CN110070538B - 基于形态优化深度特征的螺栓二维视觉结构聚类方法 - Google Patents

基于形态优化深度特征的螺栓二维视觉结构聚类方法 Download PDF

Info

Publication number
CN110070538B
CN110070538B CN201910349522.5A CN201910349522A CN110070538B CN 110070538 B CN110070538 B CN 110070538B CN 201910349522 A CN201910349522 A CN 201910349522A CN 110070538 B CN110070538 B CN 110070538B
Authority
CN
China
Prior art keywords
calculating
clustering
depth
image
image sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910349522.5A
Other languages
English (en)
Other versions
CN110070538A (zh
Inventor
赵振兵
聂礼强
熊剑平
赵砚青
罗旺
张万征
齐鸿雨
戚银城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
North China Electric Power University
NARI Group Corp
Zhejiang Dahua Technology Co Ltd
Zhiyang Innovation Technology Co Ltd
Original Assignee
Shandong University
North China Electric Power University
NARI Group Corp
Zhejiang Dahua Technology Co Ltd
Zhiyang Innovation Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University, North China Electric Power University, NARI Group Corp, Zhejiang Dahua Technology Co Ltd, Zhiyang Innovation Technology Co Ltd filed Critical Shandong University
Priority to CN201910349522.5A priority Critical patent/CN110070538B/zh
Publication of CN110070538A publication Critical patent/CN110070538A/zh
Application granted granted Critical
Publication of CN110070538B publication Critical patent/CN110070538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，包括以下步骤：S1、采用预训练的深度卷积神经网络模型提取数据集中图像样本深度特征并计算每个目标图像的形态比；S2、步骤S1中获得的形态比和的图像样本深度特征进行联合得到形态优化深度特征；S3、计算数据集中每个图像样本的高宽比散布趋势从而获得聚类中心的个数；S4、基于步骤S2中得到的形态优化深度特征和步骤S3中得到的聚类中心将图像样本分成簇，进而通过最小欧氏距离原则对目标图像样本进行簇的优化选择，从而得到螺栓二维视觉结构聚类结果。本发明采用上述结构的基于形态优化深度特征的螺栓二维视觉结构聚类方法，解决了对三维实体以二维图像表征时所呈现出的多种视觉结构的聚类分析问题且无需人为定义聚类中心，具有精确度高、泛化能力强等优点。

