-
公开(公告)号：CN119205748B
公开(公告)日：2025-03-07
申请号：CN202411697688.3
申请日：2024-11-26
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06V10/44 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06F15/78
Abstract: 一种光谱图像检测模型、检测方法和片上计算的相机处理器，其中光谱图像检测模型包括N个串联的KAM块以及连在N个KAM块之后的分类器块；KAM块包括依次连接的深度可分离卷积层、批归一化层、改进的三重注意力层以及ReLU激活函数层；深度可分离卷积层用于提取图像特征，改进的三重注意力层用于增强特征图内和特征图之间的信息交互；分类器块包括依次连接的深度可分离卷积层、批归一化层、普通卷积层和Sigmoid激活函数层。本发明中的光谱图像检测模型具有轻量化、计算量小等特点，可部署在相机中的相机处理器中，以满足移动端、边缘端高光谱图像处理需求。
-
公开(公告)号：CN117351220A
公开(公告)日：2024-01-05
申请号：CN202310416474.3
申请日：2023-04-18
Applicant: 湖南大学
IPC: G06V10/44 , G06N20/10 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/58 , G06V10/764 , G06V10/80 , G06V10/82 , G01J3/28
Abstract: 本发明提供了一种基于空谱双注意力分支的高光谱波段选择方法包括如下步骤：步骤S1、对高光谱图像数据集进行预处理，构建无标签的高光谱图像训练样本子集；步骤S2、构建空谱双注意力分支网络，融合特征图得到空谱注意力特征图；步骤S3、构建重建网络模型，重建出高光谱图像；步骤S4、通过降低重建的高光谱图像和原始高光谱图像之间的误差，来优化训练空谱双注意力分支网络；步骤S5、构建复合波段子集选择指标，选择排名靠前的波段作为波段子集；步骤S6、对选择的波段子集的性能进行测试。本发明能有效选择信息量大、冗余少、代表性高的波段子集，获得良好的分类精度，在高光谱数据处理领域具有非常重要的意义。
-
公开(公告)号：CN116129140A
公开(公告)日：2023-05-16
申请号：CN202310079997.3
申请日：2023-02-08
Applicant: 湖南大学
IPC: G06V10/44 , G06V10/80 , G06V10/764 , G06V10/56
Abstract: 本发明公开了一种融合视觉与光谱显著性的高光谱药液异物检测方法，拍摄待检测药液的高光谱原始图像，并构建高光谱图像样本集；采用基于信息熵的排序波段选择方法从高光谱图像样本中选出预设数量的波段，将其转换为伪彩图像；对伪彩图像进行直方图对比度计算和梯度特征提取，并进行特征融合，得到基于视觉的显著性特征图，经过总变分滤波，得到初步异常检测图；对待检测药液的高光谱图像分别计算光谱角距离与光谱欧式距离并进行融合，得到光谱显著性特征图；采用光谱显著性特征图抑制初步异常检测图的背景信息，得到异物检测图，实现待检测药液的异物检测。该方法可以快速、准确地检测出药液成品中的微弱异物，实现对药液的无损检测与质量控制。
-
公开(公告)号：CN118870190B
公开(公告)日：2024-12-20
申请号：CN202411346194.0
申请日：2024-09-26
Applicant: 湖南大学
Abstract: 本发明公开了一种基于明暗场融合的基板玻璃缺陷图像自动对焦方法及系统，旨在找到最清晰的基板玻璃缺陷明场、暗场图像。包括：获取相机拍摄的基板玻璃明场、暗场图像；提取明场、暗场图像序列的图像特征；利用若干个串接的CIM模块，再连接全局平均池化和1*1卷积层构建出双分支特征交叉融合网络，CIM模块为2输入2输出的空间、通道注意力交叉融合模块；将明场、暗场特征图输入双分支特征交叉融合网络得到明场、暗场对应的网络输出向量，并利用网络输出向量确定最清晰的明场图像和暗场图像，实现对焦；实验证明，通过该方法进行基板玻璃缺陷的自动对焦，在运行速度和精度上均表现出优异的效果。
-
公开(公告)号：CN114092509A
公开(公告)日：2022-02-25
申请号：CN202111341858.0
申请日：2021-11-12
Applicant: 湖南大学
Abstract: 本发明公开了一种医药高光谱数据的图像重构方法，在通过高光谱相机获取到医药高光谱数据后，首先采用数据预处理的方法，对采集的原始数据进行筛选和裁剪，预处理部分为数据集的建立提供了保障，在保留医药产品特性和对比度的同时，极大程度去除托盘背景部分的干扰；其次，通过构建的卷积自编码器，学习医药高光谱的非线性表示，最后通过求解全局非线性最优化问题，通过保真度先验，将学习到的非线性表示的保真度和空间域梯度的稀疏性统一起来，从编码后的图像重构出高光谱图像。本发明显然能够提升重构准确率，提高信噪比，降低硬件设备存储压力。
