-
公开(公告)号：CN118887520B
公开(公告)日：2025-02-25
申请号：CN202410942211.0
申请日：2024-07-15
Applicant: 广东工业大学
IPC: G06V20/05 , G06V10/25 , G06V10/82 , G06V10/42 , G06V10/44 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于transformer和感知融合注意力的水下目标检测方法及系统，方法包括以下步骤：获取历史水下目标图像数据集；基于历史水下图数据集，构建并训练水下目标检测模型；利用训练好的水下目标检测模型对待检测水下目标图像进行目标检测，获得包含目标类别标签的检测结果。本发明方法可广泛应用于海洋资源探测、水下环境监测、水下生物多样性研究等领域，为相关领域的科研和工程实践提供支持。
-
公开(公告)号：CN118918077A
公开(公告)日：2024-11-08
申请号：CN202410965021.0
申请日：2024-07-18
Applicant: 广东工业大学
IPC: G06T7/00 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/774
Abstract: 本发明提出了一种基于自适应空间特征融合和结构重参数化的瓦楞纸箱缺陷检测方法及系统，包括：采集待检测的瓦楞纸箱图像数据；将待检测的所述瓦楞纸箱图像数据输入缺陷检测模型中，对被检瓦楞纸箱进行实时的缺陷检测；其中所述缺陷检测模型包括：backbone特征提取网络、neck特征提取网络和自适应空间特征融合检测网络，并基于数据集训练获得；所述数据集包括：含有缺陷的瓦楞纸箱图像数据和对应的缺陷种类。本发明系统结构简单，能实时获取被检测瓦楞纸箱图像，结合基于自适应空间特征融合和结构重参数化的缺陷检测算法，具有高的检测精度和速度，有望在瓦楞纸箱缺陷检测领域得到广泛应用。
-
公开(公告)号：CN118780998A
公开(公告)日：2024-10-15
申请号：CN202410459969.9
申请日：2024-04-17
Applicant: 广东工业大学
IPC: G06T5/60 , G06T5/70 , G06T5/90 , G06V10/52 , G06V10/80 , G06V10/82 , G06V20/05 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及工业视觉增强领域，更具体地说，它涉及一种基于Transformer和多尺度空间域特征融合的水下图像增强方法，本发明通过引入Transformer机制，利用自注意力和线性注意力机制来捕获图像中复杂的空间关系并提高图像质量，同时，设计的多尺度特征卷积模块来提取不同规模和级别的信息，能够降低网络的复杂度，提高计算效率，再者，设计了一个空域特征融合模块来计算像素局部邻域内的注意力，从而提高计算效率和特征融合，该方法具有泛化能力好、鲁棒性高、增强效率高的优势，可广泛应用于水下管道检测与维护、水下环境监测、水下生物研究等领域，为相关领域的科研和工程实践提供强大支持。
-
公开(公告)号：CN117764969B
公开(公告)日：2024-09-17
申请号：CN202311840928.6
申请日：2023-12-28
Applicant: 广东工业大学
IPC: G06T7/00 , G06V10/80 , G06V10/771 , G06V10/52 , G06V10/10
Abstract: 本发明涉及多视角成像系统及轻量化多尺度特征融合缺陷检测方法，检测方法包括：采集待检测目标的图像，其中，所述待检测目标的图像通过所构建的多视角成像系统获得；将所述图像输入预设的检测模型中，输出所述待检测目标的缺陷检测结果，其中，所述检测模型基于训练集训练获得，所述训练集包括包含缺陷的图像和标识该缺陷的标签，所述检测模型采用特征提取网络和轻量化多尺度特征融合网络构建。本发明所提出的缺陷检测方法具有轻量化、速度快、精度高的优势。
-
公开(公告)号：CN114092640B
公开(公告)日：2024-08-20
申请号：CN202111342955.1
申请日：2021-11-12
Applicant: 广东工业大学
IPC: G06T17/00 , G06T7/593 , G06N3/08 , G06N3/0464 , G06V10/44 , G06V10/82 , G06V10/774
Abstract: 本发明提供一种新的基于单目无人机多帧RGB图像的三维重建方法，从深度学习的角度出发，并且结合深度预测神经网络和3D点云神经网络框架，对深度偏移和焦距进行计算和预测，接着利用端到端学习的3D点云配准深度神经网络进行3D点云配准与融合。本方法区别于传统的单帧RGB图像深度偏移获取方法，以数据为驱动和计算成像，利用深度学习和神经网络来获取深度偏移和相机焦距，大大提升了计算的精确性且其整体耗时少，同时兼顾三维重建效果，可以有效获取良好的3D场景形貌。
