-
公开(公告)号：CN113362226A
公开(公告)日：2021-09-07
申请号：CN202110668604.3
申请日：2021-06-16
Applicant: 桂林理工大学
Abstract: 本发明提供了一种基于深度学习的图像超分辨率重建方法。具体步骤为：(1)图像的超分辨率重构。利用卷积神经网络(CNN)，从大量的训练数据中学习，得到低清晰度图片与高清晰度图片中的映射关系模型，使用映射关系模型，对测试集中图像进行基于CNN的超分辨率重构处理。(2)完成步骤(1)后，得到重构后的图像，再使用其作为低清晰度图像，采用Keras深度学习框架来定义生成器网络和判别器网络并且以VGG19预训练模型进行特征提取来构建SRGAN模型，最后对测试集中图像进行基于SRGAN的超分辨率重构处理。(3)完成步骤(2)即可实现基于深度学习的图像超分辨率重建。本发明方法使用方便、响应速度快、测量精度高、结构简单，并提高了现场检测速度。
-
公开(公告)号：CN114820302A
公开(公告)日：2022-07-29
申请号：CN202210288078.2
申请日：2022-03-22
Applicant: 桂林理工大学
Abstract: 本专利发明公开了一种基于残差稠密卷积神经网络和边缘增强的改进图像超分辨率重建方法，在算法模型中，首先将图片分为色度通道和亮度通道。对于色度通道，使用双三次插值法放大图片后，使用引导滤波来使边缘锐化，增强边缘特征。为了增强模型深度，更好的提升模型的表现能力，对于色度通道，使用提出的残差稠密卷积神经网络，它堆叠了两个残差稠密块，用来更好的提取色度通道的边缘特征和细节信息。此方法可以有效地维持了高频细节，并提供了比其他方法更好的结果。在不同的图像数据集上评估了这本专利提出算法的性能，并与其他方法进行了比较，得出的实验结果也证明了提出的方法更优。
-
公开(公告)号：CN114820302B
公开(公告)日：2024-05-24
申请号：CN202210288078.2
申请日：2022-03-22
Applicant: 桂林理工大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/08
Abstract: 本专利发明公开了一种基于残差稠密卷积神经网络和边缘增强的改进图像超分辨率重建方法，在算法模型中，首先将图片分为色度通道和亮度通道。对于色度通道，使用双三次插值法放大图片后，使用引导滤波来使边缘锐化，增强边缘特征。为了增强模型深度，更好的提升模型的表现能力，对于色度通道，使用提出的残差稠密卷积神经网络，它堆叠了两个残差稠密块，用来更好的提取色度通道的边缘特征和细节信息。此方法可以有效地维持了高频细节，并提供了比其他方法更好的结果。在不同的图像数据集上评估了这本专利提出算法的性能，并与其他方法进行了比较，得出的实验结果也证明了提出的方法更优。
-
公开(公告)号：CN111311572A
公开(公告)日：2020-06-19
申请号：CN202010090958.X
申请日：2020-02-13
Applicant: 桂林理工大学
Abstract: 本发明公开了一种管道检测方法，包括以下步骤：S1)提供一管道缺陷特征分类数据模型，该管道缺陷特征分类数据模型包括与多种管道缺陷类型一一对应的多组管道特征属性向量M；S2)采集管道图像，并提取目标区域的缺陷特征向量N；S3)将该缺陷特征向量N分别与该多组管道特征属性向量M进行卷积，最大卷积值对应的管道缺陷类型即为该目标区域的管道缺陷类型。本发明通过管道缺陷特征分类数据模型对多个管道样本图像的缺陷特征与管道缺陷类型划分关系进行学习训练，能够快速识别管道目标区域的缺陷类型，提升管道爬行机器人的缺陷检测效率和精确度。
-
-
-
Search Results
4
records
(took 0.017 seconds)
