| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 61 | 一种基于深度学习的图像分类系统 | CN202122815497.0 | 2021-11-17 | CN216249328U | 2022-04-08 | 卜言彬; 段永良 |
| 本实用新型公开了一种基于深度学习的图像分类系统，包括边条、平台和图像卡片，多个所述图像卡片的外壁均固接有边条，所述平台的左右两侧设置有下料组件，所述下料组件包括电机、螺纹块、齿条、齿轮、转轴、第一锥齿轮和第二锥齿轮，多个所述电机分别固接在平台的下端左右两侧，所述第一锥齿轮的内壁与电机的输出轴固定相连。该基于深度学习的图像分类系统，通过图像卡片、竖卡板、电机、螺纹块、边条和缺口之间的配合，螺纹块不断转动通过外壁的螺纹槽驱使边条和图像卡片均匀向下移动，当移动到极限位置后边条脱离螺纹块的外螺纹向下掉落，进而实现自动下料，避免了现有技术不便于实现图像卡片的均匀自动下料的问题。 | ||||||
| 62 | 基于图像与深度信息的医疗检测模块 | CN202022054974.1 | 2020-09-18 | CN213092364U | 2021-04-30 | 万好; 牟松; 严嵩; 邹勇彬; 邓壮志; 李津; 姬学欢; 陈兴发 |
| 本实用新型涉及医疗检测用具技术领域，具体为一种基于图像与深度信息的医疗检测模块，包括用于检测患者病情的医疗检测子模块、用于驱动医疗检测子模块伸缩至患者检测部位的执行机构、用于移动执行机构的驱动子模块、用于采集患者检测部位的定位信息及深度信息的图像采集子模块、用于采集医疗检测子模块与患者检测部位之间接触压力的力反馈子模块、用于实施人机交互的输入/输出子模块，以及处理子模块，所述的处理子模块分别电连接图像采集子模块、执行机构、驱动子模块、图像采集子模块、力反馈子模块、输入/输出子模块。本实用新型的医疗检测模块可降低医生医疗检测工作量，提高工作效率。 | ||||||
| 63 | 基于深度学习的图像信息获取设备 | CN202022111257.8 | 2020-09-23 | CN212850714U | 2021-03-30 | 朱文英 |
| 本申请涉及一种基于深度学习的图像信息获取设备，包括摄像头，所述摄像头设置有主散热孔和副散热孔，所述副散热孔上设有通闭所述副散热孔的封堵板，所述图像信息获取设备还包括温度检测电路，所述温度检测电路包括温度检测模块、温度比较模块、开关模块、执行模块。通过设置温度检测模块，以实时检测摄像头内部的温度，检测信号大于温度基准值时，向开关模块输出比较信号，以使得开关模块执行导通信号，执行模块响应于开关模块的导通信号，执行驱动封堵板打开副散热孔进行散热操作，通过增加摄像头的散热通过以增加摄像头内外空气的流通，以便摄像头进行散热，摄像头的内部不易发热。 | ||||||
| 64 | 一种深度学习模型的图像处理装置 | CN202021120417.9 | 2020-06-16 | CN212519185U | 2021-02-09 | 杨庆川; 秦兴 |
| 本实用新型公开了一种深度学习模型的图像处理装置，包括装置本体，装置本体的前表壁设置有显示屏，显示屏的下端设置有连接面板，连接面板的一侧设置有操作面板，装置本体的顶端设置有凹槽，凹槽的内部设置有固定座。本实用新型通过增设凹槽、固定座、活动槽和提手，解决了传统的装置本体未设置把手且表面呈平滑状致使不便于使用者拿取而导致在搬运时容易掉落至地面上的问题，提高了搬运稳定性；通过增设防护盖、移动块、移动槽和推拉手，防护盖能够对装置本体前表壁上的显示屏、连接面板和操作面板起到保护或挡灰的作用，避免了灰尘落在显示屏、连接面板和操作面板的表面致使不便于进行清洗而导致出现故障的问题。 | ||||||
| 65 | 基于深度学习的智能图像处理设备 | CN202020319936.1 | 2020-03-16 | CN211454662U | 2020-09-08 | 郑如军 |