-
Patent Agency Ranking
公开(公告)号：CN117853732A
公开(公告)日：2024-04-09
申请号：CN202410087737.5
申请日：2024-01-22
Applicant: 广东工业大学
IPC: G06V10/26 , G06V20/70 , G06V20/52 , G06V40/10 , G06V10/764 , G06V10/766 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种自监督可重数化太赫兹图像危险品实例分割方法，包括：对太赫兹人体隐匿危险品安检图像数据集进行数据增强；通过增强后的数据集预训练自监督学习图像掩码建模增强模型，获取自监督学习图像掩码建模增强模型的编码器参数；将自监督学习图像掩码建模增强模型的编码器作为实例分割模型的初始特征提取主干网络；迁移编码器参数，通过未增强的太赫兹人体隐匿危险品安检图像数据集微调实例分割模型的初始特征提取主干网络，获取实例分割模型的特征提取主干网络；将待分割的人体隐匿危险品安检图像输入实例分割模型的特征提取主干网络，提取多尺度特征，将多尺度特征进行集成，并进行动态解耦，获取危险品检测分割结果。
-
公开(公告)号：CN114972625A
公开(公告)日：2022-08-30
申请号：CN202210284463.X
申请日：2022-03-22
Applicant: 广东工业大学
Abstract: 本发明提供一种基于RGB光谱超分辨技术的高光谱点云生成方法，包括以下步骤：获取基于移动传感设备的多帧RGB图像数据；构建多层回归神经网络模型，用于在RGB图像数据中重建高光谱图像数据集；将高光谱图像数据集通过运动恢复结构算法重建出稀疏点云模型，并将稀疏点云模型进行无畸变处理，生成无畸变图像；将稀疏点云模型和无畸变图像作为输入，使用多视图立体视觉算法构建稠密点云模型；将稠密点云模型进行配准，并利用基于广度搜索的增量式表面重建算法将稠密点云网格化处理；将网格化处理后的稠密点云进行纹理重建，得到高光谱点云。回避光谱和点云两种异构数据融合，保留RGB图像较高分辨率。
-
公开(公告)号：CN114354492A
公开(公告)日：2022-04-15
申请号：CN202111645298.8
申请日：2021-12-30
Applicant: 广东工业大学
IPC: G01N21/01 , G01N21/3586
Abstract: 本发明涉及太赫兹成像的技术领域，更具体地说，它涉及一种基于太赫兹自由电子激光的单像素成像方法及系统，其技术方案要点是，包括：S1、基于太赫兹自由电子激光提供单像素成像系统；S2、在所述单像素成像系统上，根据广义正交追踪算法获取目标物图像。本发明具有重建图像质量好、峰值信噪比高、结构相似度高的优点。
-
公开(公告)号：CN114241276A
公开(公告)日：2022-03-25
申请号：CN202111567804.6
申请日：2021-12-21
Applicant: 广东工业大学
Abstract: 本发明公开了一种弱配准下红外与可见光融合方法及双目成像装置，所述方法包括：获取针对同一目标的可见光图像以及红外图像，采用图像弱配准方法，生成目标图像对；将所述目标图像对输入训练好的深度学习融合模型中，得到输出的融合图像；所述的深度学习融合模型包括显著特征提取模块、编码器、融合模块以及解码器；所述双目成像装置中，可见光相机与红外相机分别捕获可见光图像和红外图像，AI处理器首先对红外图像和可见光图像进行校正和裁剪，然后利用深度学习融合模型进行融合处理，得到融合图像通过终端显示器进行显示。本发明提高成像质量并且准许融合的图像对存在配准偏差，有效突出显著信息，减少视觉伪影，更利于成像系统的全天候工作。
-
公开(公告)号：CN113487530A
公开(公告)日：2021-10-08
申请号：CN202110878885.5
申请日：2021-08-02
Applicant: 广东工业大学
Abstract: 本申请公开了一种基于深度学习的红外与可见光融合成像方法，包括：针对目标同时采集相同尺寸的红外图像和可见光图像以构成目标物图像对，对目标物图像对中的子图像进行子图像对分割、预处理以及添加噪声图，将添加了噪声图的子图像对作为输入图像对输入到训练好的图像融合模型中，得到融合后的图像；所述图像融合模型包括浅层特征提取单元、编码器、融合模块以及解码器。本申请考虑了源图像含噪这一普遍事实，并将其作为实际成像应用的前提，在融合图像过程中进行图像去噪，有效避免了源图像对中的噪点被引入融合图像；本申请非常有利于红外与可见光融合及深度学习技术的应用研究，其有望在医学成像和夜间监测等领域得到广泛应用。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.028 seconds)