Description

基于形态优化深度特征的螺栓二维视觉结构聚类方法
技术领域
本发明涉及一种图像分析技术，尤其涉及一种基于形态优化深度特征的螺栓二维视觉结构聚类方法。
背景技术
螺栓是输电线路中极其重要且海量存在的紧固件，起到连接输电线路上各组成部件及紧固连接的作用，为故障多发元件，故需要对其进行周期性的检修。目前采用飞行器巡线已成为输电线路巡检的常规方式，首先巡检时，对其重点部位进行拍摄获取海量航拍图像，然后实现螺栓二维视觉结构的聚类，最后进行螺栓的自动识别和诊断，其中聚类是在海量航拍图像中完成螺栓的自动识别与诊断的重要前提。
聚类是数据分析与数据挖掘研究领域的一种重要技术，其目的是从无标签数据集中获得有价值的数据集内在分布结构以解析数据内涵，进而对数据集进行更有效分析与处理。它能够高效简洁的获取数据不同层次的结构知识与相似性分布，在数据分析、数据挖掘、人工智能等领域被广泛应用，故在实际问题中极具价值，而现有的基于像素或人工特征的图像聚类往往需要根据具体的视觉任务而有目的进行特征设计，算法使用难度大且泛化能力弱，其精确性很难保证。
且由于飞行器在自然场景下拍摄的综合条件限制和螺栓的独特性，三维螺栓在二维视觉空间呈现出多种视觉结构的明显差异，所以直接利用深度特征对具有极度不统一的二维视觉结构的螺栓进行聚类是十分困难的。
发明内容
本发明的目的是提供一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，解决了对三维实体以二维图像表征时所呈现出的多种视觉结构的聚类分析问题且无需人为定义聚类中心，具有精确度高、泛化能力强等优点。
为实现上述目的，本发明提供了一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，包括以下步骤：
S1、采用预训练的深度卷积神经网络模型提取数据集中图像样本深度特征并计算每个目标图像的形态比；
S2、步骤S1中获得的形态比和的图像样本深度特征进行联合得到形态优化深度特征；
S3、计算数据集中每个图像样本的高宽比散布趋势从而获得聚类中心的个数；
S4、基于步骤S2中得到的形态优化深度特征和步骤S3中得到的聚类中心将图像样本分成簇，进而通过最小欧氏距离原则对目标图像样本进行簇的优化选择，从而得到螺栓二维视觉结构聚类结果。
优选的，步骤S1包括以下具体步骤：
S10、计算形态比ξi：
Figure BDA0002043459960000021
其中，Hi、Wi分别为包含有n个图像样本的数据集χ的第i个图像样本xi的高度值和宽度值；
S11、计算图像样本深度特征fi：
fi＝ψ(xi)
其中，对于包含有n个图像样本的数据集χ的第i个图像样本xi，ψ(xi)为利用在ImageNet数据集预训练的深度模型作为通用特征提取器获得的深度网络特征提取函数。
优选的，步骤S2中形态优化深度特征为Fi：
Fi＝ξi*fi
其中，ξi为步骤S2中获得的图像形态比，fi为步骤S1中提取的图像样本深度特征。
优选的，步骤S3中聚类中心个数D的具体计算步骤包括：
S30、计算第i个图像样本xi的宽高比vi：
Figure BDA0002043459960000031
其中，Hi、Wi分别为包含有n个图像样本的数据集χ的第i个图像样本xi的高度值和宽度值；
S31、计算宽高比散布区间[S,L]：
[S,L]＝[min[v]，max[v]]
其中，包含有n个图像样本的数据集χ的高宽比集合v为{v1，v2，…，vn}；
S32、计算宽高比散布区间等分数量t：
Figure BDA0002043459960000032
其中，[]为取整函数，n为数据集χ的第i个图像样本xi的图像样本数量；
S33、计算宽高比散布区间的等分间隔d：
Figure BDA0002043459960000033
S34、计算第k个间隔dk的间隔边界
Figure BDA0002043459960000034
Figure BDA0002043459960000035
S35、计算第k个间隔包含的样本数量
Figure BDA0002043459960000036
Figure BDA0002043459960000037
其中，ρ[]为数值为1的恒等函数；
S36、计算聚类的聚类中心数D：
Figure BDA0002043459960000041
其中，
Figure BDA0002043459960000042
为间隔dk后向最近两个间隔范围内最大的样本数量：
Figure BDA0002043459960000043
Figure BDA0002043459960000044
为间隔dk前向最近两个间隔范围内最大的样本数量：
Figure BDA0002043459960000045
其中，对于任意间隔，若其前向及后向共四个间隔中存在样本数量为零的间隔，则不计入聚类中心数内。
优选的，步骤S4中螺栓二维视觉结构聚类具体包括以下步骤：
S40、生成簇
在样本形态优化深度特征空间中随机挑选D个形态优化深度特征{μ1，μ2，…，μD}，作为初始聚类中心，计算第i个图像样本xi的形态优化深度特征Fi到第j个聚类中心的欧式距离
Figure BDA0002043459960000046
Figure BDA0002043459960000047
其中，每个图像样本中与欧式距离最近的聚类中心归为一类，则D个聚类中心得到D个簇：{C1，C2，…，CD}；
S41、计算每个簇内的所有形态优化深度特征到自身聚类中心的欧式距离总和O：
Figure BDA0002043459960000048
S41、计算新的聚类中心与簇的更新
S410、计算新的聚类中心μi：
Figure BDA0002043459960000049
其中，μi为新的聚类中心，|Ci|是第i簇包含的形态优化深度特征数量；
S411、簇的更新：
将步骤S410计算的新的聚类中心μi代入步骤S41，重新计算欧氏距离，并执行簇的更新，直到步骤S410计算得出的聚类中心不变或步骤S41计算得到的欧式距离总和不再减小；
S42、二维视觉结构的聚类结果
Figure BDA0002043459960000051
其中，Ai所对应聚类中心的序号即为第i个图像样本xi所属二维视觉结构的类别标签。
优选的，深度模型为VGG-16。