| 本实用新型公开了基于深度学习的智能图像处理设备，属于深度学习技术领域，其技术方案要点包括外存储单元、数据接口单元、内存储单元、图像预处理单元、图像处理单元、图像分析单元和图像输出单元，外存储单元与数据接口单元连接，数据接口单元与图像预处理单元电性连接，内存储单元与图像预处理单元电性电性连接，图像预处理单元与图像处理单元电性连接，图像处理单元与图像分析单元电性连接，图像分析单元与图像输出单元电性连接。本实用新型通过使用图像分析单元，建立反馈机制，提高了智能化；通过使用多个显示屏，使图像在输出时根据不同特征将图像显示在不同的显示屏上，利于从不同特征对比观察同一图片，提高了实用性。 | ||||||
| 66 | 深度图像成像装置、系统和终端 | CN201921405778.5 | 2019-08-27 | CN210803719U | 2020-06-19 | 杨萌; 戴付建; 赵烈烽 |
| 本申请提供了一种深度图像成像装置、系统和终端，该成像装置，包括：光源设备，位于目标场景的一侧，用于至少发出预定光；滤波设备，位于目标场景的一侧，用于对目标场景的反射光进行滤波处理，得到第一滤波光和第二滤波光，第一滤波光为预定光经过目标场景反射和滤波处理得到的；第一成像设备和第二成像设备，位于滤波设备的出光侧，用于分别对预定波段的第一滤波光和第二滤波光进行成像。该成像装置能够提高对目标场景的成像效果。(ESM)同样的发明创造已同日申请发明专利 | ||||||
| 67 | 图像传感器和深度数据测量头 | CN201821070113.9 | 2018-07-06 | CN208509062U | 2019-02-15 | 王敏捷; 梁雨时; 宋涛; 陈翔; 周剑靓 |
| 本实用新型公开了一种图像传感器以及配置有该图像传感器的深度数据测量头。该图像传感器，包括：镜片单元，用于接收入射光；分束装置，用于将入射光分成可见光光束和红外光光束；可见光感光单元，用于从所述可见光光束检测特定可见光频率范围内的可见光；以及红外光感光单元，用于从对所述红外光光束检测特定红外光频率范围内的红外光。本实用新型的图像传感器通过引入分束装置，尤其是反射红外光的四方棱镜，能够以极为简单的设置实现红外和可见光成分的分离和成像的像素级对齐。这一图像传感器可以应用与各类单目和双目测量头中，并且可以优选与可见光投射装置相配合，以多套投射纹理提升窗口匹配精确度。(ESM)同样的发明创造已同日申请发明专利 | ||||||
| 68 | 一种图像深度计算方法 | CN202211130513.5 | 2022-09-15 | CN117745790A | 2024-03-22 | 郭飞 |
| 本申请提供了一种图像深度计算方法。该方法可应用于手机、平板电脑等能够提供拍摄服务的电子设备上。电子设备可基于神经网络学习的方法建立视差预测子网络，和法向量预测子网络。电子设备可结合视差预测子网络确定的像素点的视差，和法向量预测子网络确定的像素点的法向量，使电子设备预测图像中像素点的深度的准确性更高，预测结果更可靠。然后，电子设备可基于上述准确性更高的深度图，对拍摄图像进行处理，例如背景虚化等，使之具备特定的画面效果。 | ||||||
| 69 | 根据图像使深度精准化 | CN202080046482.8 | 2020-06-25 | CN114072841A | 2022-02-18 | P·斯里尼瓦森 |
| 使用接近对象的环境属性的位置，可以使由车辆的一个或多个传感器做出的对象的深度估计精准化。可以对接近环境属性的对象的捕获图像进行分析，以确定对象相对于环境属性被定位在何处。可以使用机器学习模型来检测环境属性，并且可以根据地图数据确定环境属性的位置。基于环境属性的已知位置，可以确定对象的位置概率。对象的位置概率可用于使由其他方式生成的深度估计精准化，例如使用计算机视觉根据图像进行单目深度估计。 | ||||||
| 70 | 活动图像深度预测 | CN201980056294.0 | 2019-08-29 | CN112639876A | 2021-04-09 | 段锟; D·罗恩; C·马; 徐宁; 王申龙; S·M·哈努曼特; D·萨加尔 |
| 活动深度检测系统可以从图像和用户交互数据(例如，一对点击)生成深度图。活动深度检测系统可被实现为循环神经网络，其可以在训练后接收用户交互数据作为运行时输入。活动深度检测系统可以存储所生成的深度图，用于进一步处理，例如图像操作或现实世界中的对象检测。 | ||||||
