-
公开(公告)号：CN107274393B
公开(公告)日：2018-03-23
申请号：CN201710438495.X
申请日：2017-06-12
Applicant: 郑州轻工业学院
Abstract: 本发明提出了一种基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法，其步骤如下：首先，采用图像缩放和中值滤波对单晶硅太阳能电池片表面图像进行预处理；其次，提出一种栅线检测方法，用于删除单晶硅太阳能电池片表面图像中的主栅线和副栅线；随后，提出一种超像素分割和自适应阈值处理相结合的方法，用于在无栅线图像中检测缺陷区域，得到初始的检测结果图；最后，通过图像缩放对初始检测结果图进行后处理，得到最终的检测结果图。本发明不仅对单晶硅太阳能电池片表面图像的采集质量要求相对较低，而且在保持较高检测准确率的同时具有较快的检测速度，对提高单晶硅太阳能电池片的质检效率和出厂合格率具有重要意义。
-
公开(公告)号：CN106447667A
公开(公告)日：2017-02-22
申请号：CN201610926623.0
申请日：2016-10-31
Applicant: 郑州轻工业学院
CPC classification number: G06T7/0002 , G06K9/4676 , G06K9/6256 , G06T2207/20081
Abstract: 本发明提出了一种基于自学习特征和矩阵低秩复原的视觉显著性检测方法，其步骤如下：根据输入图像的原始数据自适应的学习出一组特征提取模板，利用这组特征提取模板对输入图像进行卷积，得出输入图像的特征矩阵；对特征矩阵进行低秩复原，分解出一个低秩矩阵和一个稀疏矩阵，其中稀疏矩阵代表输入图像的显著区域；通过求解稀疏矩阵每列的1范数得到显著值，经过高斯模糊等后处理得到输入图像的视觉显著性检测结果。本发明运算量小、检测效率高，显著提高了视觉显著性检测的准确率，可以对各类图像进行视觉显著性检测，其结果在图像分类、图像压缩、目标识别等方面具有重要意义。
-
公开(公告)号：CN107274393A
公开(公告)日：2017-10-20
申请号：CN201710438495.X
申请日：2017-06-12
Applicant: 郑州轻工业学院
CPC classification number: G06T7/0008 , G06T3/40 , G06T7/136
Abstract: 本发明提出了一种基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法，其步骤如下：首先，采用图像缩放和中值滤波对单晶硅太阳能电池片表面图像进行预处理；其次，提出一种栅线检测方法，用于删除单晶硅太阳能电池片表面图像中的主栅线和副栅线；随后，提出一种超像素分割和自适应阈值处理相结合的方法，用于在无栅线图像中检测缺陷区域，得到初始的检测结果图；最后，通过图像缩放对初始检测结果图进行后处理，得到最终的检测结果图。本发明不仅对单晶硅太阳能电池片表面图像的采集质量要求相对较低，而且在保持较高检测准确率的同时具有较快的检测速度，对提高单晶硅太阳能电池片的质检效率和出厂合格率具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN106529549A
公开(公告)日：2017-03-22
申请号：CN201610927514.0
申请日：2016-10-31
Applicant: 郑州轻工业学院
Inventor： 钱晓亮 , 李清波 , 耿盛涛 , 曾黎 , 刁智华 , 毋媛媛 , 张鹤庆 , 吴青娥 , 贺振东 , 陈虎 , 过金超 , 张焕龙 , 刘玉翠 , 王延峰 , 杨存祥 , 张秋闻
IPC: G06K9/46
CPC classification number: G06K9/4671
Abstract: 本发明提出了一种基于自适应特征和离散余弦变换的视觉显著性检测方法，步骤如下：根据输入图像的原始数据学习出滤波器模板，滤波器模板对图像进行滤波得到特征矩阵，再对图像的子特征进行自适应处理，将每个子特征的重要性进行量化，得到自适应特征矩阵；对自适应特征矩阵进行离散余弦变换，求其符号信息后进行离散余弦反变换，得到初始的视觉显著性图像；对初始的视觉显著性图像进行亮度值平方和高斯模糊，得到最终的视觉显著性检测结果。本发明对输入图像先缩放再计算，运算量小、检测效率高，同时又具有很高的检测正确率，得到的显著区域对计算机视觉领域的常见任务，如：场景理解、物体识别，目标跟踪等都具有重要意义。
