热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

信息技术_信息技术丨可用于图像识别智慧医疗场景模拟等多领域

本文由编程笔记#小编为大家整理,主要介绍了信息技术丨可用于图像识别智慧医疗场景模拟等多领域相关的知识,希望对你有一定的参考价值。
本文由编程笔记#小编为大家整理,主要介绍了信息技术丨可用于图像识别智慧医疗场景模拟等多领域相关的知识,希望对你有一定的参考价值。







点击“蓝字”






关注瓯海科技大市场
























本期推荐技术如下:






1.汽车安全防撞预警系统


2.一种高性能人脸特征点定位模型训练方法


3.中级视觉毒品图像识别方法


4.一种利用卷积神经网络的火焰图像序列分类方法及装置


5.智慧医疗云诊断 互联网体外检测技术


6.多场景摄像布景系统







































1.汽车辅助驾驶安全防撞预警系统






项目介绍:


本成果属于先进辅助驾驶(ADAS)技术的一部分。目前国内市场上的安全防撞预警系统多使用雷达,成本高。团队利用安装在汽车上的单目镜头采集视频图像,利用多项计算机视觉技术,能自动实现车辆检测、跟踪与测距,为驾驶员提供安全防撞预警信息。


系统由摄像头、车辆图像处理算法及软件、硬件处理模块等部分组成,白天和夜间均可对前方车辆进行检测、跟踪与测距。系统也能另增模块,对行车过程中的车道线偏离进行检测。


目前团队已完成车辆前方/左右盲区车辆检测与测距、车道线检测软件设计,并进行实际测试,正将设计的软件移植到嵌入式芯片平台上,性能可以达到实际应用。






项目优势:


①单目镜头采集视频图像,成本低,可将防撞预警系统成本从万元级降至千元级;


②算法运算速度快、精度好、实时性高,系统准确率综合达到94.1%,平均耗时仅28ms;


③使用的标定方法简单快速,适用于实际环境操作,技术在无人驾驶、辅助驾驶、新一代行车记录仪等领域可进行市场化应用;


④能处理白天和黑夜多场景的车辆检测、跟踪与测距。






市场应用:


该系统可用于车辆防撞预警,具有较高的准确率和实时性,与雷达相比,成本更低。团队可以开发独立的车辆防撞预警系统,也可以在目前行车记录仪基础上增加车辆防撞预警功能模块。






项目成熟度:样机(样品)


项目详情:


信息技术丨可用于图像识别、智慧医疗、场景模拟等多领域





































































2.一种高性能人脸特征点定位


模型训练方法






项目介绍:


人脸特征点自动定位主要分为模型训练和定位计算两大阶段。


模型训练具体过程如下:


①收集一批训练用的人脸图像数据;


②人工标记每个人脸训练图像上各特征点位置;


③设计一个人脸特征点模型及其训练学习方法;


④从人工标记的训练人脸图像数据集中训练出模型的具体参数,用于定位识别阶段计算。






定位计算阶段具体过程如下:


①输入一张人脸图像;


②检测人脸区域方框;


③把上步人脸区域内的图像输入上一阶段所学习的模型中计算得出特征点定位识别结果。






项目优势:


在常用的三个公开评测数据集上(MTFL,AFLW,300-W)达到了最好的精度,模型仅有3MB且速度达到300FPS (Core-i5 CPU)。实际检测效果示例如图1所示。图2展示的结果证明本发明提出的方法可以解决各种严重遮挡情况。






信息技术丨可用于图像识别、智慧医疗、场景模拟等多领域




市场应用:


可用于人脸虚拟化妆、虚拟换脸、人脸识别






项目成熟度:样机(样品)


项目详情:


信息技术丨可用于图像识别、智慧医疗、场景模拟等多领域
























































3.中级视觉毒品图像识别方法






项目介绍:


一种中级视觉毒品图像识别方法,能够利用计算机识别毒品。通过以下技术方案实现:


①通过人工标定的方法获取毒品的图像与非毒品图像,对这些图像进行预处理与增强,获得有效的方形训练图像;


②随机从训练集中选图像,将每一张图像分割成m个不同的部分,这m个部分即为中级视觉图,将中级视觉图放入到网络层中进行自主学习,经过多次迭代,最后分配给每个中级视觉图不同的权重值即概率;