| 71 | 深度图像的构建方法 | CN201910507442.8 | 2019-05-13 | CN111932598A | 2020-11-13 | 杨萌; 李建军; 戴付建; 赵烈烽 |
| 本申请提供了一种深度图像的构建方法，该构建方法包括：将预定光衍射为第一初始光斑点；将第一初始光斑点调整为偏振方向为第一方向的第一初始光斑点；在第一预定时间段内，将经过目标物体反射的第一初始光斑点的偏振方向由第一方向调整为第二方向，得到多个第一光斑点，第一方向和第二方向垂直；采集多个第一光斑点的第一图像；至少根据第一图像构建目标物体的深度图像。该构建方法能够减少环境光的影响，从而准确地构建深度图像。 | ||||||
| 72 | 图像深度预测神经网络 | CN202010612045.X | 2017-09-12 | CN111915663A | 2020-11-10 | A.安格洛瓦; M.威克; R.马乔里安 |
| 本申请涉及图像深度预测神经网络。一种系统，包括由一个或多个计算机实施的图像深度预测神经网络。该图像深度预测神经网络是递归神经网络，该递归神经网络被配置为接收图像序列，并且对于序列中的每个图像：根据递归神经网络的当前内部状态处理图像，以(i)更新当前内部状态，以及(ii)生成表征序列中未来图像的预测深度的深度输出。 | ||||||
| 73 | 深度图像获取方法 | CN201710574935.4 | 2017-07-14 | CN107403447B | 2020-11-06 | 张贶恩; 邵天兰; 魏海勇; 李玺 |
| 公开了一种深度图像获取方法，通过标定计算获取第二深度相机到第一深度相机的转换矩阵，通过转换矩阵将深度图像进行映射后融合，获取融合深度图像。本发明的深度图像获取方法简单可靠，可以减少反光物体在深度图像上出现孔洞，提高深度相机的精度和视野范围。 | ||||||
| 74 | 改进的深度图像重建 | CN201880081541.8 | 2018-10-31 | CN111492266A | 2020-08-04 | H·J·门希; M·J·劳伦松; N·沃克; J·J·范登贝尔赫 |
| 本发明描述了一种飞行时间相机模块(100)，包括控制器(110)、飞行时间检测器(130)、激光装置(140)和包括偏振旋转器的光学单元(150)，偏振旋转器被布置为能够旋转偏振光的平面，其中，控制器(110)被布置为能够在深度感测模式下调制飞行时间检测器(130)和激光装置(140)，其中，飞行时间检测器(130)被布置为能够在深度感测模式下借助于从场景中的对象反射的由激光装置(140)发射的调制激光(141)来记录场景的深度数据，其中，所述深度数据描述到场景中的对象的距离，其中，控制器(110)还被布置为能够在表面偏振感测模式下调制飞行时间检测器(130)和偏振旋转器，其中，飞行时间检测器(130)被布置为能够在表面偏振感测模式下借助于从场景中的对象接收的穿过偏振旋转器后的检测光(131)来记录场景的偏振数据，其中，所述偏振数据描述检测光(131)的偏振，其中，检测光(131)包括由激光装置(140)和光学单元(150)发射的从场景中的对象反射的偏振发射光(201)。 | ||||||
| 75 | 位深度高效图像处理 | CN201880053158.1 | 2018-08-14 | CN110999301A | 2020-04-10 | J·S·麦克尔文 |
| 一种用于位深度高效图像处理的计算机实施的方法包括将至少一个非线性变换传送至图像信号处理器的步骤。每个非线性变换被配置为当由所述图像信号处理器应用于具有以第一位深度编码的传感器信号的所捕获图像时产生非线性图像，所述非线性图像以可以小于所述第一位深度的第二位深度对所捕获图像进行重新编码，同时针对低轮廓可见性优化所述非线性图像中位深度分辨率的分配。所述方法进一步包括从所述图像信号处理器接收所述非线性图像，以及应用反变换以便以大于所述第二位深度的第三位深度将所述非线性图像变换成重新线性化图像。所述反变换与用于产生所述非线性图像的所述非线性变换相反。 | ||||||
