公开(公告)号：CN115862091A

公开(公告)日：2023-03-28

申请号：CN202211398695.4

申请日：2022-11-09

Applicant: 暨南大学

Inventor： 孔锐 ,  梁冠烨 ,  张冰

IPC: G06V40/16 ,  G06V20/40 ,  G06V10/82 ,  G06V10/764 ,  G06V10/774 ,  G06F3/14 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于Emo‑ResNet的面部表情识别方法、装置、设备和介质，该识别方法基于改进的残差网络，并引入多头自注意力机制，同时在深度注意力中心损失中引入损失函数，并应用到日常的面部表情的识别中。本发明首先获取待识别者的实时动态视频流并进行帧提取操作后保存为静态图片流；然后从待识别的图像中识别出人脸并进行人脸矫正和人脸对齐，裁剪得到对应的人脸图片；随后将人脸图片输入到Emo‑ResNet网络中进行分类训练；最后将判定的面部表情类别以及该面部表情在实时动态视频中的时间在界面中输出，将识别结果可视化。经过实验验证，该方法计算复杂度低，识别率高，更适用于面部表情识别。

公开(公告)号：CN115331014B

公开(公告)日：2023-03-07

申请号：CN202211265949.5

申请日：2022-10-17

Applicant: 暨南大学

Inventor： 张冰 ,  孔锐 ,  揭英达

IPC: G06V10/26 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/047 ,  G06V10/24 ,  G06V10/44 ,  G06V10/82 ,  G06V30/10

Abstract: 本发明公开了一种基于机器视觉的指针仪表读数方法及系统、存储介质，所述方法包括：获取模板仪表正面的第一图像与待测仪表正面的第二图像；基于所述第一图像和所述第二图像，计算仿射变换矩阵；其中，所述仿射变换矩阵表征第二图像相对于第一图像的位置映射关系；根据所述仿射变换矩阵，对第二图像进行校正，得到第三图像；通过图像分割算法从所述第三图像中分割出指针图像，根据所述指针图像，得到指针图像中的特征直线；根据所述特征直线，得到指针读数，通过基于深度学习的算法对指针进行读数。本发明通过利用深度学习领域来解决仪表自动读数问题，即使在恶劣环境，仍能取得较准确的读数，而且读数精准。

公开(公告)号：CN115331014A

公开(公告)日：2022-11-11

申请号：CN202211265949.5

申请日：2022-10-17

Applicant: 暨南大学

Inventor： 张冰 ,  孔锐 ,  揭英达

IPC: G06V10/26 ,  G06N3/04 ,  G06V10/24 ,  G06V10/44 ,  G06V10/82 ,  G06V30/10

Abstract: 本发明公开了一种基于机器视觉的指针仪表读数方法及系统、存储介质，所述方法包括：获取模板仪表正面的第一图像与待测仪表正面的第二图像；基于所述第一图像和所述第二图像，计算仿射变换矩阵；其中，所述仿射变换矩阵表征第二图像相对于第一图像的位置映射关系；根据所述仿射变换矩阵，对第二图像进行校正，得到第三图像；通过图像分割算法从所述第三图像中分割出指针图像，根据所述指针图像，得到指针图像中的特征直线；根据所述特征直线，得到指针读数，通过基于深度学习的算法对指针进行读数。本发明通过利用深度学习领域来解决仪表自动读数问题，即使在恶劣环境，仍能取得较准确的读数，而且读数精准。

公开(公告)号：CN115035337A

公开(公告)日：2022-09-09

申请号：CN202210652398.1

申请日：2022-06-08

Applicant: 暨南大学

Inventor： 张冰 ,  庄峻贤 ,  孔锐

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06K9/62

Abstract: 本发明公开了一种基于模型融合的交替训练方法，包括下述步骤：模型融合步骤；交替训练方法的初始化；交替训练步骤，该步骤包含多次融合卷积神经网络分类器的交替训练，每次融合卷积神经网络分类器的交替训练包括两个阶段，分别是借助辅助任务学习阶段和融合卷积神经网络整体训练阶段。本发明利用模型融合技术结合现有的动量对比的自监督学习技术的优点，融合卷积神经网络分类器在交替训练时相比现有技术算法增加了训练时的负样本的个数，有效提升了模型的泛化能力。

公开(公告)号：CN115035337B

公开(公告)日：2024-09-06

申请号：CN202210652398.1

申请日：2022-06-08

Applicant: 暨南大学

Inventor： 张冰 ,  庄峻贤 ,  孔锐

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于模型融合的交替训练方法，包括下述步骤：模型融合步骤；交替训练方法的初始化；交替训练步骤，该步骤包含多次融合卷积神经网络分类器的交替训练，每次融合卷积神经网络分类器的交替训练包括两个阶段，分别是借助辅助任务学习阶段和融合卷积神经网络整体训练阶段。本发明利用模型融合技术结合现有的动量对比的自监督学习技术的优点，融合卷积神经网络分类器在交替训练时相比现有技术算法增加了训练时的负样本的个数，有效提升了模型的泛化能力。