本发明公开了一种基于深度图网络的化工过程故障诊断方法，所述方法包括以下步骤：(1)数据的获取和整合；(2)数据选择和排序；(3)建立因果有向图；(4)建模训练；(5)模型测试。本发明方法采用基于深度图网络的化工过程故障诊断方法，提高了故障的识别效果，同时也准确定位故障变量，具有普遍性和通用性。
📄 2021116336690
📂 G06F18_22
👤 浙江工业大学
📅 2021-12-28
本发明公开了一种基于深度图网络分析的发酵过程软测量方法，所述方法包括以下步骤：(1)数据的获取和整合；(2)数据选择；(3)建模训练；(4)模型预测。本发明方法采用基于图网络的发酵过程软测量模型，提高了发酵过程关键产品质量的预测效果，具有普遍性和通用性。
📄 2021109995833
📂 G06F30_27
👤 浙江工业大学
📅 2021-08-29
本发明涉及图科学技术领域，具体公开一种基于图压缩的深度图分类模型防御方法，包括以下步骤：(1)设计深度图分类模型，对干净样本与对抗样本的连边求梯度得到所有连边权重系数；(2计算干净/对抗样本的梯度‑传统连边重要性相似度；(3)选择传统连边重要性指标与对抗样本中的连边进行排序，提取对抗样本中的关键连边；(4)根据提取到的关键连边进行图压缩，并将压缩后的图样本重新输入深度图分类模型，输出压缩后的图分类准确率，实现深度图分类模型的防御过程。本发明利用图压缩方法保留图原始关键连边并滤除对抗扰动连边与非关键连边，实现对图分类的防御，防御成本更低；具有广泛的适用性。
📄 202110659694X
📂 G06F18_2413
👤 浙江工业大学
📅 2021-06-11
本发明涉及一种基于深度图感兴趣区域的移动机器人目标跟踪方法，包括以下步骤：（1）利用深度学习方法提取目标区域；（2）建立目标对象的表观模型和运动模型；（3）基于深度图提取感兴趣区域；（4）控制移动机器人跟随目标；（5）更新目标对象的运动模型；（6）重复步骤(3)至步骤(5)，实现已建模目标对象的跟随。本发明利用目标的深度、彩色以及高度特征提取感兴趣区域，能有效利用深度信息进行目标跟踪，保证了移动机器人目标跟随的实时性和准确性。
📄 2019101077408
📂 G06T7_90
👤 浙江工业大学
📅 2019-02-02
本发明涉及一种自由视点视频深度图感兴趣区域编码方法，包括以下步骤：（1）输入一帧深度图；（2）计算图像分割阈值；（3）图像划分及缩小；（4）连通域分析；（5）ROI区域检测；（6）ROI区域设置及编码。本发明充分利用了深度图的特点，通过连通域分析提取出深度图的感兴趣区域，再运用感兴趣区域编码方法压缩深度图，实现了深度图的高质量高效压缩。
📄 2018102658818
📂 H04N19_167
👤 浙江工业大学
📅 2018-03-28
本发明公开了一种基于多帧深度图像概率处理的薄包裹体积测量方法，属于包裹体积测量技术领域。本发明通过深度相机获取的动态提取场景的深度信息；利用相邻点之间深度值的差异性，动态更新场景中的点的概率，应用于场景中存在各种规格的包裹，保证各种规格包裹都能被检测并测量到；由于极薄包裹的深度信息与周围的深度信息差值很小，通过多帧深度图对每个点进行概率更新的处理方式，能有效地提取到极薄包裹并对其进行测量；对各种类型的包裹，采用多帧稳定处理的方式，结果准确，具有很好的抗噪性，可以用于精度波动很大的深度相机；对于体积较大的包裹，用很少帧就可以处理得到精确结果，具有用时短的优点。
📄 2022110278408
📂 G01F17_00
👤 安徽工业大学
📅 2022-08-25
本发明涉及一种结合深度可信度估计的深度图像显著性检测方法。相对于平面图像，立体图像中所包含的深度特征对于目标物体的显著性检测提供了更有效的信息。本发明包括深度可信度评价因子计算、预处理和深度显著性检测；深度可信度评价因子用来客观的描述深度图所包含目标区域深度信息的可信度；深度图可信度越好，提取目标物体的有用信息越多。此外，图像中距离人眼较近但非显著物体所在的区域对于显著性检测会造成一定影响；针对该情况提出一种预处理方式来降低地面等这类背景区域的干扰；最后，结合深度可信度评价因子进行基于深度紧凑性和对比度的显著性计算得到最终显著结果图。本发明获得的深度显著图质量较高，与视觉注意机制保持良好一致。
