-
公开(公告)号：CN116468747A
公开(公告)日：2023-07-21
申请号：CN202310392119.7
申请日：2023-04-13
Applicant: 西南石油大学
IPC: G06T7/12 , G06T7/13 , G06T7/11 , G06T7/136 , G06V10/764
Abstract: 本发明所提供的一种基于改进分水岭算法的图像分割算法。对灰度化后的图像进行帽变换，增强了图像的明暗对比度。在此基础上，使用高斯滤波对图像做卷积处理，凸显出图像边缘。最后使用分水岭算法得到最终的分割图像。本发明的相较于传统的分水岭算法，具有更好的分割效果，具有广泛的应用价值。
-
公开(公告)号：CN116433629A
公开(公告)日：2023-07-14
申请号：CN202310386523.3
申请日：2023-04-12
Applicant: 西南石油大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06T1/00 , G06V10/764 , G06V10/54 , G06V10/776 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本发明提出了一种基于GA‑Unet的机场道面缺陷识别方法，该模型使用GFM模块丰富了模型的输入信息，使模型的可用特征信息增加；然后，该模型使用MRCM和CAM模块实现了网络模型中的各层级特征的有效利用，提升了模型的特征识别能力。在模型训练过程中，采用Focal损失函数使模型更加关注图像中的裂缝等难分类的小样本的特征，进一步提升模型的裂缝、灌缝和板缝的识别性能。实验结果表明，现有的深度学习图像识别技术很有希望在机场道面图像识别领域落地应用，为机场道面管理人员减少工作量以及对机场道面科学养护与管理提供了理论依据。
-
公开(公告)号：CN116029929A
公开(公告)日：2023-04-28
申请号：CN202310021230.5
申请日：2023-01-07
Applicant: 西南石油大学
IPC: G06T5/00 , G06V10/774 , G06V10/82 , G06V40/20 , G06N3/0464 , G06N3/084
Abstract: 本发明提出一种基于滑动掩膜的视频行为数据增强方法。该方法先对原有视频行为训练样本进行增强，构建新的增强样本，具体实施方法为：首先从全部数据集中随机提取出连续的视频图片并进行预处理作为训练样本；然后获取到模型训练的训练轮次信息，并计算数据增强算法的触发概率；然后根据触发概率判断是否对训练样本进行数据增强；判断为不需要增强时，直接使用训练样本对视频行为识别模型进行训练；判断为需要增强时，获取训练样本的长度、宽度、帧数信息，并据此产生对应的随机掩膜；最后将随机掩膜与训练样本进行合并得到增强样本，最后使用增强样本对视频行为识别模型进行训练。与现有技术相比，本发明具有提升效果好、效率优、简单等优点。
-
公开(公告)号：CN115953387A
公开(公告)日：2023-04-11
申请号：CN202310093032.X
申请日：2023-02-10
Applicant: 西南石油大学
IPC: G06T7/00 , G06T7/194 , G06V10/20 , G06V10/764 , G06V10/82 , G06V10/774 , G06V10/40 , G06V10/25 , G06N3/08
Abstract: 本发明所提供的一种基于深度学习的射线图像焊缝缺陷检测方法，利用Faster RCNN网络对射线图像进行目标检测，在传统Faster RCNN的基础上，本发明增加背景减去网络层，得到五个模块的Faster RCNN网络结构，该背景减去网络层具有带更新的参数，能随着网络训练不断优化降低背景的效果，突出缺陷特点，同时，利用三支路区域推荐网络层代替传统区域推荐网络，它具有的两个回归分支使预测缺陷位置信息的任务得到细分，一个分支负责预测缺陷的中心点横坐标和宽，一个分支负责预测缺陷的中心点纵坐标和高，增强缺陷位置预测的准确度。
-
公开(公告)号：CN116167947B
公开(公告)日：2025-05-06
申请号：CN202310388957.7
申请日：2023-04-13
Applicant: 西南石油大学
IPC: G06T5/70 , G06V10/774 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于噪声水平估计的图像降噪的方法，以特征降维与卷积神经网络为基础，本发明的噪声水平估计模块具有估计准确和计算效率高的优点，在先行估计出噪声水平后再进行降噪，克服了常用的FFDNet等模型严重依赖先验参数的问题，并且将FFDNet模型的连续卷积部分替换为了密集连接块，大大提升了模型的特征提取能力。本发明可快速高效地完成图像降噪，具有广泛的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN116433628A
公开(公告)日：2023-07-14
申请号：CN202310386384.4
申请日：2023-04-12
Applicant: 西南石油大学
