剩余空间法将构件模具在模台上组合放置，得到构件模具的排版方案，每个构件模具的排版方案作为一个个体；最后将多个个体构建得到初始种群，设置适应度函数并采用遗传算法对初始种群进行迭代优化，得到满足优化目标的全局最优解。本发明构建智能排版双目标优化模型，以最大模台利用率与产线负载均衡为优化目标，得到最优的构件模具排版方案，提高排版效率和生产效率，为装配式建筑构件的生产和应用提供了有力技术支持。
-
公开(公告)号：CN117694903A
公开(公告)日：2024-03-15
申请号：CN202311605799.2
申请日：2023-11-24
Applicant: 安徽大学
Abstract: 本发明公开了一种基于脑电信号识别的运动障碍康复训练方法和系统，方法包括：采集训练的脑电信号进行频、空域滤波和标准化；建立自注意力卷积神经网络提取时空特征，并基于预测和真实分类确定第一损失函数，基于时空特征与对应中心距离确定第二损失函数；采用自蒸馏模型优化，得到第三损失函数；基于第一损失函数、第二损失函数、第三损失函数构建模型总损失函数迭代训练得到脑电信号识别模型；采集康复数据输入模型得到识别结果，并转化为控制命令驱动相应肢体完成康复训练。本方法对脑电信号完成有效滤波并分离，采用自注意力机制和自蒸馏训练保证模型的识别精度下尽可能减轻模型结构，融合多重损失函数对网络训练得到更高效、准确的识别模型。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.023 seconds)