📄 2018101219315
📂 G06K9_46
👤 杭州电子科技大学
📅 2018-02-07
本发明公开了一种基于深度图像的实时平面检测及提取的方法。本发明包括如下步骤：步骤1：对深度图像做预处理，并对深度图像提取区块信息；步骤2：对区块的几何参数分布做降维统计；步骤3：对估计的各个平面法向量查找平行平面；步骤4：平面参数优化。本发明根据深度图像的成像原理及平面结构的空间特性，使得计算机可以实时地通过深度图像获取环境中的平面结构信息，使得三维重建结果更加准确。从而准确高效地从深度图像中提取平面结构信息。
📄 2019107120257
📂 G06T7_00
👤 杭州电子科技大学
📅 2019-08-02
本发明公开了一种基于彩色图引导的深度图超分辨率重建网络构建方法。目前越来越多的场景应用需要高质量高分辨率的深度图片，传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法，但大部分的超分辨卷积神经网络框架都都只是堆叠单一尺寸的卷积核，无法很好的提取出同场景下高分辨率彩色图像中有利的引导信息。本发明的多尺度卷积核彩图引导网络不仅可以充分发掘了高分辨率彩色图像信息，提取了有用的特征图像，而且可以丰富深度图像特征的多样性，融合这些信息对深度图像进行超分辨率重建。并且利用递归学习和残差学习的思想，减轻了卷积神经网络的负担，控制了网络的参数，提升了深度图像的重建效果。
📄 2019110306730
📂 G06T5_50
👤 杭州电子科技大学
📅 2019-10-28
本发明公开了一种基于双支感知的深度图超分辨率重建网络构建方法。传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法，但大部分的超分辨卷积神经网络框架都都只是堆叠的卷积层，没有网络结构能判断彩色图像的纹理区域是否和深度图像中的纹理区域相关。本发明的基于注意力机制的卷积神经网络结构可以利用可学习参数判断彩色特征图像的纹理是否是深度图像重建所需要的，即可以更好的利用彩色图像所提供的信息，经过多级的感知机制最终获得筛选后的精细化的特征图像，融合这些信息对深度图像进行超分辨率重建。并且利用残差学习的思想，减轻了卷积神经网络的负担，提升了深度图像的重建效果。
📄 2020100290635
📂 G06T3_40
👤 杭州电子科技大学
📅 2020-01-12
本发明涉及基于单目相机的深度图生成装置，包含单目相机和RealSense相机；单目相机安装在第一云台上；RealSense相机安装在第二云台上；单目相机与RealSense相机紧密配合，光轴平行。本发明还涉及基于单目相机的深度图生成方法，包含步骤：采集1张单目相机RGB图像；采集1张RealSense相机RGB图像和1张RealSense相机深度图；向下采样得到向下采样单目相机RGB图像；进行超像素分割操作，得到分割单目相机RGB图像；进行特征点匹配操作，得到匹配深度图；进行区域分割，得到分区深度图；统计平均值，对对应的分割区域填充，得到填充深度图；向上采样，得到单目相机深度图。本发明可以保留单目相机的RGB图的高精度、视场，拟合出深度图；成本低；无需硬件标定，无需学习和建模，无需先验知识。
📄 202110281368X
📂 G06T7_00
👤 湖北工程学院
📅 2021-03-16
本发明属于图像复原领域，特别涉及一种基于融合深度图与特征掩膜的半监督去雾方法，包括获取深度图并将其通过两个级联的基础去雾模块进行处理得到深度信息；获取原始图像特征，输入自动编码器获得粗去雾特征；将粗去雾特征通过分离器映得到粗去雾图像；将粗去雾图像与深度信息相加后输入特征掩膜生成模块得到深度特征掩膜，将其与粗去雾图像相乘得到精细化去雾图像；将雾霾分布特征和原始图像特征，按通道维度拼接并输入噪声图像提取模块，输出噪声图像；将噪声图像和精细化去雾图像共同输入自适应通道注意力层得到无雾图像；本发明能更好地还原图像细节和抑制噪声，获得视觉上更干净的无雾图像。
📄 2022116230830
📂 G06T5_00
👤 重庆邮电大学
📅 2022-12-16
柿子坊 · 知识产权运营
柿子坊知识产权运营平台