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
本发明提供一种基于机器视觉的轴承端面防尘盖品质监测的方法。通过工业相机采集轴承端面图像,进行预处理,提取防尘盖区域,通过阈值分割将该区域背景与字符或缺陷分离。根据字符或缺陷与圆心的位置通过旋转校正转换为垂直图像。对区域的大小以及数量进行第一次决策。提取字符或缺陷的二次轮廓特征,并与离线采集的模板进行匹配来判别分割出的区域内对象是字符还是缺陷,再通过联系上下文的方法判别印刻的字符是否有漏印或错印,从而实现轴承端面防尘盖品质的在线实时监测。本发明可有效提取出字符或缺陷区域,并准确判别缺陷及漏印或错印。算法复杂度低,运算速度快,能满足现场的实时性要求。
📄 2013100848355
📂 G01N21_88
👤 江南大学, 无锡信捷电气股份有限公司
📅 2013-03-15
本发明涉及一种基于机器视觉的轴承防尘盖表面缺陷检测方法,其包括如下步骤:a、获取待检测轴承的灰度图像,b、分离得到轴承防尘盖圆环图像;c、进行灰度变换、自适应中值滤波的预处理;d、利用最大类间方差法进行阈值分割,并利用Roberts边缘检测算子提取阈值分割后轴承防尘盖圆环图像的边缘;e、对上述轴承防尘盖圆环图像每隔2°时计算图像区域内数值为1的数目;f、提供模板轴承图像,并计算得到偏转角度σ;g、分离得到轴承防尘盖圆环图像的字符区域与非字符区域;h、对轴承防尘盖圆环图像中对应字符区域、非字符区域根据连通域数量及缺陷面积进行表面缺陷判定。本发明能实现自动检测,降低人工检测目测工作量,提高检测效率,安全可靠。
📄 2012101064711
📂 G01N21_88
👤 江南大学, 无锡信捷电气股份有限公司
📅 2012-04-12
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
本发明提供一种基于特征提取和多核RSVR组合模型的短期电力负荷预测方法,包括以下步骤:步骤S1,基于皮尔逊相关系数、mRMR算法对属性特征进行提取筛选,得到包含其它属性和延迟负荷的最优属性特征集;步骤S2,使用多种不同的核函数分别构建多个单核RSVR模型;根据最优属性特征集,采用训练样本进行模型训练,采用测试样本评估模型预测能力;步骤S3,根据各个单核RSVR模型的训练预测误差分配权值,将各个单核RSVR模型进行加权融合,形成多核RSVR组合模型;步骤S4,使用多核RSVR组合模型进行短期电力负荷预测。本发明能够有效解决属性特征不分类提取、未来未知量的盲目使用等问题,并且兼顾优化了支持向量回归模型,进一步提升了方案预测性能。
📄 2020100032934
📂 H02J3_00
👤 江南大学
📅 2020-01-03