IPC: G06T7/00 , G06V10/82 , G06V10/774 , G06T1/00 , G06V10/764 , G06V10/54 , G06V10/776 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本专利提出了一种基于改进Unet模型的机场道面缺陷识别方法，利用改进的残差模块以及通道注意力机制来提升道面表观特征的识别能力。在训练过程中，相较于传统的交叉熵损失，焦点损失更加关注道面特征处的误差，进而提升裂缝、灌缝和板缝的识别能力。实验结果表明，深度学习模型很有希望落地应用，为机场道面检测人员减少工作量以及对机场道面养护与管理提供了理论依据。
-
公开(公告)号：CN116228682A
公开(公告)日：2023-06-06
申请号：CN202310068601.5
申请日：2023-02-06
Applicant: 西南石油大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明所提供的一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法，由基础卷积网络层和多个分类分支组成，与传统卷积神经网络相比，本发明利用多个分类分支进行缺陷识别，并且分类分支通过分类分支生成器自适应地产生，首先，基础卷积网络层对缺陷初步分类后，得到每个缺陷种类下的错误率，然后按照错误率从高到低的顺序合并缺陷种类，接着根据合并的缺陷种类的数量生成分类分支，最后利用分类分支对合并缺陷做进一步分类，模型利用基础卷积网络层和分类分支对图像中缺陷种类进行两次分类，能有效提高模型的准确率。
-
公开(公告)号：CN115984749A
公开(公告)日：2023-04-18
申请号：CN202310021229.2
申请日：2023-01-07
Applicant: 西南石油大学
IPC: G06V20/40 , G06V10/774 , G06V40/20 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于松弛化散度函数知识蒸馏的视频异常行为识别方法，该方法使得教师网络和学生网络的输出可以更加松弛的匹配，以提高知识的蒸馏效果。具体实施方法为：首先从全部数据集中随机提取出连续的视频图片并进行预处理作为训练样本；然后送入本发明提出的教师网络中进行训练，得到网络的最优参数；然后利用教师网络的最优参数来蒸馏训练学生网络；由于教师网络和学生网络存在较大的容量差异，我们使用本发明提出的松弛化散度函数对两个网络的输出置信度进行匹配；然最后使用软损失和硬损失作为联合损失函数，对学生网络的误差进行反向传播，进而优化学生网络的参数，以达到最优。
-
公开(公告)号：CN116416432A
公开(公告)日：2023-07-11
申请号：CN202310392019.4
申请日：2023-04-12
Applicant: 西南石油大学
Inventor： 罗仁泽 , 李华督 , 唐祥 , 王磊 , 雷璨如 , 陈翔 , 吴涛 , 刘恒 , 林泓宇 , 罗任权 , 邓治林 , 余泓 , 谭亮 , 武娟 , 曹瑞 , 赵丹 , 王清松 , 易玺 , 廖波
IPC: G06V10/26 , G06V10/82 , G06V10/776 , G06T7/194 , G06T7/00 , G06N3/0455 , G06N3/0464
Abstract: 本发明提出一种基于改进UNet的管道焊缝图像分割方法。该方法首先先对采集到的管道焊缝图像数据进行预处理并建立数据集，然后构建改进UNet网络管道焊缝图像分割模型，具体实施方法为：首先利用密集连接块结合并行注意力机制构建网络下采样模块，提升模型特征提取能力，再利用深度可分离卷积代替普通卷积，减少了模型计算量与计算量，最后使用加权Dice和交叉熵函数结合的新损失函数，缓和管道焊缝图像中焊缝区域与非焊缝区域占比不均衡的情况；最后利用数据训练集对模型进行参数训练，并将测试集图像输入训练好的网络模型，得到分割后的图像；本发明的分割模型对管道焊缝图像的目标分割精度高，分割效果好。
-
公开(公告)号：CN116309362A
公开(公告)日：2023-06-23
申请号：CN202310138371.5
申请日：2023-02-20
Applicant: 西南石油大学
IPC: G06T7/00 , G06N3/094 , G06N3/0464
Abstract: 本发明公开了一种基于改进辅助分类生成对抗网络的骨显像生成方法，针对现有骨显像数据集数量稀缺、类别不均衡的问题。以密集残差注意力卷积块为基本卷积单位，提出了一种改进的辅助分类生成对抗网络的骨显像生成方法；该方法以U‑Net为生成器框架，同时结合密集残差连接卷积块和双输入门控注意力结构来提升骨显像细节特征生成，判别器通过密集残差连接卷积块提取骨显像特征进行判别；此外，为防止模型出现模式崩溃和梯度消失的情况，在训练损失函数中引入了梯度惩罚，提升模型训练的稳定性。本发明公开的基于改进辅助分类生成对抗网络的骨显像生成方法，有效地提升了生成骨显像的图像质量，能够为后续的骨显像识别任务提供更多的骨显像训练数据。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.021 seconds)
