-
公开(公告)号：CN113269685A
公开(公告)日：2021-08-17
申请号：CN202110516155.0
申请日：2021-05-12
Applicant: 南通大学
Abstract: 本发明提供一种融合多注意力机制的图像去雾方法，首先构建端到端的图像去雾网络模型，网络模型由一个浅层特征提取卷积层、由多注意力融合模块叠加构成的子网络、特征重构部分和全局残差学习结构构成。然后利用有雾与清晰图像对构成的样本库训练该模型得到参数。应用时，网络模型加载训练好的参数后，输入待去雾图像，即可输出清晰的图像。本发明设计了一种融合了空间注意力、通道注意力和像素注意力机制的多注意力融合模块，通过叠加该模块和残差连接构建了基于端到端的图像去雾网络，取得了较好的去雾效果。
-
公开(公告)号：CN112884680A
公开(公告)日：2021-06-01
申请号：CN202110326940.X
申请日：2021-03-26
Applicant: 南通大学
Abstract: 本发明提供了一种利用端到端神经网络的单幅图像去雾方法，包括如下步骤：构建网格注意力网络模型：输入为待去雾图像，待去雾图像被送入一个浅层特征提取卷积层，然后被送入GridNet模块和Attention模块，最后将特征传递给重构部分和全局残差学习结构，输出清晰的图像。本发明结合网格网络和注意力机制，在传统的多尺度网络或编解码网络中，由于层次结构的原因，信息流往往会受到瓶颈效应的影响，而网格网络通过使用上采样和下采样块，可以通过跨不同尺度的密集连接来规避这一问题。此外，赋予网络一个通道和像素的注意机制，它可以提供额外的灵活性，以处理不同类型的信息，注意机制也使网络扩展了CNNs的表征能力。
-
公开(公告)号：CN114740466B
公开(公告)日：2024-09-20
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：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：CN113063791A
公开(公告)日：2021-07-02
申请号：CN202110308180.X
申请日：2021-03-23
Applicant: 南通大学
IPC: G01N21/88
Abstract: 本发明提供一种基于图像处理的布匹缺陷识别方法，包括设于印染平台上方的工业相机，工业相机实时摄取印染结果图片；布匹缺陷识别方法包括如下步骤：S1、初始化，读取第一张印染结果图片f0，由人工确认该印染结果图片是否符合要求，如符合则执行步骤S2，不符合则调整印染机继续执行步骤S1；S2、读取t时刻图片ft，将ft与ft‑1进行比较，得到两者差值dt；S3、根据步骤S2中的gt与gt‑1判断布匹是否存在移位，如存在则产生报警指令，否则执行步骤S4；S4、根据步骤S2中的dt判断是否存在错印或者漏印，如存在则产生报警指令，否则继续执行步骤S2。本发明通过工业相机实时监测印染效果，当印染出现问题时，能够及时通知工人进行处理，提高了产线的智能化和自动化程度。
-
Patent Agency Ranking
公开(公告)号：CN112884784A
公开(公告)日：2021-06-01
申请号：CN202110267138.8
申请日：2021-03-11
Applicant: 南通大学
IPC: G06T7/11 , G06T7/136 , G06T7/194 , G06T7/13 , G06T7/168 , G06T7/62 , G06T7/66 , G06T7/73 , G06T1/00
Abstract: 本发明提供一种基于图像的镜片检测与正反面判断方法，包括如下步骤：S1、摄像头采集的托盘上镜片分布的图片作为输入图像，将输入图像进行灰度化处理，进行背景建模，计算背景模型的像素均值t，并以此为图像分割阈值；S2、将输入图像灰度化处理后，进行高斯滤波，采用霍夫变换定位图像中圆形物体，确定图像中镜片的圆心和半径；S3、根据镜片图像中的角点数量判断镜片的正反面。本发明首先针对输入图像，对背景图像进行建模，得到二值分割阈值，然后对图片进行二值图像分割，并采用霍夫变换定位到图片中光学镜片的位置，最后根据镜片图像中的角点数量来判别该光学镜片的正反面，得到托盘中镜片的位置和正反面信息，降低人工成本，提高包装效率。
