-
公开(公告)号：CN108399614B
公开(公告)日：2020-12-22
申请号：CN201810043774.0
申请日：2018-01-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于无抽样小波与Gumbel分布的织物缺陷检测方法，包括步骤：对输入图像进行多层无抽样小波分解；根据小波分解所得的近似子图和细节子图，生成融合差分特征图；采用Gumbel模型拟合特征图中的灰度分布，利用MLE算法估计模型参数；将特征图划分成子图块，根据估计的模型参数计算每个子图块的似然估计值，得到似然值分布图；阈值化似然值分布图，得到二值化的检测结果。本发明没有直接将各子带小波系数用作特征，避免了高维特征矢量的计算复杂性；特征融合步骤中考虑了低频信息的影响，避免灰度变化平缓的缺陷被漏检；将小波分析与Gumbel模型结合，把缺陷检测问题转化成假设检验问题，检测精度高。
-
公开(公告)号：CN108000246A
公开(公告)日：2018-05-08
申请号：CN201711243471.5
申请日：2017-11-30
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于测地距离的三维类摆线抛光路径生成方法，包括步骤：提取工件的三维曲面信息，确定抛光路径起点；由起点位置和曲面的曲率变化情况，调整等距线与起点的测地距离，自适应生成均匀覆盖曲面的等距线；调整各层等距线的间距及三维类摆线路径的半径，使相邻抛光路径间的材料去除深度叠加均匀；沿等距线生成满足半径要求的测地摆线，并自适应调节测地摆线路径的步距值；生成沿所有等距线的摆线抛光路径，后置处理获得实际加工的三维类摆线抛光路径。本发明利用测地距离在网格上的优势，可避免使用投影或展平等方法规划曲面轨迹时的变形。同时，利用摆线轨迹的多方向性，能有效提高三维曲面抛光的均匀性，从而提升工件表面质量。
-
公开(公告)号：CN110909814B
公开(公告)日：2023-05-26
申请号：CN201911203005.3
申请日：2019-11-29
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/771 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于特征分离的分类方法。所述方法包括以下步骤：提出了特征分离框架，该框架首先对两个输入样本进行部分特征交换得到两个生成样本，然后对两个生成样本再次进行特征交换得到两个输入样本的重建样本；对特征分离框架进行训练，通过各种损失函数的约束使得特征分离框架最终能够让决定对象类别的特征收敛到目标特征向量中，让与类别无关的特征收敛到无关特征向量中；在测试阶段中，首先使用训练好的特征分离框架对输入样本进行特征分离，然后根据分离出来的目标特征向量训练分类器进行分类。本发明通过从原始样本中高纯度地分离出真正决定类别的特征来进行分类，从而在很大程度上克服无关因素对分类任务的干扰，提高分类的准确率。
-
公开(公告)号：CN108694386B
公开(公告)日：2021-08-10
申请号：CN201810459204.X
申请日：2018-05-15
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于并联卷积神经网络的车道线检测方法，包括以下步骤：S1、实际采集视频后截取训练样本图片，并手动标注出车道线，制作用于卷积神经网络训练的训练数据集；S2、构建三个层数不同的自编码卷积神经网络，组成并联卷积神经网络，每个卷积神经网络分别用来检测背景点、实线车道线或虚线车道线；S3、使用训练数据集训练并联卷积神经网络，根据训练过程中损失函数的变化和网络的收敛情况来调整卷积神经网络的参数；S4、根据实际检测效果，调整卷积神经网络的参数，重复步骤S3来训练调整后的并联卷积神经网络，直至达到测试的最佳效果；S5、使用测试图片和实际场景的视频来测试最终训练好的并联卷积神经网络。
-
-
Patent Agency Ranking
公开(公告)号：CN110909814A
公开(公告)日：2020-03-24
申请号：CN201911203005.3
申请日：2019-11-29
Applicant: 华南理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于特征分离的分类方法。所述方法包括以下步骤：提出了特征分离框架，该框架首先对两个输入样本进行部分特征交换得到两个生成样本，然后对两个生成样本再次进行特征交换得到两个输入样本的重建样本；对特征分离框架进行训练，通过各种损失函数的约束使得特征分离框架最终能够让决定对象类别的特征收敛到目标特征向量中，让与类别无关的特征收敛到无关特征向量中；在测试阶段中，首先使用训练好的特征分离框架对输入样本进行特征分离，然后根据分离出来的目标特征向量训练分类器进行分类。本发明通过从原始样本中高纯度地分离出真正决定类别的特征来进行分类，从而在很大程度上克服无关因素对分类任务的干扰，提高分类的准确率。
-
公开(公告)号：CN110555377A
公开(公告)日：2019-12-10
申请号：CN201910685541.5
申请日：2019-07-27
Applicant: 华南理工大学
Abstract: 本发明提出了一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法。用基于鱼眼相机俯视拍摄的行人头部检测数据集训练深度卷积神经网络；对视频图像中的行人头部进行检测，为首次检测到的行人头部创建卡尔曼滤波跟踪器。计算行人头部边框中心点即检测点的坐标；用跟踪器预测该帧图像中的检测点，生成预测点。根据各个检测点和预测点得出距离矩阵；然后根据距离矩阵使用匈牙利算法将行人头部边框和跟踪器进行匹配。如果行人头部边框匹配到跟踪器，则修正对应的跟踪点并更新该跟踪器；否则，为该行人头部边框创建新的跟踪器。重复上述过程实现行人检测和跟踪。本发明能实现单个相机对整个室内空间的无死角监控，实现行人头部检测和稳定地进行行人跟踪。
-
-
公开(公告)号：CN108694386A
公开(公告)日：2018-10-23
申请号：CN201810459204.X
申请日：2018-05-15
Applicant: 华南理工大学
CPC classification number: G06K9/00798 , G06N3/0454
Abstract: 本发明公开了一种基于并联卷积神经网络的车道线检测方法，包括以下步骤：S1、实际采集视频后截取训练样本图片，并手动标注出车道线，制作用于卷积神经网络训练的训练数据集；S2、构建三个层数不同的自编码卷积神经网络，组成并联卷积神经网络，每个卷积神经网络分别用来检测背景点、实线车道线或虚线车道线；S3、使用训练数据集训练并联卷积神经网络，根据训练过程中损失函数的变化和网络的收敛情况来调整卷积神经网络的参数；S4、根据实际检测效果，调整卷积神经网络的参数，重复步骤S3来训练调整后的并联卷积神经网络，直至达到测试的最佳效果；S5、使用测试图片和实际场景的视频来测试最终训练好的并联卷积神经网络。
-
公开(公告)号：CN110555377B
公开(公告)日：2023-06-23
申请号：CN201910685541.5
申请日：2019-07-27
Applicant: 华南理工大学
Abstract: 本发明提出了一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法。用基于鱼眼相机俯视拍摄的行人头部检测数据集训练深度卷积神经网络；对视频图像中的行人头部进行检测，为首次检测到的行人头部创建卡尔曼滤波跟踪器。计算行人头部边框中心点即检测点的坐标；用跟踪器预测该帧图像中的检测点，生成预测点。根据各个检测点和预测点得出距离矩阵；然后根据距离矩阵使用匈牙利算法将行人头部边框和跟踪器进行匹配。如果行人头部边框匹配到跟踪器，则修正对应的跟踪点并更新该跟踪器；否则，为该行人头部边框创建新的跟踪器。重复上述过程实现行人检测和跟踪。本发明能实现单个相机对整个室内空间的无死角监控，实现行人头部检测和稳定地进行行人跟踪。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.021 seconds)
