-
公开(公告)号：CN116012607B
公开(公告)日：2023-09-01
申请号：CN202310060360.X
申请日：2023-01-17
Applicant: 华南理工大学
IPC: G06V10/54 , G06V10/52 , G06V10/50 , G06V10/764
Abstract: 本发明属于图像处理技术领域，公开了一种图像弱纹理特征提取方法及装置、设备、存储介质，通过将待检测图像划分成若干图像子块；基于剪切小波变换算法对每个图像子块进行特征提取，获得每个图像子块的子纹理特征；将所有图像子块的子纹理特征进行组合，获得待检测图像的全图纹理特征；能够快速且准确地提取出弱纹理特征，进而提高图像识别或缺陷检测的分类效率和精确度。
-
Patent Agency Ranking
公开(公告)号：CN116596837A
公开(公告)日：2023-08-15
申请号：CN202310235751.0
申请日：2023-03-13
Applicant: 华南理工大学
IPC: G06T7/00 , G06T3/40 , G06V10/40 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/766 , G06N3/0464
Abstract: 本发明公开了一种基于Faster‑RCNN模型的元器件弱缺陷高精度检测方法，包括：1)元器件图像采集；2)对原始图像进行双线性插值，得到为原图两倍大小的超尺度图；3)对原图进行特征提取，得到原图特征；对超尺度图做特征提取，得到超尺度图特征；4)对超尺度图特征进行最大值下采样，与原图特征对齐；5)将超尺度图特征与原图特征进行拼接融合；6)将融合后的特征图输入检测头，进行缺陷的定位及分类。本发明基于Faster‑RCNN模型对电子元器件缺陷检测，加强了对弱缺陷的检测能力，缓解了现有技术对元器件弱缺陷检测精度不高的问题，提高了元器件缺陷的整体检测精度。
-
公开(公告)号：CN113012067B
公开(公告)日：2022-11-18
申请号：CN202110279385.X
申请日：2021-03-16
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于Retinex理论和端到端深度网络的水下图像复原方法，包括：1)简化Jaffe‑McGlamery水下成像模型，以符合Retinex理论基本假设；2)依据简化的Jaffe‑McGlamery水下成像模型以及环境光图空间平滑的先验条件估计环境光图，分解粗略场景反射率图；3)设计端到端深度网络实现水下图像的精细化复原；4)将粗略场景反射率图输入到端到端深度网络中进行训练，得到最优的端到端深度网络，最后，将待测的粗略场景反射率图输入到最优的端到端深度网络，网络的输出即为复原的水下图像。本发明消除光在水下传播时衰减和散射对成像过程的影响，以改善图像的视觉效果，有效恢复水下图像视觉质量。
-
公开(公告)号：CN116596838A
公开(公告)日：2023-08-15
申请号：CN202310235760.X
申请日：2023-03-13
Applicant: 华南理工大学
IPC: G06T7/00 , G06V10/77 , G06V10/44 , G06V10/25 , G06V10/26 , G06V10/80 , G06V10/764 , G06V10/766 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于特征感知的元器件表面缺陷检测方法，包括：1)采集待检测的元器件的RGB图像；2)将RGB图像通过缺陷空间映射网络，得到缺陷空间映射图；3)得到RGB图像的关键点坐标；将缺陷空间映射图分别输入区域建议网络和主干网络，获得ROI区域和感兴趣区域ROIs；将缺陷空间映射图进行超像素快速分割，得到多背景区域；4)通过ROIs找到其相交背景区域，进行区域特征融合；5)将ROIs与关键点坐标进行比对，得到双近邻ROI区域特征，比对双近邻ROI区域特征，将比对结果向量作为ROIs的特征向量；6)将特征向量送入全连接层，进行分类与边框回归，识别出检测对象的类别和位置并标注。本发明实现了对工业检测场景下元器件表面弱缺陷的高精度检测。
-
公开(公告)号：CN116012607A
公开(公告)日：2023-04-25
申请号：CN202310060360.X
申请日：2023-01-17
Applicant: 华南理工大学
IPC: G06V10/54 , G06V10/52 , G06V10/50 , G06V10/764
Abstract: 本发明属于图像处理技术领域，公开了一种图像弱纹理特征提取方法及装置、设备、存储介质，通过将待检测图像划分成若干图像子块；基于剪切小波变换算法对每个图像子块进行特征提取，获得每个图像子块的子纹理特征；将所有图像子块的子纹理特征进行组合，获得待检测图像的全图纹理特征；能够快速且准确地提取出弱纹理特征，进而提高图像识别或缺陷检测的分类效率和精确度。
-
公开(公告)号：CN113012067A
公开(公告)日：2021-06-22
申请号：CN202110279385.X
申请日：2021-03-16
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于Retinex理论和端到端深度网络的水下图像复原方法，包括：1)简化Jaffe‑McGlamery水下成像模型，以符合Retinex理论基本假设；2)依据简化的Jaffe‑McGlamery水下成像模型以及环境光图空间平滑的先验条件估计环境光图，分解粗略场景反射率图；3)设计端到端深度网络实现水下图像的精细化复原；4)将粗略场景反射率图输入到端到端深度网络中进行训练，得到最优的端到端深度网络，最后，将待测的粗略场景反射率图输入到最优的端到端深度网络，网络的输出即为复原的水下图像。本发明消除光在水下传播时衰减和散射对成像过程的影响，以改善图像的视觉效果，有效恢复水下图像视觉质量。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
