-
公开(公告)号：CN109215035B
公开(公告)日：2021-12-03
申请号：CN201810775957.1
申请日：2018-07-16
Applicant: 江南大学
IPC: G06T7/11
Abstract: 本发明涉及计算机视觉、机器学习领域，具体涉及一种基于深度学习的脑部MRI海马体三维分割方法，步骤如下：步骤1，对原始图像集A进行了预处理；步骤2，搭建网络模型；脑部MRI海马体三维分割网络模型包括3个一维卷积层、15个三维卷积和4个最大池化层，整个网络模型分为左侧和右侧两部分，左侧的收缩路径用于捕捉图像的内容，右侧的扩张路径用于精准定位。左侧为一个下采样过程，分五组卷积操作进行。步骤3，训练模型；将规范化的图像集E作为训练集来训练步骤2中的脑部MRI海马体三维分割网络模型，得到训练好的用于脑部MRI海马体三维分割的网络模型F。本发明在保证高分割精度的同时，运算速度快而且可扩展性强。
-
公开(公告)号：CN109460753B
公开(公告)日：2021-05-14
申请号：CN201910059153.6
申请日：2019-01-22
Applicant: 江南大学
Abstract: 本发明涉及计算机视觉、机器学习领域，具体涉及一种检测水上漂浮物的方法，步骤如下：步骤1，采集数据；步骤2，数据增强；对数据集A进行数据增强。步骤3，标记图片；将数据集B中的水上漂浮物区域用矩形框进行标记，步骤4，训练模块；将数据集B分成三部分的目的是能够选出效果最好的、泛化能力最佳的权重模型。步骤5，检测模块；利用训练好的权重模型对监控的河道或湖泊视频进行检测。本发明的有益效果是取代了传统的基于人工的检测方法，节省了人力和物力，还对河道或湖泊的污染程度进行判断。本发明随机将数据集分为训练集、测试集、验证集，通过数据增强的方法扩充了样本，防止图像样本过少导致的过拟合问题。
-
公开(公告)号：CN110377640A
公开(公告)日：2019-10-25
申请号：CN201910664122.3
申请日：2019-07-23
Applicant: 江南大学 , 无锡本希奥智能技术有限公司
IPC: G06F16/2458 , G06F16/28 , G07C13/00
Abstract: 本发明属于数字图像处理领域，涉及一种基于深度学习的投票统计方法，所述的统计方法包括以下步骤：第一步，票型设计。第二步，图像预处理：对采集的得到的选票图片进行预处理。第三步，表格检测：检测图片中表格最外侧的两条直线，检测图片中表格的四个角点；检测图片中表格内部的线段，包括垂直方向与水平方向的线段，检测结果为线段两端的坐标。第四步，根据第三步得到的表格线段信息对表格单元格进行分割。第五步，标记分类。第六步，投票统计。本发明实施简单、操作难度低，能够实时处理投票数据，大大节约计票时间，准确率高，识别率高达99.99％，结果可信度高，能够应对多种颜色的选票背景以及多种票型，算法具有普适性。
-
公开(公告)号：CN109978819A
公开(公告)日：2019-07-05
申请号：CN201910058161.9
申请日：2019-01-22
Applicant: 安徽海浪智能技术有限公司 , 江南大学
Abstract: 本发明属于图像识别和医学图像处理领域，涉及一种基于低尺度血管检测的视网膜血管分割方法。第一步：特征提取，本发明用到两个维度的特征矩阵，一个直接来自于彩色视网膜眼底图像的绿色通道。另一个是对用B‑COSFIRE滤波器处理后得到的响应结果。第二步，通过三倍标准差法去掉两个特征矩阵异常值，第三步，LVD模型的设计考虑到多尺度下的特征提取，以及每一层特征的融合，不仅能够从低尺度提取特征，而且保留了原尺度的细节特征。本发明的LVD模型融合了原尺度的细节特征，使得特征信息不丢失，分割结果更准确；子网络ADS‑N有较深的网络，并且卷积核都是非对称的，对细小的血管有很好的检测效果。
-
公开(公告)号：CN109215035A
公开(公告)日：2019-01-15
申请号：CN201810775957.1
申请日：2018-07-16
Applicant: 江南大学
IPC: G06T7/11
Abstract: 本发明涉及计算机视觉、机器学习领域，具体涉及一种基于深度学习的脑部MRI海马体三维分割方法，步骤如下：步骤1，对原始图像集A进行了预处理；步骤2，搭建网络模型；脑部MRI海马体三维分割网络模型包括3个一维卷积层、15个三维卷积和4个最大池化层，整个网络模型分为左侧和右侧两部分，左侧的收缩路径用于捕捉图像的内容，右侧的扩张路径用于精准定位。左侧为一个下采样过程，分五组卷积操作进行。步骤3，训练模型；将规范化的图像集E作为训练集来训练步骤2中的脑部MRI海马体三维分割网络模型，得到训练好的用于脑部MRI海马体三维分割的网络模型F。本发明在保证高分割精度的同时，运算速度快而且可扩展性强。
-
Patent Agency Ranking
