Dec, 2023

一种全面的端到端计算机视觉框架用于低质量工程图纸的修复与识别

PDF
TL;DR本文提出了一个终端到终端的框架来恢复低质量的工程图纸，并识别其上的图形符号，利用统计学的灰度共现矩阵对工程图纸修复补全，使用改进版的超分辨率生成对抗网络（ESRGAN）模型和改进版的基于区域的卷积神经网络（Faster R-CNN）模型分别改善两种类型的补丁质量，并提出多阶段任务驱动的协作学习策略来训练模型，以实现图形符号的识别。通过在真实世界的电气图表上进行实验，结果表明该框架的准确率为 98.98%，召回率为 99.33%，证明其优于之前的方法。此外，该框架已集成到广泛使用的电力系统软件应用中以展示其实用性。
发现论文，激发创造
  • 手写电路图像的模块化图形提取

    通过在较大的公共数据集上评估各个子任务的方法，该论文描述了一种模块化的端到端解决方案，其中包括电气符号和文本的对象检测、二值分割、手写字符识别和方向回归，进而提供了电路图的自动化提取方法。

    Feb, 2024

  • 基于 GP-WGAN 和增强 Faster R-CNN 的稀有缺陷自动视觉检测框架

    本文提出了一种基于深度学习的两阶段故障诊断框架，第一阶段通过数据扩增增强图像处理性能，第二阶段则使用改进后的深度学习架构进行对象检测，在两个多类别数据集上的实验结果表明，该框架优于其他解决方案。

    May, 2021

  • SketchCleanNet—— 一种基于深度学习的查询草图增强和校正方法，用于 3D CAD 模型检索系统

    本文主要介绍了一种基于深度学习的方法来清理和增强三维 CAD 模型的手绘查询草图，从而改善搜索引擎的结果。结果表明，使用这种方法可以获得更好的搜索结果。

    Jul, 2022

  • 物理设计图纸的高级知识提取，利用深度学习进行转换和转换为 CAD 格式

    使用深度学习方法将设计图纸转换为数字格式，以解决其在实体形式下的维护、存档和使用的困难，并通过对象检测模型、边缘检测算法、曲线检测技术和光学字符识别工具提高转换的准确性和效率，进而提高组织的生产力、促进协作并方便地保留有价值的设计信息。

    Mar, 2024

  • 自动反向工程：从多视图图像创建计算机辅助设计 (CAD) 模型

    计算机辅助设计（CAD）模型生成是一项重要任务，提出了一种利用卷积神经网络、多视角池化和基于转换器的 CAD 序列生成器的网络架构，通过大量的模拟输入图片进行训练和优化，成功地从测试图像数据重建有效的 CAD 模型，并表明该网络的一些能力可以迁移到实际照片领域，然而目前可行的模型复杂度仍然受限于基本形状。

    Sep, 2023

  • 计算摄影与视觉识别之间的桥梁

    本文介绍了 UG^2 数据集作为用于测量算法对视频图像质量和目标识别的影响的大型基准测试，以及六种新的图像恢复或增强算法，旨在通过改善图像外观和识别相结合的问题来促进视觉识别应用于许多现实场景。

    Jan, 2019

  • 技术图纸的深度向量化

    我们提出了一种新的技术线绘图矢量化方法，包括深度学习预处理、变形器网络估计矢量基元以及优化过程等步骤，该方法在代表性技术绘图上定量和定性地胜过现有技术。

    Mar, 2020

  • SR-GAN 模型的比较分析

    评估多个最新的 SR GAN 模型（超分辨率生成对抗网络），包括 ESRGAN、Real-ESRGAN 和 EDSR，在经过流程处理的现实世界图像基准数据集上的性能，结果表明某些模型能够显著提高图像分辨率同时保留其视觉质量，使用 Tesserect OCR 引擎进行评估，其中 EDSR 模型在定量指标和主观视觉质量评估上优于其他模型，具有最少的计算开销，并且生成的图像具有更高的峰值信噪比（PSNR）和结构相似性指数（SSIM）值，通过 Tesseract OCR 引擎返回高质量的 OCR 结果，这些发现表明 EDSR 是一种稳健有效的单图像超分辨率方法，特别适用于对高质量视觉保真度至关重要且经过优化计算的应用。

    Jul, 2023

  • 使用卷积神经网络和随机视图聚集提高计算机辅助检测

    本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的 CAD 检测性能，并综合展示了该方法在各种医学影像 CAD 检测中的应用前景。

    May, 2015

  • 基于生成模型的合成训练图像生成：铁路缺陷检测中认知的一种方法

    该研究提出了一种基于 Variational Autoencoder (VAE) 的合成图像生成技术，用于铁路缺陷，通过引入权重衰减正则化和图像重构损失来防止过拟合。使用该合成数据集进行微调的 Visual Transformer (ViT) 模型在铁路缺陷分类中取得了高准确率（98%-99%），为解决铁路缺陷检测中的数据稀缺挑战提供了有希望的解决方案，展示了该领域鲁棒智能认知系统发展的潜力。

    Dec, 2023