-
公开(公告)号：CN118196527A
公开(公告)日：2024-06-14
申请号：CN202410373871.1
申请日：2024-03-29
Applicant: 桂林理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明提出了基于MFC神经网络架构搜索的植物幼苗图像分类方法，其特征在于，包括：构建植物幼苗图像的数据集；基于所述数据集对预设的基于MFC神经网络架构搜索的模型进行训练，获取植物幼苗分类模型；基于所述植物幼苗分类模型，进行植物幼苗图像分类。本发明能够为植物幼苗图像分类自动设计有效的卷积神经网络模型，与近几年手工设计的分类模型相比，表现了其较好的竞争性以及先进性。
-
公开(公告)号：CN115908901A
公开(公告)日：2023-04-04
申请号：CN202211355872.0
申请日：2022-11-01
Applicant: 桂林理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明提供一种自动化盲检目标动态分类方法，包括以下步骤：S1：获取自动化物料盲检工程数据集；S2：构建神经网络架构，所述神经网络结构根据所述自动化物料盲检工程数据集，输出分类结果，初始化所述神经网络架构主干；S3：训练所述神经网络架构主干时，若网络未达到收敛要求，根据预设的生长策略对所述神经网络架构主干进行分支与深度两个方向的生长，生长一直持续到网络达到收敛要求，得到生长后的神经网络；S4：利用生长后的神经网络对自动化物料盲检工程数据集的图像数据进行分类。本发明实现了网络的动态生长、搜索、剪枝，解决了工程中不断往数据集中加入新类别导致重新训练的问题。
-
公开(公告)号：CN115641384A
公开(公告)日：2023-01-24
申请号：CN202211356400.7
申请日：2022-11-01
Applicant: 桂林理工大学
IPC: G06T7/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , B25J9/16 , B25J18/00
Abstract: 本发明公开一种基于神经架构搜索标定板检测的自动手眼标定方法，包括：S1：标定相机内参；S2：部署标定板检测模型，标定板检测模型采用神经架构搜索；S3：机械臂移动到初始点，相机俯视标定板；S4：使用标定板检测模型判断标定板位姿是否正确；S5：若标定板位姿正确，则采集图像样本，若不正确，则估计机械臂下一个移动位姿，使得标定板在相机下的视角不同，返回步骤S4；S6：判断是否采集足够的图像样本，若是，则计算手眼矩阵，若不是，返回步骤S4；S7：判断计算的手眼矩阵是否达到预期精度，若是，则完成标定，若不是，返回步骤S4。本发明使用神经网络架构搜索获取标定板检测模型，根据标定板位置判别其在相机视角下的状态，提高了标定效率。
-
公开(公告)号：CN112270206B
公开(公告)日：2022-09-13
申请号：CN202011027247.4
申请日：2020-09-25
Applicant: 桂林理工大学
Abstract: 本发明提出了一种车辆检测计数方法、系统、储存介质及计算机设备，针对车辆状态检测存在漏检和误检率高等问题，通过将定量坐标位置的车辆目标检测转换为定性相对状态的车辆状态检测，同时使用深层次的注意力优化更浅层的权重信息和利用最大化的方式获取显著的特征映射，运用基于车辆状态的计数算法完成了车辆计数，并减少了计数过程中的有效计数区域，在获得整体更好的计数效果的情况下，还减少了约47.36～70.53％的过检测目标。
-
公开(公告)号：CN111833310A
公开(公告)日：2020-10-27
申请号：CN202010555030.4
申请日：2020-06-17
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于神经网络架构搜索的表面缺陷分类方法，包括以下步骤S1：构建堆叠候选cell的网络架构NAS-SDC，所述网络架构NAS-SDC基于神经网络架构搜索构建；S2：通过NEU-CLS缺陷数据集搜索cell，利用搜索到的最佳cell构建缺陷分类CNN；S3：利用S2得到的缺陷分类CNN对表面缺陷进行分类。本发明通过神经网络架构搜索，可自动从更加精简的搜索空间中高效的搜索出最佳的网络单元，基于该最佳网络单元的CNN具有参数量小、检测精度高等优点，成功的应用于表面缺陷分类。
-
Patent Agency Ranking
公开(公告)号：CN103577730B
公开(公告)日：2016-08-17
申请号：CN201310573694.3
申请日：2013-11-15
