-
公开(公告)号：CN119919726A
公开(公告)日：2025-05-02
申请号：CN202510003021.7
申请日：2025-01-02
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0895 , G06N3/084 , G06V10/80
Abstract: 本发明涉及一种基于自监督学习的多视图融合宫颈癌前病变图像分类方法，包括：采集前列腺内窥镜切除手术的视频截图数据，并进行预处理，得到优化后的模型权重；得到优化后的第二视觉Transformer模型、第三视觉Transformer模型；将宫颈癌前病变阴道镜醋酸图片分类结果和宫颈癌前病变阴道镜碘图片分类结果进行加权融合，得到最终分类结果。本发明通过引入自监督学习方法，利用大量无标签医学图片数据，提高了ViT模型即视觉Transformer模型在宫颈癌前病变分级中的泛化能力和分类准确性；实现了对CIN分级的高效辅助诊断，特别是在医疗资源有限的地区，为自动化筛查提供了高效、低成本的解决方案，帮助医生提高诊断准确率，并降低漏诊率，为早期宫颈癌预防提供了重要技术支持。
-
公开(公告)号：CN119323549A
公开(公告)日：2025-01-17
申请号：CN202411411990.8
申请日：2024-10-11
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于改进的YOLOv10的材料束表面缺陷识别系统，包括；图像采集系统，用于捕捉材料束表面的高分辨率材料束图像并处理；数据分析系统，用于对预处理后的高分辨率材料束图像进行识别和分类缺陷的处理；动态模型改进系统，采用改进后的YOLOv10网络模型；数据可视化呈现系统，用于实时显示高分辨率材料束图像的统计信息。本发明还公开了一种基于改进的YOLOv10的材料束表面缺陷识别方法。本发明增强了多尺度特征的融合能力，使得YOLOv10能够在复杂的噪声干扰环境下依然有效地进行缺陷检测与分类，特别是对材料束表面的微小缺陷检测更为精准；具备更强的适应性和鲁棒性，能够提升检测精度并降低漏检率。
-
公开(公告)号：CN118537754A
公开(公告)日：2024-08-23
申请号：CN202410628551.6
申请日：2024-05-21
Applicant: 安徽大学
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于无人机的水稻幼苗计数方法，包括：得到水稻全景图片；得到预处理后的水稻图片；生成包含训练集、验证集和测试集的矩形框标注数据集；对YOLOv8网络进行改进，得到改进后的YOLOv8网络即水稻幼苗检测模型；得到训练后的水稻幼苗检测模型；对待预测的水稻图片进行预处理，输入训练后的水稻幼苗检测模型，训练后的水稻幼苗检测模型输出无人机拍摄水稻幼苗计数结果。本发明使得预测的特征图不仅具备了高度的语义信息，还包含了丰富的位置信息，为模型提供了更全面、更准确的信息基础，从而提高了目标检测任务的精度和鲁棒性，这个颈部网络的设计不仅提高了模型对目标的识别能力，也使得模型在处理复杂场景和遮挡情况下表现更加出色。
-
公开(公告)号：CN115330751A
公开(公告)日：2022-11-11
申请号：CN202211055248.9
申请日：2022-08-31
Applicant: 安徽大学
Abstract: 本发明涉及目标检测与定位技术领域，尤其涉及一种基于YOLOv5和Realsense的螺栓检测与定位方法，通过YOLO v5和霍夫圆检测算法检测并获取螺栓、螺母的中心点像素坐标，通过Realsense深度相机补充距离信息，从而完成螺栓、螺母的精准定位。完成了二维图像空间和现实三维空间的转化，解决了像素坐标和现实世界坐标转换中参数不足的问题，与相机距待检测物体长度不变的传统方法相比，提高了便携性、灵活性、可操作性。
-
公开(公告)号：CN112132784A
公开(公告)日：2020-12-25
申请号：CN202010852863.7
申请日：2020-08-22
Applicant: 安徽大学
Abstract: 本发明涉及工业缺陷图像处理技术领域，公开了一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法，包括：数据采集装置，智能处理系统，产品下放装置和数据库系统，该方法为以下步骤：利用数据采集装置对工业生产流水线中的产品图像进行采集，然后传输给智能处理系统和数据库系统；经过数据预处理模块进行一定的处理，再通过智能分类分割模块对有缺陷的产品进行分类并标定出缺陷的位置，利用产品下放装置把有缺陷的产品和没有缺陷的产品，或者不同缺陷的产品分别下放到不同的区域存放。本发明符合工业生产中的需求，适合小样本训练，同时能够实现两种任务，提高了分类的准确度和定位的精度。
-