公开(公告)号：CN109034033A
公开(公告)日：2018-12-18
申请号：CN201810787200.4
申请日：2018-07-16
Applicant: 江南大学
CPC classification number: G06K9/00664 , G06K9/6256 , G06N3/0454
Abstract: 本发明属于目标检测技术领域，具体涉及一种基于改进VGG16卷积网络的排烟视频检测方法，步骤如下：步骤1：生成烟囱排放图像数据集；步骤2，将训练集送入到改进VGG16卷积网络中进行训练，得到多个权重模型。所述的改进VGG16卷积网络的主网络结构是VGG16，最后两个全连接层改成两层卷积层，用于多尺度提取烟囱图像特征，再连接全局均值池化层，生成的矩阵用于结果输出，最后输入到损失函数中进行分类，构造完整的网络结构。本发明检测的速度得到了很大的提升，并且使用不同长宽比的default box，使得多个default box可以适应不同物体的不同形状和尺寸。
-
公开(公告)号：CN109978819B
公开(公告)日：2022-11-15
申请号：CN201910058161.9
申请日：2019-01-22
Applicant: 江南大学 , 无锡本希奥智能技术有限公司
Abstract: 本发明属于图像识别和医学图像处理领域，涉及一种基于低尺度血管检测的视网膜血管分割方法。第一步：特征提取，本发明用到两个维度的特征矩阵，一个直接来自于彩色视网膜眼底图像的绿色通道。另一个是对用B‑COSFIRE滤波器处理后得到的响应结果。第二步，通过三倍标准差法去掉两个特征矩阵异常值，第三步，LVD模型的设计考虑到多尺度下的特征提取，以及每一层特征的融合，不仅能够从低尺度提取特征，而且保留了原尺度的细节特征。本发明的LVD模型融合了原尺度的细节特征，使得特征信息不丢失，分割结果更准确；子网络ADS‑N有较深的网络，并且卷积核都是非对称的，对细小的血管有很好的检测效果。
-
公开(公告)号：CN109460753A
公开(公告)日：2019-03-12
申请号：CN201910059153.6
申请日：2019-01-22
Applicant: 江南大学
Abstract: 本发明涉及计算机视觉、机器学习领域，具体涉及一种检测水上漂浮物的方法，步骤如下：步骤1，采集数据；步骤2，数据增强；对数据集A进行数据增强。步骤3，标记图片；将数据集B中的水上漂浮物区域用矩形框进行标记，步骤4，训练模块；将数据集B分成三部分的目的是能够选出效果最好的、泛化能力最佳的权重模型。步骤5，检测模块；利用训练好的权重模型对监控的河道或湖泊视频进行检测。本发明的有益效果是取代了传统的基于人工的检测方法，节省了人力和物力，还对河道或湖泊的污染程度进行判断。本发明随机将数据集分为训练集、测试集、验证集，通过数据增强的方法扩充了样本，防止图像样本过少导致的过拟合问题。
-
公开(公告)号：CN110599502B
公开(公告)日：2023-07-11
申请号：CN201910839598.6
申请日：2019-09-06
Applicant: 江南大学
IPC: G06T7/11 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于医学图像处理领域，具体涉及一种基于深度学习的皮肤病变分割方法。第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片。第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。第四步，预测图片。本发明所提的方法它是以整张图片来进行分类分割的，所以相比起来计算量就小一些，同时考虑了细节信息。实验表明，基于注意力机制的深度学习方法的分割精度比U‑Net的分割精度更高。
-
公开(公告)号：CN114058625B
公开(公告)日：2022-07-15
申请号：CN202111415460.7
申请日：2021-11-25
Applicant: 江南大学
Abstract: 本发明公开了一种CHO细胞基因NW_003613781.1内稳定表达蛋白质的位点及其应用，本发明获得的稳定表达位点位于CHO细胞基因NW_003613781.1的第1497187碱基处上下游100bp范围内碱基，即第1497087‑1497287碱基处，可整合外源蛋白质基因并进行稳定表达。本发明通过定点整合的方式将目的基因定点整合到上述稳定表达区域，解决了随机整合所带来的整合位点不明确的问题；本发明通过CHO基因组内稳定表达位点NW_003613781.1的第1497187碱基处上下游1497087‑1497287碱基范围内定点整合外源基因克服了位置效应所带来的表达不稳定性以及反复繁琐的细胞株筛选过程。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.014 seconds)