Applicant: 桂林理工大学
Abstract: 本发明公开了一种整数小波变换的可逆数据库水印的嵌入和提取方法。从数据库载体中，伪随机选取数值型属性值形成数据集，对该集分成大小相同数据子集，即形成数据组；根据溢出预防机制，确定数据组所属类型组；进一步对不同类型的数据组分别采用水印隐藏模型将不同强度的水印嵌入到数据组的小波域中，形成水印数据库；最后通过判断表达式奇偶性来提取水印且对水印载体系数向量在正交向量组形成空间里逆向平移以恢复数据库载体。本发明将水印信息能均匀地分布到数据库数据的各个部分，达到弱化水印信息对数据库的影响及提高水印不可见性和鲁棒性的目的，适用于特定数据库版权和完整性保护。
-
公开(公告)号：CN111833310B
公开(公告)日：2022-05-06
申请号：CN202010555030.4
申请日：2020-06-17
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于神经网络架构搜索的表面缺陷分类方法，包括以下步骤S1：构建堆叠候选cell的网络架构NAS‑SDC，所述网络架构NAS‑SDC基于神经网络架构搜索构建；S2：通过NEU‑CLS缺陷数据集搜索cell，利用搜索到的最佳cell构建缺陷分类CNN；S3：利用S2得到的缺陷分类CNN对表面缺陷进行分类。本发明通过神经网络架构搜索，可自动从更加精简的搜索空间中高效的搜索出最佳的网络单元，基于该最佳网络单元的CNN具有参数量小、检测精度高等优点，成功的应用于表面缺陷分类。
-
公开(公告)号：CN109685774A
公开(公告)日：2019-04-26
申请号：CN201811506337.4
申请日：2018-12-10
Applicant: 桂林理工大学
IPC: G06T7/00
CPC classification number: G06T7/0004 , G06T2207/10004 , G06T2207/20081 , G06T2207/20084 , G06T2207/30164
Abstract: 本发明公开了一种基于深度卷积神经网络的压敏电阻外观缺陷检测方法，包括以下步骤：S1：采集压敏电阻图像，制作所需要的数据集；S2：设计用于识别压敏电阻外观缺陷的深度卷积神经网络模型；S3：利用所述数据集对设计的深度卷积神经网络模型进行训练和验证；S4：利用训练好的深度卷积神经网络模型进行检测。本发明将深度卷积神经网络应用到压敏电阻的外观识别上，能够自动提取压敏电阻的有效特征，提高压敏电阻外观缺陷的分类识别精度。提高了图像处理的效率，能够满足工业生产在线实时检测的需要。
-
公开(公告)号：CN103632335B
公开(公告)日：2017-02-01
申请号：CN201310718013.8
申请日：2013-12-23
Applicant: 桂林理工大学
IPC: G06T1/00
Abstract: 本发明公开了一种链式向量空间隐藏模型的图像无损信息隐藏方法。对原始灰度图像载体互不重叠的划分形成图像块，对每个图像块进行整型小波变换取出其高频系数降维形成一维向量；该向量投影到A向量空间中，调整其系数值生成新向量，实现信息隐藏；然后将该新向量投影到B向量空间中，调整其系数生成新向量，实现信息隐藏；该新向量投影到A向量空间中；如此循环，直到当前信息完全隐藏或者影响到含信息的图像块质量结束。本发明方法基于整数小波变换的频域技术特点，将水印信息能均匀地分布到图像中，达到弱化隐藏信息对图像视觉的影响及提高水印信息的鲁棒性目的，同时能将大量的信息隐藏到图像载体中，适用于图像的可重复利用地隐秘通信。
-
公开(公告)号：CN103632335A
公开(公告)日：2014-03-12
申请号：CN201310718013.8
申请日：2013-12-23
Applicant: 桂林理工大学
IPC: G06T1/00
Abstract: 本发明公开了一种链式向量空间隐藏模型的图像无损信息隐藏方法。对原始灰度图像载体互不重叠的划分形成图像块，对每个图像块进行整型小波变换取出其高频系数降维形成一维向量；该向量投影到A向量空间中，调整其系数值生成新向量，实现信息隐藏；然后将该新向量投影到B向量空间中，调整其系数生成新向量，实现信息隐藏；该新向量投影到A向量空间中；如此循环，直到当前信息完全隐藏或者影响到含信息的图像块质量结束。本发明方法基于整数小波变换的频域技术特点，将水印信息能均匀地分布到图像中，达到弱化隐藏信息对图像视觉的影响及提高水印信息的鲁棒性目的，同时能将大量的信息隐藏到图像载体中，适用于图像的可重复利用地隐秘通信。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.028 seconds)
