-
公开(公告)号：CN112084878B
公开(公告)日：2024-02-20
申请号：CN202010815977.4
申请日：2020-08-14
Applicant: 浙江工业大学
IPC: G06V40/20 , G06V10/40 , G06V10/82 , G06N3/0464
Abstract: 一种用于判别作业人员姿态规范程度的方法，首先，构建人体姿态特征提取网络并设计网络参数，用于提取人体姿态特征图；其次，将所得人体姿态特征图输入到并行网络结构中，得到人体骨骼关键点，并将人体骨骼关键点进行连接使其成为人体主要躯干；然后，利用反余弦函数，根据关键点坐标求得主要相邻躯干间的夹角；最后，将求得的主要相邻躯干间的夹角与预先设定的夹角阈值进行比较，从而判断其夹角是否在规定阈值范围内，进而判别作业人员姿态是否规范。本发明针对作业人员在制造过程中的操作规范性、作业疲劳度、罹患职业性疾病等问题提供了一种用于判别作业人员姿态规范程度的方法。
-
公开(公告)号：CN111986080B
公开(公告)日：2024-01-16
申请号：CN202010690178.9
申请日：2020-07-17
Applicant: 浙江工业大学
IPC: G06T3/4084 , G06N3/0464 , G06T3/60 , G06T7/62 , G06T7/73 , G06V20/52 , G06V10/25
Abstract: 一种基于改进faster R‑CNN的物流车辆特征定位的方法，包括：步骤一，物流车辆图像增强处理；引入数据增强的手段对物流车辆图像进行处理；步骤二，构建基础网络模型；采用VGGNet‑16基本网络作为特征提取网络；同时为了实现对物流车辆的定位，在VGGNet‑16的第五个卷积层第三个卷积分层中的特征提取模块后加入了一个RPN网络的目标检测定位模型；步骤三，使用非极大值抑制算法对物流车辆目标的筛选；步骤四，对物流车辆目标特征进行统一归一化；将得到的固定维度数据的特征图传入到基本网络模型的第七阶段即可求得精确的物流车辆定位边界框及其对应车型的概率。本发明在不同环境、场景下对物流车辆的特征定位性能良好。
-
公开(公告)号：CN111209861B
公开(公告)日：2022-03-18
申请号：CN202010011805.1
申请日：2020-01-06
Applicant: 浙江工业大学
Abstract: 一种基于深度学习的动态手势动作识别方法，包括：步骤一，构建手势关节点坐标识别网络，利用改进的CPM模型对手势视频进行处理，输出单视点下的手势关节点坐标；步骤二，采集单视点视频数据；以单视点的形式对手势视频样本进行采集，即用一个普通的网络摄像头从多个角度捕捉用户的手势数据，其中包括：(2.1)定义基本手势元素；(2.2)选取手势关节点；(3)准备训练样本数据集；步骤三，输出手势高斯热图和手势关节点坐标；步骤四，构造手势序列识别网络，网络模型构造的具体流程如下：(4.1)定义激活函数；(4.2)选择损失函数；(4.3)建立模型；最后，将步骤三得到的关节点坐标输入标准手势序列识别网络，得到手势动作序列。
-
公开(公告)号：CN109800778B
公开(公告)日：2020-10-09
申请号：CN201811463226.X
申请日：2018-12-03
Applicant: 浙江工业大学
IPC: G06K9/62
Abstract: 一种基于难分样本挖掘的Faster RCNN目标检测方法，包括：步骤1，基于深度学习的图像目标检测：步骤2，基于在线样本挖掘方法，采用的关键参数调整设置为：步骤3，负难分样本挖掘是在难分样本基础上通过调整训练中RPN形成的mini‑batch正负样本比例为1:3，进行训练；步骤4，剔除冗余框，避免损失的多重计算。采用的是改进后的非极大值抑制算法将RPN层网络生成的建议框合理的去除冗余。本发明在不扩充样本的情况下，放宽负样本的定义，通过样本本身在线挖掘出更多的难训练样本；设置了正负样本比例，合理而简便地计算损失最大、难训练的、罕见的样本；对分类、边框回归的损失进行了平衡化处理，能够满足训练损失的持续降低。
-
公开(公告)号：CN111695475A
公开(公告)日：2020-09-22
申请号：CN202010497497.8
申请日：2020-06-03
Applicant: 浙江工业大学
Abstract: 一种基于NMI智能控制家用电器的方法，包括：步骤一，构建包含各种手势的NMI特征值的数据库，将用于控制家用电器开/关机，调节空调温度/电灯亮度/电视机音量的手势图像的NMI特征值录入数据库；步骤二，搭建手势采集系统，用摄像头对用户做出的手势进行采集；步骤三，建立手势识别系统，利用NMI对预处理后的手势图像进行特征提取，通过对比待识别手势图像的NMI特征值与数据库中各种手势的NMI特征值，完成对用户所做手势的识别，获得手势信息；步骤四，将得到的手势信息输入控制系统，且该控制系统预先录入有与各种手势信息对应的控制命令，紧接着将控制命令施加于家用电器，使之做出相应的运行变化。利用一种手势可以控制多种家用电器，简单、易记忆。
-
Patent Agency Ranking
公开(公告)号：CN109767449A
公开(公告)日：2019-05-17
