本发明公开了一种基于可能性聚类和卷积神经网络的道路交通标识识别方法,包括以下步骤对图像数据集进行预处理,所述预处理包括归一化操作、数据增强、色彩增强以及使用极大化类间距离的可能性聚类算法与Hu不变矩相结合进行降噪和特征提取,得到训练数据集;构建卷积神经网络模型,并利用所述训练数据集对所述卷积神经网络模型进行充分训练,利用训练后的网络模型对图像进行分类识别。效果:采用归一化与数据增强对数据集进行预先操作使得满足卷积神经网络模型结构对数据集的要求,能够减少了网络模型训练时间并保证了识别的准确率。
📄 2019100926258
📂 G06K9_00
👤 江南大学
📅 2019-01-30
基于条件对抗自编码网络的特征学习方法,其通过标签变量来控制生成结果,生成具有标签的样本用以辅助其他学习任务,提高图像识别效率;同时本发明还公开了基于条件对抗自编码网络的特征学习方法的图像识别方法,其能够在复杂的对象布局以及多标签图像场景时,获得高精度的图像识别效果。其包括S1选定训练集;S2选定先验分布函数;S3以对抗自编码网络模型为基础,在网络模型中的判别器或者编码器的输入数据中引入样本数据的标签信息,构建网络模型;S4训练网络模型,以优化网络模型中的参数;S5通过训练好的网络模型中的判别器进行数据特征的提取、或者利用训练好的生成器生成原始输入的重构。
📄 2018113799006
📂 G06K9_62
👤 江南大学
📅 2018-11-20
本发明提供基于多路卷积神经网络的语音识别方法,其能够提取更充分的语音信息,且处理数据量较大的音频数据时,具有更好的拟合性。其包括:S1:输入原始语音并进行处理;S2:提取出反映语音信号特征的关键特征参数,形成特征矢量序列;S3:基于多路卷积神经网络模型为基础、CTC作为损失函数,构建声学模型;多路卷积神经网络的结构包括依次设置的子网络结构、连续的全连接层、CTC损失函数;S4:训练声学模型,得到训练好的声学模型;S5:将待识别的特征矢量序列输入到训练好的声学模型中得到识别结果;S6:以步骤S5中得到的识别结果为基础进行后续的运算,即得到能够以最大概率输出该语音信号的词串,词串即原始语音被识别后的语言文字。
📄 2018111558132
📂 G10L15_02
👤 江南大学
📅 2018-09-30
本发明提供基于卷积神经网络的语音识别方法,其更加擅长提取高层特征,建模过程简单、容易训练、模型的泛化性能更佳,能够更广泛的应用到各种语音识别的场景中。其包括:S1:对输入的原始语音信号进行预处理;S2:提取出反映语音信号特征的关键特征参数,形成特征矢量序列;S3:基于DCNN网络模型为基础、以联结主义时间分类器CTC作为损失函数,构建端对端方式的声学模型;S4:训练声学模型,得到训练好的声学模型;S5:将步骤S2中得到的待识别的特征矢量序列输入到训练好的声学模型中得到识别结果;S6:以步骤S5中得到的识别结果为基础进行后续的运算,即得到能够以最大概率输出该语音信号的词串,词串即原始语音被识别后的语言文字。
📄 2018111125066
📂 G10L15_06
👤 江南大学
📅 2018-09-25
本发明公开了基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法,包含训练阶段和检测阶段两部分。模型训练阶段中采用无疵点织物图像,通过图像预处理得到训练样本集,然后训练深度神经网络中的参数。检测时,首先得到待测图像的检测样本集,然后采用深度神经网络得到网络输出,最后得到疵点检测结果。本发明采用Gabor滤波器提取织物纹理特征,根据Fisher准则计算代价函数值,能够提取图像中各个方向大小的纹理,提高检测准确率。采用深度神经网络自动选择图像特征,解决现有基于机器视觉疵点检测方法人为选择特征的缺陷和不足。
📄 2017113927584
📂 G06T7_00
👤 江南大学
📅 2017-12-21
本发明提供了一种基于卷积神经网络的易拉罐罐底喷码字符在线视觉检测方法,包括离线状态下对图像中字符进行分割,并归类构建字符库,采用改进后的卷积神经网络学习法进行训练,形成稳定的分类器;在线检测中实时拍摄图片,分割字符,并用分类器进行分类,对存在瑕疵不合格的产品进行剔除;在保证实时性的同时极大的提高了检测精度,完全可以满足易拉罐罐底喷码字符在线检测过程高实时性、高准确性的要求。
📄 2014101738592