因此，本发明采用上述结构的基于形态优化深度特征的螺栓二维视觉结构聚类方法，首先采用预训练深度模型作为通用特征提取器提取目标的深度特征并联合每个图像的形态比，利用图像形态比和目标的深度特征对不同二维视觉结构的敏感性，得到稳定的形态优化深度特征，然后，计算数据集中每个图像样本的高宽比散布趋势获得聚类中心的个数，最后利用宽高比的散布密度计算聚类的分布簇，进而实现对形态优化深度特征进行无监督的二维视觉结构聚类，从而得到螺栓图像的二维视觉结构聚类结果并对图像样本编码。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实施例一种基于形态优化深度特征的螺栓二维视觉结构聚类方法的逻辑流程图；
图2为待聚类可见光螺栓图像数据集；
图3为可见光螺栓图像数据集通过形态聚类得到的第一类螺栓二维视觉结构可视化结果；
图4为可见光螺栓图像数据集通过形态聚类得到的第二类螺栓二维视觉结构可视化结果；
图5为可见光螺栓图像数据集通过形态聚类得到的第三类螺栓二维视觉结构可视化结果。
具体实施方式
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
图1为本发明的实施例一种基于形态优化深度特征的螺栓二维视觉结构聚类方法的逻辑流程图，如图1所示，本发明的结构，包括以下步骤：
S1、采用预训练的深度卷积神经网络模型提取数据集中图像样本深度特征并计算每个目标图像的形态比；
优选的，步骤S1包括以下具体步骤：
S10、计算形态比ξi：
Figure BDA0002043459960000061
其中，Hi、Wi分别为包含有n个图像样本的数据集χ的第i个图像样本xi的高度值和宽度值；
S11、计算图像样本深度特征fi：
fi＝ψ(xi)
其中，对于包含有n个图像样本的数据集χ的第i个图像样本xi，ψ(xi)为利用在ImageNet数据集预训练的深度模型作为通用特征提取器获得的深度网络特征提取函数；
优选的，深度模型为VGG-16。
S2、步骤S1中获得的形态比和的图像样本深度特征进行联合得到形态优化深度特征；
优选的，步骤S2中形态优化深度特征为Fi：
Fi＝ξi*fi
其中，ξi为步骤S2中获得的图像形态比，fi为步骤S1中提取的图像样本深度特征。
S3、计算数据集中每个图像样本的高宽比散布趋势从而获得聚类中心的个数；
优选的，步骤S3中聚类中心个数D的具体计算步骤包括：
S30、计算第i个图像样本xi的宽高比vi：
Figure BDA0002043459960000071
其中，Hi、Wi分别为包含有n个图像样本的数据集χ的第i个图像样本xi的高度值和宽度值；
S31、计算宽高比散布区间[S,L]：
[S,L]＝[min[v]，max[v]]
其中，包含有n个图像样本的数据集χ的高宽比集合v为{v1，v，…，vn}；
S32、计算宽高比散布区间等分数量t：
Figure BDA0002043459960000072
其中，[]为取整函数，n为数据集χ的第i个图像样本xi的图像样本数量；
S33、计算宽高比散布区间的等分间隔d：
Figure BDA0002043459960000073
S34、计算第k个间隔dk的间隔边界
Figure BDA0002043459960000074
Figure BDA0002043459960000075
S35、计算第k个间隔包含的样本数量
Figure BDA0002043459960000076
Figure BDA0002043459960000077
其中，ρ[]为数值为1的恒等函数；
S36、计算聚类的聚类中心数D：
Figure BDA0002043459960000081
其中，
Figure BDA0002043459960000082
为间隔dk后向最近两个间隔范围内最大的样本数量：
Figure BDA0002043459960000083
Figure BDA0002043459960000084
为间隔dk前向最近两个间隔范围内最大的样本数量：
Figure BDA0002043459960000085
其中，对于任意间隔，若其前向及后向共四个间隔中存在样本数量为零的间隔，则不计入聚类中心数内。
S4、基于步骤S2中得到的形态优化深度特征和步骤S3中得到的聚类中心将图像样本分成簇，进而通过最小欧氏距离原则对目标图像样本进行簇的优化选择，从而得到螺栓二维视觉结构聚类结果；
优选的，步骤S4中螺栓二维视觉结构聚类具体包括以下步骤：
S40、生成簇
在样本形态优化深度特征空间中随机挑选D个形态优化深度特征{μ1，μ2，…，μD}，作为初始聚类中心，计算第i个图像样本xi的形态优化深度特征Fi到第j个聚类中心的欧式距离
Figure BDA0002043459960000086
Figure BDA0002043459960000087
其中，每个图像样本中与欧式距离最近的聚类中心归为一类，则D个聚类中心得到D个簇：{C1，C2，…，CD}；
S41、计算每个簇内的所有形态优化深度特征到自身聚类中心的欧式距离总和O：
Figure BDA0002043459960000088
S41、计算新的聚类中心与簇的更新
S410、计算新的聚类中心μi：
Figure BDA0002043459960000089
其中，μi为新的聚类中心，|Ci|是第i簇包含的形态优化深度特征数量；
S411、簇的更新：
将步骤S410计算的新的聚类中心μi代入步骤S41，重新计算欧氏距离，并执行簇的更新，直到步骤S410计算得出的聚类中心不变或步骤S41计算得到的欧式距离总和不再减小；
S42、二维视觉结构的聚类结果
Figure BDA0002043459960000091
其中，Ai所对应聚类中心的序号即为第i个图像样本xi所属二维视觉结构的类别标签。
即本申请首先计算目标图像数据集中每一个图像样本的形态比，然后采用基于预训练的深度模型对输入图像进行特征提取并计算得到形态优化深度特征，本实施例中对可见光螺栓进行聚类，图2为待聚类可见光螺栓图像数据集，图3为可见光螺栓图像数据集通过形态聚类得到的第一类螺栓二维视觉结构可视化结果，图4为可见光螺栓图像数据集通过形态聚类得到的第二类螺栓二维视觉结构可视化结果，图5为可见光螺栓图像数据集通过形态聚类得到的第三类螺栓二维视觉结构可视化结果，可知在本实施例中图2中的可见光螺栓图像数据集中样本宽高比散布趋势计算聚类得到三个类别，分别为图3、图4和图5，对比图2可知，本申请解决了对三维实体以二维图像表征时所呈现出的多种视觉结构的聚类分析问题。
因此，本发明采用上述结构的基于形态优化深度特征的螺栓二维视觉结构聚类方法，解决了对三维实体以二维图像表征时所呈现出的多种视觉结构的聚类分析问题且无需人为定义聚类中心，具有精确度高、泛化能力强等优点。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (4)