-
公开(公告)号：CN110689086A
公开(公告)日：2020-01-14
申请号：CN201910948951.4
申请日：2019-10-08
Applicant: 郑州轻工业学院
Abstract: 本发明提出了一种基于生成式对抗网络的半监督高分遥感图像场景分类方法，构建EMGAN模型：将生成式对抗网络的判别器由二分类变为多分类获得EMGAN判别器，在生成式对抗网络的生成器中添加一个信息熵最大化网络获得EMGAN生成器；训练EMGAN模型：根据训练图像有无标签，将EMGAN判别器的损失函数分为监督部分和无监督部分；将EMGAN生成器的损失函数分成特征匹配损失函数和生成图像信息熵损失函数；EMGAN判别器和EMGAN生成器双方交替训练；微调VGGNet-16模型；训练SVM模型；融合EMGAN模型和VGGNet-16模型的特征并进行场景分类，得到分类结果。本发明在训练样本较少的情况下，能够有效提升遥感图像场景分类的精度。
-
公开(公告)号：CN106447667B
公开(公告)日：2017-09-08
申请号：CN201610926623.0
申请日：2016-10-31
Applicant: 郑州轻工业学院
Abstract: 本发明提出了一种基于自学习特征和矩阵低秩复原的视觉显著性检测方法，其步骤如下：根据输入图像的原始数据自适应的学习出一组特征提取模板，利用这组特征提取模板对输入图像进行卷积，得出输入图像的特征矩阵；对特征矩阵进行低秩复原，分解出一个低秩矩阵和一个稀疏矩阵，其中稀疏矩阵代表输入图像的显著区域；通过求解稀疏矩阵每列的1范数得到显著值，经过高斯模糊等后处理得到输入图像的视觉显著性检测结果。本发明运算量小、检测效率高，显著提高了视觉显著性检测的准确率，可以对各类图像进行视觉显著性检测，其结果在图像分类、图像压缩、目标识别等方面具有重要意义。
-
公开(公告)号：CN110689086B
公开(公告)日：2020-09-25
申请号：CN201910948951.4
申请日：2019-10-08
Applicant: 郑州轻工业学院
Abstract: 本发明提出了一种基于生成式对抗网络的半监督高分遥感图像场景分类方法，构建EMGAN模型：将生成式对抗网络的判别器由二分类变为多分类获得EMGAN判别器，在生成式对抗网络的生成器中添加一个信息熵最大化网络获得EMGAN生成器；训练EMGAN模型：根据训练图像有无标签，将EMGAN判别器的损失函数分为监督部分和无监督部分；将EMGAN生成器的损失函数分成特征匹配损失函数和生成图像信息熵损失函数；EMGAN判别器和EMGAN生成器双方交替训练；微调VGGNet‑16模型；训练SVM模型；融合EMGAN模型和VGGNet‑16模型的特征并进行场景分类，得到分类结果。本发明在训练样本较少的情况下，能够有效提升遥感图像场景分类的精度。
-
公开(公告)号：CN106529549B
公开(公告)日：2018-05-11
申请号：CN201610927514.0
申请日：2016-10-31
Applicant: 郑州轻工业学院
Inventor： 钱晓亮 , 耿盛涛 , 李祖贺 , 曾黎 , 王延峰 , 杨存祥 , 张鹤庆 , 刁智华 , 毋媛媛 , 吴青娥 , 贺振东 , 陈虎 , 过金超 , 张焕龙 , 刘玉翠 , 张秋闻 , 李清波
IPC: G06K9/46
Abstract: 本发明提出了一种基于自适应特征和离散余弦变换的视觉显著性检测方法，步骤如下：根据输入图像的原始数据学习出滤波器模板，滤波器模板对图像进行滤波得到特征矩阵，再对图像的子特征进行自适应处理，将每个子特征的重要性进行量化，得到自适应特征矩阵；对自适应特征矩阵进行离散余弦变换，求其符号信息后进行离散余弦反变换，得到初始的视觉显著性图像；对初始的视觉显著性图像进行亮度值平方和高斯模糊，得到最终的视觉显著性检测结果。本发明对输入图像先缩放再计算，运算量小、检测效率高，同时又具有很高的检测正确率，得到的显著区域对计算机视觉领域的常见任务，如：场景理解、物体识别，目标跟踪等都具有重要意义。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