| 76 | 根据单个图像估计深度 | CN201480038069.1 | 2014-09-04 | CN105359190B | 2018-09-21 | 阿努拉格·巴德瓦耶; 默罕默德·哈里斯·拜格; 鲁宾逊·皮拉姆苏; 维格里希·贾格迪希; 邸韡 |
| 在训练阶段期间，机器访问具有对应深度信息的参考图像。机器根据该信息来计算视觉描述符和对应的深度描述符。然后，机器生成将这些视觉描述符与它们的对应深度描述符进行相关的映射。在训练阶段之后，机器可以基于缺少深度信息的单个查询图像来执行深度估计。机器可以根据单个查询图像来计算一个或多个视觉描述符，并且根据生成的映射来获得针对每个视觉描述符的对应深度描述符。基于获得的深度描述符，机器创建与所提交的单个查询图像相对应的深度信息。 | ||||||
| 77 | 深度图像增强方法 | CN201380054638.7 | 2013-09-09 | CN104756490B | 2017-11-28 | B·米尔巴赫; T·索利尼亚克; F·加西亚贝切罗; D·奥达 |
| 一种用于增强场景的深度图像的方法，包括：通过混合第一滤波深度图像与第二滤波深度图像或原始深度图像来计算增强深度图像。所述混合是通过应用混合图来实现的，所述混合图为每个像素限定所述第一滤波深度图像的对应像素和所述第二滤波深度图像或所述原始深度图像的对应像素对所述增强深度图像的贡献。对于所述深度图像中的不包含深度值或包含无效深度值的像素，所述混合图限定了所述第二滤波深度图像的对应像素的零贡献以及所述第一滤波图像的对应像素的100％贡献。 | ||||||
| 78 | 一种图像深度提取方法 | CN201210524312.3 | 2012-12-07 | CN103049906B | 2015-09-30 | 王好谦; 吴畏; 张永兵; 戴琼海 |
| 本发明公开了一种图像深度提取方法，包括以下步骤：1）对待处理的原始图像进行高斯模糊处理得到N幅模糊图像；N≥2；2）检测原始图像和N幅模糊图像的边缘，获得各图像的边缘图像；3）基于边缘图像，计算边缘处各个像素点在各个高斯滤波参数下对应的模糊参数估计值；4）使用统计学方法分析边缘处各个像素点的N个模糊参数估计值得到边缘处各个像素点的最优模糊参数估计值；5）根据边缘处各个像素点的最优模糊参数估计值，计算图像中边缘处各个像素点的深度值得到稀疏深度图；6）对稀疏深度图做插值处理，获得致密深度图。本发明的方法，相对于现有技术的方法，能得到精确度较高的模糊参数，从而使后续计算得到的深度值的精确度较高。 | ||||||
| 79 | 一种图像深度估计方法 | CN201210479292.2 | 2012-11-22 | CN102982545B | 2015-09-16 | 王好谦; 张春龙; 邵航; 戴琼海 |
| 本发明公开了一种图像深度估计方法，包括以下步骤：1）区域划分：将待处理的图像分割成多个区域；2）迭代处理：21）计算显著性值；22）判断：判断当前迭代针对的各区域的显著性值中最大值与最小值的差值是否小于设定阈值，如果是，则将当前迭代针对的各区域标记上背景标记F0，停止迭代；如果否，则进入步骤23）；23）规范化、二值化和腐蚀：将步骤21）得到的各区域的显著性值规范化操作，规范到0-255；对规范化后的各区域的显著性值进行二值化处理，得到对应的二值图；对得到的二值图进行腐蚀操作，得到腐蚀后的二值图；24）抠图处理；3）深度赋值。本发明的图像深度估计方法，得到的深度图灰度值较精确，深度图层次感较强。 | ||||||
| 80 | 一种图像深度计算方法 | CN201210490257.0 | 2012-11-27 | CN102999910B | 2015-07-22 | 葛晨阳; 姚慧敏; 李倩敏; 葛瑞龙; 李伟; 江豪 |
| 本发明提供的图像深度计算方法，基于结构光的主动视觉模式，采用块匹配运动估计方法提高了匹配精度，通过激光三角法或者查找表的方式获得目标物体的高分辨深度信息，避免了复杂的深度计算公式，实现了深度信息的快速准确获取，简化了硬件结构，易于实现，有利于大规模推广。 | ||||||
QQ群二维码
意见反馈
意见反馈