1.一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，其特征在于：包括以下步骤：
S1、采用预训练的深度卷积神经网络模型提取数据集中图像样本深度特征并计算每个目标图像的形态比；
S2、步骤S1中获得的形态比和图像样本深度特征进行联合得到形态优化深度特征；
S3、计算数据集中每个图像样本的高宽比散布趋势获得聚类中心的个数；
S4、基于步骤S2中得到的形态优化深度特征和步骤S3中得到的聚类中心将图像样本分成簇，进而通过最小欧氏距离原则对目标图像样本进行簇的优化选择，从而得到螺栓二维视觉结构聚类结果；
步骤S1包括以下具体步骤：
S10、计算形态比ξi：
Figure FDA0003545504740000011
其中，Hi、Wi分别为包含有n个图像样本的数据集χ的第i个图像样本xi的高度值和宽度值；
S11、计算图像样本深度特征fi：
fi＝ψ(xi)
其中，对于包含有n个图像样本的数据集χ的第i个图像样本xi，ψ(xi)为利用在ImageNet数据集预训练的深度模型作为通用特征提取器获得的深度网络特征提取函数；
步骤S2中形态优化深度特征为Fi：
Fi＝ξi*fi
其中，ξi为步骤S2中获得的图像形态比，fi为步骤S1中提取的图像样本深度特征。
2.根据权利要求1所述的一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，其特征在于：步骤S3中聚类中心个数D的具体计算步骤包括：
S30、计算第i个图像样本xi的宽高比vi：
Figure FDA0003545504740000021
其中，Hi、Wi分别为包含有n个图像样本的数据集χ的第i个图像样本xi的高度值和宽度值；
S31、计算宽高比散布区间[S,L]：
[S,L]＝[min[v]，max[v]]
其中，包含有n个图像样本的数据集χ的高宽比集合v为{v1，v2，…，vn}；
S32、计算宽高比散布区间等分数量t：
Figure FDA0003545504740000022
其中，[]为取整函数，n为数据集χ的第i个图像样本xi的图像样本数量；
S33、计算宽高比散布区间的等分间隔d：
Figure FDA0003545504740000023
S34、计算第k个间隔dk的间隔边界
Figure FDA0003545504740000024
Figure FDA0003545504740000025
S35、计算第k个间隔包含的样本数量
Figure FDA0003545504740000026
Figure FDA0003545504740000027
其中，ρ[]为数值为1的恒等函数；
S36、计算聚类的聚类中心数D：
Figure FDA0003545504740000031
其中，
Figure FDA0003545504740000032
为间隔dk后向最近两个间隔范围内最大的样本数量：
Figure FDA0003545504740000033
Figure FDA0003545504740000034
为间隔dk前向最近两个间隔范围内最大的样本数量：
Figure FDA0003545504740000035
其中，对于任意间隔，若其前向及后向共四个间隔中存在样本数量为零的间隔，则不计入聚类中心数内。
3.根据权利要求2所述的一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，其特征在于：步骤S4中螺栓二维视觉结构聚类具体包括以下步骤：
S40、生成簇
在样本形态优化深度特征空间中随机挑选D个形态优化深度特征{μ1，μ2，…，μD}，作为初始聚类中心，计算第i个图像样本xi的形态优化深度特征Fi到第j个聚类中心μj的欧式距离Ti j：
Ti j＝||ξi-μj||2
其中，每个图像样本中与欧式距离最近的聚类中心归为一类，则D个聚类中心得到D个簇：{C1，C2，…，CD}；
S41、计算每个簇内的所有形态优化深度特征到自身聚类中心的欧式距离总和O：
Figure FDA0003545504740000036
S41、计算新的聚类中心与簇的更新
S410、计算新的聚类中心μi：
Figure FDA0003545504740000041
其中，μi为新的聚类中心，|Ci|是第i簇包含的形态优化深度特征数量；
S411、簇的更新：
将步骤S410计算的新的聚类中心μi代入步骤S41，重新计算欧氏距离，并执行簇的更新，直到步骤S410计算得出的聚类中心不变或步骤S41计算得到的欧式距离总和不再减小；
S42、二维视觉结构的聚类结果
Ai＝min[Ti 1，Ti 2，....，Ti D]
其中，Ai所对应聚类中心的序号即为第i个图像样本xi所属二维视觉结构的类别标签。
4.根据权利要求1所述的一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，其特征在于：深度模型为VGG-16。
CN201910349522.5A 2019-04-28 2019-04-28 基于形态优化深度特征的螺栓二维视觉结构聚类方法 Active CN110070538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910349522.5A CN110070538B (zh) 2019-04-28 2019-04-28 基于形态优化深度特征的螺栓二维视觉结构聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910349522.5A CN110070538B (zh) 2019-04-28 2019-04-28 基于形态优化深度特征的螺栓二维视觉结构聚类方法

