-
公开(公告)号：CN114092467B
公开(公告)日：2025-02-07
申请号：CN202111453822.1
申请日：2021-12-01
Applicant: 重庆大学 , 重庆守愚科技有限公司
Abstract: 本发明提出了一种基于轻量化卷积神经网络的划痕检测方法及系统。该方法为：采集样本，对样本进行预处理；搭建轻量化网络模型，所述轻量化网络包括由2至4个用于划痕特征识别的stage组成的骨干网络，每个stage的输出分别输入与每个stage一一对应的预测模块进行置信度初步预测，每个预测模块的输出连接一对初步预测的置信度进行融合的融合层；利用预处理后的样本于该轻量化网络模型中进行划痕检测。本方法去掉了VGG网络的最后一个阶段，减少了网络的参数量，提高了检测速度。
-
Patent Agency Ranking
公开(公告)号：CN113012041B
公开(公告)日：2023-12-12
申请号：CN202110367868.5
申请日：2021-04-06
Applicant: 重庆大学 , 中国人民解放军陆军军医大学第一附属医院
Abstract: 本发明公开了一种CT/MRI模拟超声的新方法、系统,包括：S1，获取CT/MRI图像，对CT/MRI图像进行器官分割和切面处理；S2，使用预设模版对切面图像进行标记，具体包括：将模版之外的区域标记第一区域，模版之内非器官区域标记第二区域，模版内不同器官区域采用不同区域标记，器官的标记与第一区域和第二区域的标记均不同；S3，将CT/MRI标签图输入基于生成对抗网络的转换模型，转换模型生成与CT/MRI图像对应的模拟超声图像。转换模型学习超声图像风格区域，将CT/MRI标签图转换为对应的超声图像，达到生成与CT/MRI图像对应的且符合真实的超声图像的风格的超声图像的目的。
-
公开(公告)号：CN115205237A
公开(公告)日：2022-10-18
申请号：CN202210771641.1
申请日：2022-06-30
Applicant: 重庆大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种解决单一语义多样性映射的工业划痕生成对抗网络系统，网络包括生成器，用于将可学习常量与语义图拼接后构成的输入数据，然后输出伪造的划痕图像；多尺度鉴别器，用于对图像进行真假判断，其中在第二层下采样和第三层下采样分别引入特征金字塔模块。采用本发明系统可生成具有丰富纹理细节、图像光照过度自然、清晰度高的划痕图像。
-
公开(公告)号：CN114092467A
公开(公告)日：2022-02-25
申请号：CN202111453822.1
申请日：2021-12-01
Applicant: 重庆大学 , 重庆守愚科技有限公司
Abstract: 本发明提出了一种基于轻量化卷积神经网络的划痕检测方法及系统。该方法为：采集样本，对样本进行预处理；搭建轻量化网络模型，所述轻量化网络包括由2至4个用于划痕特征识别的stage组成的骨干网络，每个stage的输出分别输入与每个stage一一对应的预测模块进行置信度初步预测，每个预测模块的输出连接一对初步预测的置信度进行融合的融合层；利用预处理后的样本于该轻量化网络模型中进行划痕检测。本方法去掉了VGG网络的最后一个阶段，减少了网络的参数量，提高了检测速度。
-
公开(公告)号：CN115409813A
公开(公告)日：2022-11-29
申请号：CN202211068057.6
申请日：2022-09-01
Applicant: 重庆守愚科技有限公司 , 重庆大学
Abstract: 本发明提出了一种基于GAN及注意力融合机制的快速表面缺陷检测方法及系统。该检测方法为：获取表面缺陷图像样本集；搭建快速划痕检测网络，该网络包括：信息提取模块，用于提取底层细节信息；快速采样模块，用于提取高层语义级信息；注意力融合模块，将所述高层语义级信息与底层细节信息进行融合，并结合信息提取模块提取的底层细节信息对划痕定位，利用快速采样模块提取的高层语义级信息进行表面缺陷定位的分割；利用表面缺陷图像样本集对所述快速表面缺陷检测网络进行训练；采用训练得到的快速表面缺陷检测网络进行表面缺陷检测。该快速表面缺陷检测方法通过对表面缺陷的快速定位加分割的方式，精准地检测表面缺陷，具有精度高的优越性。
-
公开(公告)号：CN113012041A
公开(公告)日：2021-06-22
申请号：CN202110367868.5
申请日：2021-04-06
Applicant: 重庆大学 , 中国人民解放军陆军军医大学第一附属医院
Abstract: 本发明公开了一种CT/MRI模拟超声的新方法、系统,包括：S1，获取CT/MRI图像，对CT/MRI图像进行器官分割和切面处理；S2，使用预设模版对切面图像进行标记，具体包括：将模版之外的区域标记第一区域，模版之内非器官区域标记第二区域，模版内不同器官区域采用不同区域标记，器官的标记与第一区域和第二区域的标记均不同；S3，将CT/MRI标签图输入基于生成对抗网络的转换模型，转换模型生成与CT/MRI图像对应的模拟超声图像。转换模型学习超声图像风格区域，将CT/MRI标签图转换为对应的超声图像，达到生成与CT/MRI图像对应的且符合真实的超声图像的风格的超声图像的目的。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
