-
公开(公告)号：CN102999957B
公开(公告)日：2015-07-29
申请号：CN201210354366.X
申请日：2012-09-22
Applicant: 华南理工大学
IPC: G07C9/00
Abstract: 本发明公开基于超声波成像与识别技术的保险柜系统其密匙，所述基于超声波成像与识别技术的保险柜系统包括超声波传感模块、超声波图像处理模块、中央系统模块和安全锁开关模块；所述超声波图像处理模块，根据超声波传感模块接收到的电信号进行成像处理，并将成像结果传输到中央系统模块；所述中央系统模块将成像模块得到的成像信息进行分析，并与内部储存的解锁图像信息进行对比，如符合解锁要求则向安全锁开关模块发送解锁信号。所述密匙的解锁密码通过图形或文字的形式隐藏在密匙内部。本发明融合计算机技术和超声波成像与识别技术，具备电子类保险柜操作管理方便的优点，密匙不易被复制、伪造，大大提高安全性。
-
公开(公告)号：CN101477066A
公开(公告)日：2009-07-08
申请号：CN200910036538.7
申请日：2009-01-09
Applicant: 华南理工大学
IPC: G01N21/956
Abstract: 本发明涉及一种基于超分辨率图像重建的电路板元件安装/焊接质量检测方法，该方法利用摄像头阵列和传送带的运动对电路板上的待检测区域进行超分辨率图像重建，并根据重建的电路板待检测区域高分辨率图像来判断元件是否合格地安装和焊接。实现该方法的检测系统由中心服务器和若干超分辨率检测端构成，中心服务器与每个超分辨率检测端连接，超分辨率检测端采集检测点处电路板待检测区域的图像并对其进行超分辨率重建后传送到中心服务器，中心服务器将每个检测点采集的电路板待检测区域的高分辨率图像与相应的标准模板进行匹配，检测出不合格元件或焊点。
-
公开(公告)号：CN113298733A
公开(公告)日：2021-08-24
申请号：CN202110642824.9
申请日：2021-06-09
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于隐式边缘先验的尺度渐进的图像补全方法，包括以下步骤：S1、获取多尺度的边缘先验信息；S2、将边缘先验信息与破损图像输入到先验输入模块，得到整合后的复合信息；S3、将整合后的复合信息输入到图像补全网络，该网络包括级联的编码器、多尺度特征融合模块和解码器，输出中间输出集；S4、使用包括渐进结构损失函数的复合损失函数集训练图像补全网络；S5、将破损图像与边缘先验信息输入经过训练的图像补全网络，得到中间输出集，以中间输出集中最低尺度输出作为补全图像。本发明引入边缘先验信息，并通过渐进结构损失函数约束补全过程，同时采用多尺度特征融合模块强化约束作用；通过本发明的方法，可以得到更合理的补全图像。
-
公开(公告)号：CN111583301A
公开(公告)日：2020-08-25
申请号：CN202010336134.6
申请日：2020-04-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种“刚好足够”的视频目标轨迹方法。所述方法首先用稠密轨迹算法提取稠密轨迹。其次基于“中心-周围”算法，快速得到轨迹点的非精确显著值。再逐级调整轨迹点显著性判决策略，逐级删除非显著轨迹。然后回退嵌入部分已被删除的轨迹，直到找到最优的策略，以达到“刚好”产生所需轨迹的效果。相比于一步删除轨迹的方法，本发明采用递归删减轨迹的方法，能对不同的样本使用更灵活的删除阈值——层级删除，不同的样本自动确定最优的删除级数。同时本发明采用回溯查找机制，嵌入部分被误删除轨迹，避免剪枝过度，刚好保留所需的前景信息。
-
公开(公告)号：CN102879785B
公开(公告)日：2014-05-07
申请号：CN201210360869.8
申请日：2012-09-22
Applicant: 华南理工大学
Abstract: 本发明公开了基于频谱认知和分段跳频调频的水下物体探测方法及系统，系统包括控制中心和探测装置，控制中心包括发射控制子系统和接收控制子系统，两个子系统均与探测装置相连。本发明采取主被动相结合的认知方法，由频谱侦听器对水下频段被动侦听，得到一个可用频段表。发射端依据表中频段从高到低依次产生线性调频信号由发送探头发送。接收机在收到回波信号后，可以根据回波信号的质量调整诸如发射功率和调制参数等发射参数以实现更精确地探测。本发明能够依据信道质量状况实时调整发送参数，能够抵抗高衰减和强多径干扰，实现精确、可靠的水下探测本发明能够抵抗高衰减和强多径干扰，能够依据信道质量状况实时调整发送参数，实现精确水下探测。？
-
Patent Agency Ranking
公开(公告)号：CN102879785A
公开(公告)日：2013-01-16