Publications (2)

Publication Number Publication Date
CN110070538A CN110070538A (zh) 2019-07-30
CN110070538B true CN110070538B (zh) 2022-04-15

Family

ID=67369224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910349522.5A Active CN110070538B (zh) 2019-04-28 2019-04-28 基于形态优化深度特征的螺栓二维视觉结构聚类方法

Country Status (1)

Country Link
CN (1) CN110070538B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414931B (zh) * 2019-12-31 2023-04-25 杭州电子科技大学 一种基于图像深度的多分支多尺度小目标检测方法
CN113724252A (zh) * 2021-10-11 2021-11-30 北京中科智眼科技有限公司 一种基于深度对偶网络特征匹配的工业图像异常检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007241417A (ja) * 2006-03-06 2007-09-20 Nippon Telegr & Teleph Corp <Ntt> 構造化データ抽出システム、装置、および方法
CN101499177A (zh) * 2008-01-28 2009-08-05 上海西门子医疗器械有限公司 一种三维模型的建立方法和系统
CN101651772A (zh) * 2009-09-11 2010-02-17 宁波大学 一种基于视觉注意的视频感兴趣区域的提取方法
CN101799410A (zh) * 2010-02-25 2010-08-11 河北大学 一种基于红外光谱的普洱熟茶识别方法
CN102447925A (zh) * 2011-09-09 2012-05-09 青岛海信数字多媒体技术国家重点实验室有限公司 一种虚拟视点图像合成方法及装置
CN105739702A (zh) * 2016-01-29 2016-07-06 电子科技大学 用于自然人机交互的多姿态指尖跟踪方法
CN107229945A (zh) * 2017-05-05 2017-10-03 中山大学 一种基于竞争学习的深度聚类方法
CN109299707A (zh) * 2018-10-30 2019-02-01 天津师范大学 一种基于模糊深度聚类的无监督行人再识别方法
CN109598709A (zh) * 2018-11-29 2019-04-09 东北大学 基于融合深度特征的乳腺辅助诊断系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8730157B2 (en) * 2010-11-15 2014-05-20 Hewlett-Packard Development Company, L.P. Hand pose recognition
US9471864B2 (en) * 2012-06-22 2016-10-18 Microsoft Technology Licensing, Llc Encoding data in depth patterns