申请号：CN201811465759.1
申请日：2018-12-03
Applicant: 浙江工业大学
IPC: G06T7/13
Abstract: 一种基于强边缘检测的图像清晰度评价函数方法，包括如下步骤：步骤一，设定边缘检测算子，即八方向Sobel算子；步骤二，判定图像清晰度评价函数的设定：这里采用的是强边缘像素的强度均值，采用的八方向模板是步骤一所示转换后的模板。本发明的优点是：采用的八方向模板考虑了不同方向的灰度差，增强了边缘提取的效果；考虑当前点的正方向与周围点的空间位置关系，应赋予差别不能太大的权值，避免了噪声的引入；边缘强度大小即图像中每个像素点的梯度值的计算公式采用范式1的计算方法，大大节省了平方再开方运算所需的时间，还利于提取图像边缘点。
-
公开(公告)号：CN112069906B
公开(公告)日：2024-02-20
申请号：CN202010795417.7
申请日：2020-08-10
Applicant: 浙江工业大学
IPC: G06V20/58 , G06V20/40 , G06V10/56 , G06V10/74 , G06V10/764 , G06T5/70 , G06T5/20 , G06T7/66 , G06T7/90
Abstract: 一种基于OpenCV和综合匹配距离的红绿灯识别方法，利用OpenCV中的cv2.VideoCapture类函数捕获行车过程中的路况视频流，接着调用cv2.VideoCapture.read函数、cv2.CAP_PROP_FRAME_WIDTH函数和cv2.CAP_PROP_FRAME_HEIGHT函数捕获width、height尺寸的视频帧；然后利用OpenCV中的cv2.medianBlur函数对捕获的视频帧进行中值滤波；紧接着对中值滤波后的图像进行加权平均灰度化，然后利用OpenCV中的cv2.HoughCircles函数对图像进行霍夫圆环检测。再然后对检测、分割到的圆环进行颜色检测，即把图像从RGB色彩空间转换到HSV色彩空间，接着利用cv2.inRange函数筛选颜色，然后通过综合待测试图像与数据库图像非零像素点向量之间的欧氏距离以及非零像素点数比值，构建衡量两幅图像相似度的综合匹配距离，最后通过比较计算出的所有综合匹配距离，选择最小综合匹配距离对应的待测试图像的类别为识别结果。
-
公开(公告)号：CN111695475B
公开(公告)日：2023-06-27
申请号：CN202010497497.8
申请日：2020-06-03
Applicant: 浙江工业大学
Abstract: 一种基于NMI智能控制家用电器的方法，包括：步骤一，构建包含各种手势的NMI特征值的数据库，将用于控制家用电器开/关机，调节空调温度/电灯亮度/电视机音量的手势图像的NMI特征值录入数据库；步骤二，搭建手势采集系统，用摄像头对用户做出的手势进行采集；步骤三，建立手势识别系统，利用NMI对预处理后的手势图像进行特征提取，通过对比待识别手势图像的NMI特征值与数据库中各种手势的NMI特征值，完成对用户所做手势的识别，获得手势信息；步骤四，将得到的手势信息输入控制系统，且该控制系统预先录入有与各种手势信息对应的控制命令，紧接着将控制命令施加于家用电器，使之做出相应的运行变化。利用一种手势可以控制多种家用电器，简单、易记忆。
-
公开(公告)号：CN111986252A
公开(公告)日：2020-11-24
申请号：CN202010685863.2
申请日：2020-07-16
Applicant: 浙江工业大学
Abstract: 一种用于目标分割网络中候选边界框精准定位的方法，包括：步骤一，构建轻量级的卷积神经网络模型，并设计网络参数；步骤二，求解网络模型中IoU layer的交并比IoU；步骤三，求解网络模型中候选边界框的置信度得分；步骤四，根据交并比和置信度得分的设定去除候选边界框冗余，最终使得输出的候选边界框其置信度得分最高，且最接近真实标定框。本发明能够在目标漏检和错误检测之间找到一个平衡之处，并且使得候选边界框更接近真实标定框，同时本发明所设计的网络结构和置信度求解方法具有一定的泛化能力，可以应用在较为复杂的场景中。
-
公开(公告)号：CN111191627A
公开(公告)日：2020-05-22
申请号：CN202010008782.9
申请日：2020-01-06
Applicant: 浙江工业大学
Abstract: 一种提高动态手势动作识别准确率的方法，包括：步骤一，构建手势关节点坐标识别网络，利用改进的CPM模型对手势视频进行处理，输出双视点下的手势关节点坐标；步骤二，采集双视点视频数据，包括(2.1)定义基本手势元素，(2.2)选取手势关节点，(2.3)准备训练样本数据集；步骤三，对基本手势元素视频样本进行卡尔曼滤波处理；步骤四，输出手势高斯热图和手势关节点坐标；步骤五，构造手势序列识别网络，网络模型构造的具体流程如下：(5.1)定义激活函数，(5.2)选择损失函数，(5.3)建立模型；最后，将步骤四得到的关节点坐标输入标准手势序列识别网络，就可以得到手势动作序列。本发明能够提高对连续动作的识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.021 seconds)