📂 G06K9_20
👤 无锡信捷电气股份有限公司, 江南大学
📅 2014-04-26
本发明公开了一种基于深度神经网络的影像三维组织分割与测定方法,包括,采集活体猪的CT图像,划分为训练集与测试集并在训练集上进行标注;构建CT床分割网络和内脏分割网络,并利用所述标注好的训练集进行训练得到CT床分割模型和内脏分割模型;利用所述CT床分割模型和所述内脏分割模型预测其掩膜图并去除所述CT床和内脏;结合所述活体猪的CT图像提取出猪体的脂肪、肌肉与骨骼部分并计算猪体的总体质量及各个组织的占比。可以自动、快速、准确分割出种猪的脂肪、肌肉和骨骼等组织,并且本方法适用于任何形状、任何大小的种猪。
📄 2020109992563
📂 G06T7_11
👤 江南大学, 安徽工大信息技术有限公司
📅 2020-09-22
本发明涉及一种融合模块和多尺度特征融合卷积神经网络及图像识别方法,包括上一层、融合层以及级联层,所述上一层将输入图片通过所述融合层运算,再将运算完成的结果通过所述级联层进行合并输出,所述融合层由在原始模块中加入瓶颈结构和空洞卷积结构共同组合而成。本发明不但错误率低,而且有效减少网络的参数量,有利于提升模型泛化能力。
📄 2020108887682
📂 G06V10_80
👤 江南大学
📅 2020-08-28
本发明涉及图像识别算法技术领域,具体公开了一种用于解魔方机器人中的图像识别算法,其中,包括:获取魔方图像,其中魔方图像为魔方打乱后的图像;对所述魔方图像进行图像分割处理,得到魔方每相邻两个平面之间的面边界点;根据所述面边界点做透视变换,得到变换图像;根据所述变换图像捕捉每个独立色块;对每个所述独立色块进行图像颜色识别。本发明提供的用于解魔方机器人中的图像识别算法,由于通过将魔方图像进行透视变换,根据透视变换后的图像进行处理并进行颜色识别,可以有效提高识别准确率与鲁棒性。
📄 2020108136024
📂 G06V20_20
👤 江南大学
📅 2020-08-12
一种用于数字图像识别的构建型神经网络参数融合优化方法,属于人工智能数字图像识别领域。本方法包括:构建融合优化性能指标;融合优化算法;利用构建的神经网络进行数字图像识别。本发明还通过收敛性分析验证了本发明的有效性,其中第一部分为准备环节,第二部分的IOM算法为本发明的关键技术和实现步骤,第三个部分为理论保证。本发明提供一种隐含层节点参数和输出层参数的同步联合优化方法,在理论上相比于现有方法具有更小的保守性。本方法生成的构建型神经网络模型比现有方法产生的模型结构更紧凑,冗余节点更少,计算速度更快。相比于现有方法产生的模型在学习阶段的后期,误差收敛的速度更快,收敛精度更高,泛化性能更好。
📄 2020107665497
📂 G06V10_774
👤 江南大学
📅 2020-08-03
本发明公开了一种短文本特征提取与分类方法,属于信息处理技术领域。通过对词频、集中度标准差、关联度高的关键词进行加权系数的奖励,再综合三者,得到关键词的特征指数;根据特征指数对初始关键词库进行优化,删除关键词库中对识别文本所属的类别所起作用较小的一些字词,也即减少了会影响文本分类准确性的关键词,使得后续分类更准确。通过将关键词映射成二维坐标平面上的点,将文本数据与关键词库的匹配,得到文本数据对应的点集,将其中的点顺序排列并连接,即得到文本的特征折线,通过特征折线的相似度反应文本的相似度,并对折线相似度算法进行了修正,利用邻居与当前文本的“相似度”来给每个邻居赋予不同的重要性,从而分类更准确。
📄 2020105025180
📂 G06F16_35
👤 江南大学
📅 2020-06-04
本发明属于机织物质量检测技术领域,涉及一种基于卷积神经网络的机织物结构参数识别方法。本发明提供一种基于卷积神经网络的机织物结构参数识别方法,可以同时检测识别织物经纬密、织物组织以及色织物色纱排列,是一种精确度高、鲁棒性强、品种适应性广的机织物结构参数识别方法。同时所提出的网络可分层提取不同的图像特征,使用的深度卷积网络可应用于各种复杂纹理和颜色的机织物,可同时检测各种结构参数包括织物经纬密、织物组织、色纱排列、配色模纹等,提升了机织物结构参数自动检测的效率和效果;本发明所提出的多任务多尺度卷积网络结构可以应用于其它领域中关联特征的目标定位识别问题。
📄 2020104863316
📂 G06V10_44
👤 江南大学
📅 2020-06-01