申请号：CN201210360869.8
申请日：2012-09-22
Applicant: 华南理工大学
Abstract: 本发明公开了基于频谱认知和分段跳频调频的水下物体探测方法及系统，系统包括控制中心和探测装置，控制中心包括发射控制子系统和接收控制子系统，两个子系统均与探测装置相连。本发明采取主被动相结合的认知方法，由频谱侦听器对水下频段被动侦听，得到一个可用频段表。发射端依据表中频段从高到低依次产生线性调频信号由发送探头发送。接收机在收到回波信号后，可以根据回波信号的质量调整诸如发射功率和调制参数等发射参数以实现更精确地探测。本发明能够依据信道质量状况实时调整发送参数，能够抵抗高衰减和强多径干扰，实现精确、可靠的水下探测本发明能够抵抗高衰减和强多径干扰，能够依据信道质量状况实时调整发送参数，实现精确水下探测。
-
公开(公告)号：CN111583301B
公开(公告)日：2023-05-23
申请号：CN202010336134.6
申请日：2020-04-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种“刚好足够”的视频目标轨迹方法。所述方法首先用稠密轨迹算法提取稠密轨迹。其次基于“中心‑周围”算法，快速得到轨迹点的非精确显著值。再逐级调整轨迹点显著性判决策略，逐级删除非显著轨迹。然后回退嵌入部分已被删除的轨迹，直到找到最优的策略，以达到“刚好”产生所需轨迹的效果。相比于一步删除轨迹的方法，本发明采用递归删减轨迹的方法，能对不同的样本使用更灵活的删除阈值——层级删除，不同的样本自动确定最优的删除级数。同时本发明采用回溯查找机制，嵌入部分被误删除轨迹，避免剪枝过度，刚好保留所需的前景信息。
-
公开(公告)号：CN113344815B
公开(公告)日：2022-06-14
申请号：CN202110652678.8
申请日：2021-06-09
Applicant: 华南理工大学
Abstract: 本发明公开了一种用于图像补全的多尺度金字塔型跳跃连接方法，用于任何以编码器‑解码器为框架的图像补全网络，以编码器特征集与解码器特征集为输入，以加权复合特征集为输出，加权复合特征集替代解码器特征集输入后续输出层，包括以下步骤：S1、将编码器特征集输入到门控，滤除空洞区域映射出的局部白噪声，得到弱噪特征集；S2、采用特征整合模块将弱噪特征集整合为标定尺寸的复合特征；S3、将复合特征输入到通道空域权重自适应融合模块，通道权重和空域权重自适应地与解码器特征集融合，得到加权复合特征集。本发明通过对编码器各尺度特征的噪声过滤及通道、空域双维度权重自适应的整合处理，有效缓解局部白噪声带来的伪影、模糊问题。
-
公开(公告)号：CN112669216A
公开(公告)日：2021-04-16
申请号：CN202110009979.9
申请日：2021-01-05
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于联邦学习的并行空洞新结构的超分辨率重构网络感包括若干个局部稠密连接残差组(LDCRG)，通过将若干个局部稠密连接残差组串联，所有的LDCRG的输出进行融合为上采样重构提供信息；每个局部稠密连接残差组由感受野匹配的残差稠密块(PRDB)组成；所述感受野匹配的残差稠密块包括感受野匹配模块(PDM)和残差稠密块(RDB)，感受野匹配模块添加在残差稠密块RDB的跳跃连接的两端信号之间；本发明通过PDM匹配残差跳跃连接两端的感受野和LDCRG有选择的对残差稠密块的输出进行融合学习，提升SR网络的性能。
-
公开(公告)号：CN113298733B
公开(公告)日：2023-02-14
申请号：CN202110642824.9
申请日：2021-06-09
Applicant: 华南理工大学
IPC: G06T5/00 , G06T7/12 , G06T7/13 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于隐式边缘先验的尺度渐进的图像补全方法，包括以下步骤：S1、获取多尺度的边缘先验信息；S2、将边缘先验信息与破损图像输入到先验输入模块，得到整合后的复合信息；S3、将整合后的复合信息输入到图像补全网络，该网络包括级联的编码器、多尺度特征融合模块和解码器，输出中间输出集；S4、使用包括渐进结构损失函数的复合损失函数集训练图像补全网络；S5、将破损图像与边缘先验信息输入经过训练的图像补全网络，得到中间输出集，以中间输出集中最低尺度输出作为补全图像。本发明引入边缘先验信息，并通过渐进结构损失函数约束补全过程，同时采用多尺度特征融合模块强化约束作用；通过本发明的方法，可以得到更合理的补全图像。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.026 seconds)