③将m个中层视觉图及其概率,放入到贝叶斯分类器中进行分类,经过多次迭代最后得到模型;


④将得到的模型在测试集上进行测试,根据测试结果调整训练集数据,把识别错误的物体放入到贝叶斯分类器中继续训练,得到最终的模型;


⑤在训练好的模型上随机测试某张图片,输出结果判断是哪一种毒品。






项目优势:


①把中层视觉和概率很好地结合在一起,为后面训练优化的模型做了铺垫,构建中层视觉和概率结合的框架,最后可以很好地训练出一个模型;


②中层视觉概率框架和训练紧密地链接在一起,提高模型的准确性。






市场应用:


用于毒品识别,弥补缉毒犬、人工缉毒(嗅闻和手捻)、昆虫探测毒品(蜜蜂)、毒品检测器等的不足






项目成熟度:样机(样品)


项目详情:


信息技术丨可用于图像识别、智慧医疗、场景模拟等多领域





































































4.一种利用卷积神经网络的火焰图像序列分类方法及装置






项目介绍:


一种利用卷积神经网络的火焰图像序列分类方法及装置,通过以下技术方案实现:


①获取前景图像序列,获取与前景图像序列对应的综合光流图;


②获取第一训练集和第一测试集;


③获取所述综合光流图是否对应于真实火焰的图像序列的类别标签;


④训练预设的第一卷积神经网络模型;


⑤测试训练好的第一卷积神经网络模型,获取第一测试结果;


⑥判断第一测试结果是否大于第一预设阈值:若是,将训练好的第一卷积神经网络模型作为目标第一卷积神经网络模型;若否,调整训练好的第一卷积神经网络模型的训练参数,并返回执行训练预设的第一卷积神经网络模型的步骤;


⑦利用目标第一卷积神经网络对与待分类图像序列对应的综合光流图进行分类。






项目优势:


利用前景图像序列生成的综合光流图对卷积神经网络进行训练。由于只计算了前景图像序列中的运动区域的运动信息,避免了背景变化对综合光流图的干扰,可以精确的表达火焰的动态特性,进而降低了对火焰区域检测的误检率。






市场应用:


用于火灾检测,提高时效性与准确率






项目成熟度:样机(样品)


项目详情:


信息技术丨可用于图像识别、智慧医疗、场景模拟等多领域





































































5.智慧医疗云诊断


互联网体外检测技术






项目介绍:


智能终端+云计算的生物化学分析检测技术,可针对600+项目进行检测(均有注册证),打造“云化验室”,解决方案对标中型医院。






项目优势:


①低成本、高稳定性:无机械故障、无光路电路老化、无台间差,线上质控,部署维护费极低;


②快捷:即时检测并给出报告,公卫体检时长由两个月变为半天;


③项目齐全:五大方法覆盖数百检测项目,对标中型医院;


④政策壁垒高:线上体外诊断唯一注册证,具备全球细分行业大部分底层专利,全程溯源,中国欧盟双资质(CFDA、CE);


⑤技术壁垒高:结合前沿算法和材料科学,做到临床需求接近全覆盖。






市场应用:


前景广阔,基层医学检验和公共卫生需求市场约350亿,普及到个人则需求达千亿级






项目成熟度:产业化(疫情期间,曾为企鹅医生、湘雅医院、钟南山院士团队的研发提供“云检测”技术支持)


项目详情:


信息技术丨可用于图像识别、智慧医疗、场景模拟等多领域





































































6.多场景摄像布景系统






项目介绍:


一种多场景摄像布景系统,包括矩形围墙,矩形围墙内侧设有背景布,矩形围墙上侧设有支架,支架上设有喷水器和造雪机,矩形围墙内的下地面设有若干堵支撑墙,所述支撑墙上设有支撑网组件,矩形围墙与其下地面之间构成储水池,所述储水池与喷水器和造雪机之间设有水回收装置。






项目优势:


可有效回收场景模拟时使用的水源,减少水资源的浪费






市场应用:


可用于雨景和雪景的模拟






项目成熟度:样机(样品)


项目详情:





































若您或您的团队对上述项目感兴趣


扫描二维码了解项目详情


或在文末留言
















推荐阅读
author-avatar
东北人852
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有