Patent Agency Ranking
公开(公告)号：CN110097104A
公开(公告)日：2019-08-06
申请号：CN201910324553.5
申请日：2019-04-22
Applicant: 安徽大学
IPC: G06K9/62
Abstract: 本发明公开基于深度学习的苹果叶片病害分类方法及其自动识别装置，属于图像分类领域，用于解决现有技术中难以对拍摄的苹果图片进行病害识别和快速有效分类的问题，基于深度学习的苹果叶片病害分类方法，是在Vgg16网络模型的基础上进行改进的，改进的方法包括：在Vgg16模型的基础上，每个卷积层中添加了批标准化层；批标准化层的加入，不仅加速了网络模型的训练速度，在分类精度上也有所提升；在损失函数方面，加入了新的辅助损失函数，使学习到的特征更有区分度；该装置可以将拍摄的叶片数据传输到分类器中进行自动识别，具有识别精度高和易于操作的优点。
-
公开(公告)号：CN117152234A
公开(公告)日：2023-12-01
申请号：CN202311119430.0
申请日：2023-09-01
Applicant: 安徽大学
Abstract: 本发明涉及一种多生育期小麦倒伏面积提取方法，包括：进行数据采集；进行图像预处理；进行数据扩增；对数据扩增后的图像进行筛选，剔除不存在倒伏的图像，在剔除后以4：1的比例将图像随机划分为训练集和验证集；对Mask2Former网络模型进行改进，将训练集输入改进的Mask2Former网络模型进行训练，筛选得到最优分割模型；将待检测的小麦图像输入最优分割模型中，计算出小麦倒伏的实际面积。本发明收集不同生育阶段的小麦倒伏数据，应用数据增强来模拟田间复杂自然环境，以提高模型的鲁棒性与泛化性。引入层级交互特征金字塔网络HI‑FPN改进了Mask2Former网络模型，实现了多尺度特征的提取与融合，提高倒伏区域分割的准确性，对小麦倒伏面积进行精确计算。
-
公开(公告)号：CN116758545A
公开(公告)日：2023-09-15
申请号：CN202310665162.6
申请日：2023-06-05
Applicant: 安徽大学
Abstract: 本发明公开了一种基于深度学习的纸质医药包装钢印字符识别方法，包括获取图像数据；对图像数据中的钢印字符进行标注，得到数据集并进行划分；将数据集输入基于目标检测网络框架构建的字符识别模型进行模型训练，并输出目标检测结果；根据目标检测结果调整模型参数，并继续训练模型直至模型的损失函数收敛，以及输出高准确度的字符识别结果；利用图像采集模块实时获取图像数据并输入基于目标检测网络框架构建且训练完成的字符识别模型，得出最终字符识别结果。本发明通过构建网络模型，并训练好模型后与图像采集设备连接，得到实时识别结果。与现有的钢印字符识别方法相比，保证了识别准确率的同时，识别的速度也更快。
-
公开(公告)号：CN116630223A
公开(公告)日：2023-08-22
申请号：CN202211095048.6
申请日：2023-04-25
Applicant: 安徽大学
Abstract: 本申请涉及农业图像处理的领域，并公开了一种基于深度卷积神经网络的水稻图像去雨方法，包括以下步骤：获取待去雨的水稻的有雨图像；将待去雨的水稻的有雨图像输入训练后的水稻图像去雨网络，并输出去雨后的水稻图像信息；将无雨的水稻图像信息进行远程传输后进行表型监测。本申请解决了现有技术中在农业水稻图像领域，雨痕易于重叠，水稻图像去雨痕较难的技术问题，实现了可以具有很好的去雨效果，并且可以使得图片雨线或者雨滴更容易去除。
-
公开(公告)号：CN116469006A
公开(公告)日：2023-07-21
申请号：CN202310359405.3
申请日：2023-04-06
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/17 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本申请涉及深度学习的领域，并公开了一种基于深度学习的农业田块分割方法及系统，所述方法包括以下步骤：获取卫星遥感农田数据中的农业田地图像；对所述农业田地图像进行预处理，得到农田数据集，所述农田数据集划分为训练集和测试集；将所述农田数据集输入至卷积神经网络中，并对所述卷积神经网络进行训练，得到卷积神经网络模型；将所述农田数据集中的测试集输入至所述卷积神经网络模型中，得到农业田块分割图像；其中，所述卷积神经网络以Mask R‑CNN网络作为框架，且所述卷积神经网络包括卷积层‑backbone、候选区域生成网络‑RPN以及对候选区域进行分类的网络‑three branches。本申请实现了农田检测识别速率更快，且将数据进行模型训练，准确度较高。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.022 seconds)