-
Patent Agency Ranking
公开(公告)号：CN113989525A
公开(公告)日：2022-01-28
申请号：CN202111593705.5
申请日：2021-12-24
Applicant: 湖南大学
IPC: G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/10
Abstract: 本发明公开了自适应随机块卷积核网络的高光谱中药材鉴别方法，基于最优聚类框架，获得中药材高光谱图像最优波段子集，再采用集群排序方法有效地从最优波段子集中选出最佳特征波段；使用随机投影方法将从中药材高光谱图像中提取的随机块作为卷积核；然后使用像素自适应方法修改卷积核，并基于中药材特征波段图像进行特征提取；再次，使用分层网络提取中药材的特征，并结合中药材高光谱最佳波段影像数据，构建中药材高光谱训练集与测试集；最后使用SVM对训练集进行训练得到分类预测模型，基于该模型对中药材测试集进行预测，大幅度提高了中药材的鉴别分类精度，解决了中药材种类多样、成分复杂的鉴别难题，可适用于各类中药材的快速无损鉴别。
-
公开(公告)号：CN113269196A
公开(公告)日：2021-08-17
申请号：CN202110811547.X
申请日：2021-07-19
Applicant: 湖南大学
Abstract: 本发明公开了一种图卷积神经网络高光谱医药成分分析的实现方法，一方面，将医药高光谱图像数据处理成图数据，大幅度降低了像素数量，有效减少了数据量；另一方面，以图卷积神经网络模型提取药物的特征信息，有效地学习了药物高光谱图像中的视觉特征与药物成分间的空间关系，提升了药物成分分类特征的表示能力，提高了被测药物的成分和属性精度，可实现对药物成分与质量的无损、快速检测分析。
-
公开(公告)号：CN114092509B
公开(公告)日：2024-09-10
申请号：CN202111341858.0
申请日：2021-11-12
Applicant: 湖南大学
IPC: G06T5/60 , G06T7/194 , G06T7/11 , G06T7/13 , G06T9/00 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种医药高光谱数据的图像重构方法，在通过高光谱相机获取到医药高光谱数据后，首先采用数据预处理的方法，对采集的原始数据进行筛选和裁剪，预处理部分为数据集的建立提供了保障，在保留医药产品特性和对比度的同时，极大程度去除托盘背景部分的干扰；其次，通过构建的卷积自编码器，学习医药高光谱的非线性表示，最后通过求解全局非线性最优化问题，通过保真度先验，将学习到的非线性表示的保真度和空间域梯度的稀疏性统一起来，从编码后的图像重构出高光谱图像。本发明显然能够提升重构准确率，提高信噪比，降低硬件设备存储压力。
-
公开(公告)号：CN116662593A
公开(公告)日：2023-08-29
申请号：CN202310896660.1
申请日：2023-07-21
Applicant: 湖南大学
IPC: G06F16/55 , G06N3/0464 , G06T7/00 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于FPGA的全流水线医药高光谱图像神经网络分类方法，首先采集并制作高光谱医药数据集图像；其次设计具有卷积神经网络主干架构的深度神经网络进行训练，保存模型收敛的训练参数；然后对神经网络进行量化处理，对网络权重使用逐通道对称量化，对网络的其他浮点参数使用贪心算法逐步寻找各个参数缩放系数的局部最优值，获得参数为整型的神经网络；基于硬件描述语言Verilog重新构建寄存器传输级的网络模型，实现全流水线；最终通过仿真综合布局布线，将符合预设设计要求的布局布线后的网络模型部署在FPGA上完成分类算法实现。在边缘端进行分类，准确率仅有轻微下降，实现全流水线化，分类速度较快，资源消耗较低。
-
公开(公告)号：CN115994983A
公开(公告)日：2023-04-21
申请号：CN202310298901.2
申请日：2023-03-24
Applicant: 湖南大学
Abstract: 本发明公开了一种基于快照式编码成像系统的医药高光谱重构方法，采集医药高光谱原始图像并处理，得到增强后的医药高光谱图像，经过模拟空间编码，获得编码后的测量图像，对编码后的测量图像进行光谱反移位后作反向编码处理，得到反向编码后的三维高光谱图像，将增强后的医药高光谱图像作为目标图像，根据反编码后的测量图像和目标图像构建训练集和测试集；搭建深度对称神经重构网络，并通过训练集和测试集进行训练和测试；将测试后的深度对称神经重构网络部署到快照式编码成像系统，利用快照式编码成像系统实时采集得到医药测量图像，经过计算重构，得到重构的三维高光谱图像。该方法能够实现对快照式成像系统医药高光谱的高质量重构。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.179 seconds)
