公开(公告)号：CN116245927A

公开(公告)日：2023-06-09

申请号：CN202310116947.8

申请日：2023-02-09

Applicant: 湖北工业大学

Inventor： 熊炜 ,  陈奕博 ,  田紫欣 ,  李婕 ,  李利荣 ,  宋海娜 ,  邹勤 ,  王松

IPC: G06T7/55 ,  G06T7/73 ,  G06N3/0464

Abstract: 本发明公开了一种基于ConvDepth的自监督单目深度估计方法及系统，本发明基于无结构单目视频的自监督单目深度估计，目标图像It经过depth网络生成视差图Dt(或深度图其中为Dt的倒数)；连续两帧图像(Is,It)的堆叠采用Pose网络预测6D旋转和平移矩阵Tt→s；然后将目标图像反向warping，生成重建图像本发明基于运动结构恢复算法，极大程度的减少了训练网络的成本，具有极大的扩展性。本发明所提出的Depth网络结构，能够生成更加准确、细节更加丰富的深度图。本发明提出了鲁棒性自蒸馏损失，它更加准确的监督Depth网络的训练。本发明不仅将ConvNeXt骨干引入到自监督深度估计任务中，打破了现有技术中ResNet的“垄断”，而且设计了多层级细节增强模块和视差头，极大程度的激发了ConvNeXt骨干的潜力。

公开(公告)号：CN115601542A

公开(公告)日：2023-01-13

申请号：CN202211229781.2

申请日：2022-10-08

Applicant: 湖北工业大学(CN)

Inventor： 熊炜 ,  田紫欣 ,  陈奕博 ,  强观臣 ,  郑大定 ,  汪锋 ,  邹勤 ,  王松 ,  李利荣 ,  宋海娜 ,  李婕 ,  涂静敏

IPC: G06V10/26 ,  G06N3/04 ,  G06N3/08 ,  G06V10/82

Abstract: 本发明公开了一种基于全尺度密集连接的图像语义分割方法、系统及设备，首先对待分割图像进行预处理，将其切割或填充为预设大小；然后使用图像语义分割网络实现对待分割图像的语义分割；本发明的图像语义分割网络(UNet4+)通过全尺度和密集的跳跃连接，编码器中的每个节点从不同尺度的编码器接收中间聚合特征图，而解码器中的每个节点不仅从不同尺度的编码器和解码器接收中间聚合特征图，而且还从相同尺度的编码器接收中间聚合特征图。因此，解码器中的聚合层可以学习使用节点上的所有收集的特征图。本发明的UNet4+缓解了梯度消失的问题，这也使得网络中的信息流最大化；同时加强了网络中的特征传播；具备更紧凑的模型和极端的特征重用性。

公开(公告)号：CN115578339A

公开(公告)日：2023-01-06

申请号：CN202211208711.9

申请日：2022-09-30

Applicant: 湖北工业大学

Inventor： 熊炜 ,  田紫欣 ,  陈奕博 ,  强观臣 ,  郑大定 ,  汪锋 ,  邹勤 ,  王松 ,  李利荣 ,  宋海娜 ,  李婕 ,  涂静敏

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种工业产品表面缺陷检测与定位方法、系统及设备，首先预处理待检测产品的原始外观图像为预设大小；然后使用语义分割网络实现对产品表面缺陷进行像素级定位；最后将原始外观图像以及语义分割网络的输出作为分类决策网络的输入，进行产品表面缺陷检测与定位；本发明通过利用一种基于两阶段架构的深度卷积网络的有效方法来解决数据样本需求问题，新的语义分割网络和分类决策网络的提出，适合从少量缺陷样本中学习，但仍然可以得到最优性能。

公开(公告)号：CN116245927B

公开(公告)日：2024-01-16

申请号：CN202310116947.8

申请日：2023-02-09

Applicant: 湖北工业大学

Inventor： 熊炜 ,  陈奕博 ,  田紫欣 ,  李婕 ,  李利荣 ,  宋海娜 ,  邹勤 ,  王松

IPC: G06T7/55 ,  G06T7/73 ,  G06N3/0464

Abstract: 失，它更加准确的监督Depth网络的训练。本发明本发明公开了一种基于ConvDepth的自监督 不仅将ConvNeXt骨干引入到自监督深度估计任单目深度估计方法及系统，本发明基于无结构单 务中，打破了现有技术中ResNet的“垄断”，而且目视频的自监督单目深度估计，目标图像It经过 设计了多层级细节增强模块和视差头，极大程度depth网络生成视差图Dt(或深度图 其中 的激发了ConvNeXt骨干的潜力。为Dt的倒数)；连续两帧图像(Is,It)的堆叠采用Pose网络预测6D旋转和平移矩阵Tt→s；然后将目标图像反向warping，生成重建图像 本发明基于运动结构恢复算法，极大程度的减少了训练(56)对比文件Varun Ravi Kumar 等.UnRectDepthNet:Self-Supervised Monocular DepthEstimation using a Generic Framework forHandling Common Camera Distortion Models.《2020 IEEE/RSJ International Conferenceon Intelligent Robots and Systems(IROS)》.2020,全文.Madhu Babu V 等.UnDEMoN: UnsupervisedDeep Network for Depth and Ego-MotionEstimation《.018 IEEE/RSJ InternationalConference on Intelligent Robots andSystems (IROS)》.2018,全文.熊炜 等.基于深度学习特征点法的单目视觉里程计《.计算机工程与科学》.2020,全文.

公开(公告)号：CN115601542B

公开(公告)日：2023-07-21

申请号：CN202211229781.2

申请日：2022-10-08

Applicant: 湖北工业大学

Inventor： 熊炜 ,  田紫欣 ,  陈奕博 ,  强观臣 ,  郑大定 ,  汪锋 ,  邹勤 ,  王松 ,  李利荣 ,  宋海娜 ,  李婕 ,  涂静敏

IPC: G06V10/26 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/82

Abstract: 本发明公开了一种基于全尺度密集连接的图像语义分割方法、系统及设备，首先对待分割图像进行预处理，将其切割或填充为预设大小；然后使用图像语义分割网络实现对待分割图像的语义分割；本发明的图像语义分割网络(UNet4+)通过全尺度和密集的跳跃连接，编码器中的每个节点从不同尺度的编码器接收中间聚合特征图，而解码器中的每个节点不仅从不同尺度的编码器和解码器接收中间聚合特征图，而且还从相同尺度的编码器接收中间聚合特征图。因此，解码器中的聚合层可以学习使用节点上的所有收集的特征图。本发明的UNet4+缓解了梯度消失的问题，这也使得网络中的信息流最大化；同时加强了网络中的特征传播；具备更紧凑的模型和极端的特征重用性。