-
公开(公告)号：CN115113192A
公开(公告)日：2022-09-27
申请号：CN202210765033.X
申请日：2022-06-30
Applicant: 南通大学
Abstract: 本发明提供一种基于自适应波门的雷达航迹起始方法，包括获取初始扫描周期雷达点迹数据集；将获取的点迹的距离、径向速度转化为笛卡尔坐标下的距离和速度；生成临时航迹集；将其它周期据集中的点迹与临时航迹集中的所有航迹进行自适应波门约束匹配；判断波门中点迹个数，进行点迹筛选，并更新航迹质量；判断航迹质量，并根据质量得分确定航迹类型，对航迹进行起始或撤销。本发明利用多维量测信息进行航迹匹配，并根据航迹质量得分设置自适应波门的大小，以解决航迹起始的效率低以及因为航迹质量的大小影响目标跟踪性能的问题。
-
公开(公告)号：CN114820371A
公开(公告)日：2022-07-29
申请号：CN202210453823.4
申请日：2022-04-27
Applicant: 南通大学
Abstract: 本发明属于图像处理技术领域，提供一种基于注意力模型的单幅图像去雨方法，包括以下步骤：S1、构建神经网络模型；S2、设计损失函数；S3、利用公开数据进行对神经网络模型的训练，得到神经网络模型的模型参数；S4、在神经网络模型中导入步骤S3训练好的模型参数，输入有雨图像，输出得到去雨图像。本发明要解决的技术问题是提供一种基于注意力模型的单幅图像去雨方法，设计了一种即插即用的通道‑空间注意力模块，通道注意力模块忽略了空间信息，而空间注意力模块又忽略了通道信息，结合两者优点将其应用在去雨网络中，取得了较好的效果。
-
公开(公告)号：CN112802006A
公开(公告)日：2021-05-14
申请号：CN202110176958.6
申请日：2021-02-07
Applicant: 南通大学
Abstract: 本发明公开了一种基于深度学习的边缘计算电机油污识别方法，包含S1.制作样本数据集；S2.在Amazon SageMaker中完成深度学习模型的训练及裁剪，即在YOLOv3算法的置信度损失函数中引入Focal loss，利用损失函数来训练及修剪深度学习模型；S3.远程部署深度学习模型到搭建AWS IoT Greengrass环境的边缘设备中；S4.在边缘设备中导入实时拍摄的工业机器图片，通过深度学习模型自动识别是否发生油液渗漏并输出结果。所述油污识别方法实现了深度学习模型训练、裁剪和推理预测分离的目的，在云端训练及裁剪深度学习模型，上述剪裁后的深度学习模型适应边缘设备的资源和算力；在本地边缘设备使用深度学习模型进行油污检测，满足了油污识别数据实时处理的需求，所述深度学习模型小且精度高。
-
公开(公告)号：CN112884784B
公开(公告)日：2024-06-04
申请号：CN202110267138.8
申请日：2021-03-11
Applicant: 南通大学
IPC: G06T7/11 , G06T7/136 , G06T7/194 , G06T7/13 , G06T7/168 , G06T7/62 , G06T7/66 , G06T7/73 , G06T1/00
Abstract: 本发明提供一种基于图像的镜片检测与正反面判断方法，包括如下步骤：S1、摄像头采集的托盘上镜片分布的图片作为输入图像，将输入图像进行灰度化处理，进行背景建模，计算背景模型的像素均值t，并以此为图像分割阈值；S2、将输入图像灰度化处理后，进行高斯滤波，采用霍夫变换定位图像中圆形物体，确定图像中镜片的圆心和半径；S3、根据镜片图像中的角点数量判断镜片的正反面。本发明首先针对输入图像，对背景图像进行建模，得到二值分割阈值，然后对图片进行二值图像分割，并采用霍夫变换定位到图片中光学镜片的位置，最后根据镜片图像中的角点数量来判别该光学镜片的正反面，得到托盘中镜片的位置和正反面信息，降低人工成本，提高包装效率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.014 seconds)