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007241417A (ja) * 2006-03-06 2007-09-20 Nippon Telegr & Teleph Corp <Ntt> 構造化データ抽出システム、装置、および方法
CN101499177A (zh) * 2008-01-28 2009-08-05 上海西门子医疗器械有限公司 一种三维模型的建立方法和系统
CN101651772A (zh) * 2009-09-11 2010-02-17 宁波大学 一种基于视觉注意的视频感兴趣区域的提取方法
CN101799410A (zh) * 2010-02-25 2010-08-11 河北大学 一种基于红外光谱的普洱熟茶识别方法
CN102447925A (zh) * 2011-09-09 2012-05-09 青岛海信数字多媒体技术国家重点实验室有限公司 一种虚拟视点图像合成方法及装置
CN105739702A (zh) * 2016-01-29 2016-07-06 电子科技大学 用于自然人机交互的多姿态指尖跟踪方法
CN107229945A (zh) * 2017-05-05 2017-10-03 中山大学 一种基于竞争学习的深度聚类方法
CN109299707A (zh) * 2018-10-30 2019-02-01 天津师范大学 一种基于模糊深度聚类的无监督行人再识别方法
CN109598709A (zh) * 2018-11-29 2019-04-09 东北大学 基于融合深度特征的乳腺辅助诊断系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
2014年秭归MS 4.5 和MS 4.9 地震震源与发震构造特征;吴海波等;《地震地质》;20150930;第719-730页 *

Also Published As

Publication number Publication date
CN110070538A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
Ramesh et al. Plant disease detection using machine learning
Ewees et al. Improved artificial bee colony using sine-cosine algorithm for multi-level thresholding image segmentation
Dubey et al. Infected fruit part detection using K-means clustering segmentation technique
Tang et al. A multi-stage framework with context information fusion structure for skin lesion segmentation
Liu et al. A spark-based parallel fuzzy $ c $-Means segmentation algorithm for agricultural image Big Data
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN107992874A (zh) 基于迭代稀疏表示的图像显著目标区域提取方法及系统
CN110070538B (zh) 基于形态优化深度特征的螺栓二维视觉结构聚类方法
CN107330412B (zh) 一种基于深度稀疏表示的人脸年龄估计方法
CN107659754B (zh) 一种树叶扰动情况下监控视频的有效浓缩方法
CN114581451A (zh) 一种基于散射图神经网络的大脑磁共振图像分割方法
CN114511878A (zh) 一种基于多模态关系聚合的可见光红外行人重识别方法
Li et al. Application of Semi-supervised Learning in Image Classification: Research on Fusion of Labeled and Unlabeled Data
CN105069403B (zh) 一种基于分块统计特征与字典学习稀疏表示分类的三维人耳识别
CN113240620B (zh) 基于点标记的高度黏连和多尺寸脑神经元自动分割方法
CN109272496A (zh) 一种煤矿火灾视频监控用火灾图像识别方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN107452001A (zh) 一种基于改进fcm算法的遥感图像序列分割方法
WO2023173770A1 (zh) 基于拉普拉斯特征映射的高通量钙信号的降维和可视化方法
CN108491888B (zh) 基于形态学分析的环境监测高光谱数据谱段选择方法
Preetha et al. Firefly based region growing and region merging for image segmentation
Zou et al. Research on human movement target recognition algorithm in complex traffic environment
CN111046745B (zh) 基于软块对角的多视聚类方法
CN109800384B (zh) 一种基于粗糙集信息决策表的基本概率赋值计算方法
Bell et al. Watching plants grow–a position paper on computer vision and Arabidopsis thaliana

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhao Zhenbing

Inventor after: Nie Liqiang

Inventor after: Xiong Jianping

Inventor after: Zhao Yanqing

Inventor after: Luo Wang

Inventor after: Zhang Wanzheng

Inventor after: Qi Hongyu

Inventor after: Qi Yincheng

Inventor before: Zhao Zhenbing

Inventor before: Qi Hongyu

Inventor before: Qi Yincheng

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220214

Address after: 071003 Hebei province Baoding Yonghua No. 619 North Street

Applicant after: NORTH CHINA ELECTRIC POWER University (BAODING)

Applicant after: SHANDONG University

Applicant after: ZHEJIANG DAHUA TECHNOLOGY Co.,Ltd.

Applicant after: Zhiyang Innovation Technology Co.,Ltd.

Applicant after: NARI Group Corp.

Address before: 071003 Hebei province Baoding Yonghua No. 619 North Street

Applicant before: NORTH CHINA ELECTRIC POWER University (BAODING)

GR01 Patent grant
GR01 Patent grant