买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜长春工业大学申请的专利一种基于FCN和ELM结合的发动机主轴承盖图像分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114529716B 。

龙图腾网通过国家知识产权局官网在2025-03-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202011188556.X，技术领域涉及：G06V10/26；该发明授权一种基于FCN和ELM结合的发动机主轴承盖图像分割方法是由于微波;李昱;杨宏韬;刘克平;李秀兰;钱柏竹设计研发完成，并于2020-10-30向国家知识产权局提交的专利申请。

本一种基于FCN和ELM结合的发动机主轴承盖图像分割方法在说明书摘要公布了：一种基于FCN与ELM结合的图像分割方法，主要用于解决FCN图像语义分割时，进行影像特征采集后，利用滑动窗口遍历整张待分类影像进行分类，再对该特征图进行上采样操作，从而导致的计算效率低，训练时间长，并且精度不够的问题。从而提出了一种基于FCN和ELM结合的图像分割算法，利用ELM良好的分类性，加快进行图像特征的提取分类。本发明的有益效果为：改变传统FCN中的上采样方式。对于曾经的方法中保留池化层3和池化层4的操作之后，将上采样的方式进行一个修改，对池化层5之后，连接到ELM网络结构当中，进行提取的特征信息优化分类。然后再进行上采样过程恢复到原始图片的维度。实验结果显示，提出的方法能够提升图像分割的精度，为提高发动机主轴承盖图像分割的精度提供了一种新的方法和思路。

本发明授权一种基于FCN和ELM结合的发动机主轴承盖图像分割方法在权利要求书中公布了：1.基于FCN与ELM结合实现的图像分割方法，其特征在于，具体包括以下步骤：步骤1：原始图像数据的采集，使用MV-VS1600教学创新实验平台中的高分辨率工业数字相机，拍摄图像训练数据500张，测试数据50张；步骤2：图像预处理，将采集的图像统一变换成灰度图像，然后进行图像增强处理；先将图像进行灰度变换处理，接着使用中值滤波，去除图像表面的一些噪声；步骤3：为保证训练出的模型能够有更好的精度，统一将图片制作成[224*224]规格大小；放在文件夹images里面，其中训练集与验证集分别放在不同的文件夹中，文件夹标记为train与validation；步骤4：利用labelme软件进行数据集制作；将所获得的训练数据和测试数据进行标记制作；然后将制作好的的8位深度的标记图片，放在annotations文件夹下，其中训练集与验证集分别放在不同的文件夹中，文件夹标记为train与validation；步骤5：构建FCN网络初始化，使用的是VGG16卷积神经网络模型，进行特征提取；步骤6：将构造好的卷积神经网络最后的全连接层替换成ELM网络结构，实现FCN与ELM的结合；步骤7：将ELM构建完成后，将输出部分的全连接层替换成卷积层，进行反卷积层构建操作，其是上采样过程；在FCN中，池化操作缩小了输入图片的尺寸，然而在图像分割过程中需要对每一个像素进行分类，并且最终得到与输入图片维度相同的分割图像，因此需要将生成的特征缩略图恢复成原图像的维度；反卷积通过反向训练，能够达到输出重构输入的效果，使输出图像恢复到与输入图像相同大小的维度；将数据集文件夹images和数据集annotations文件夹统一放到Data文件夹下；将训练集输入到搭建好的FCN与ELM结合的模型中进行训练；将测试集输入到搭建好的FCN与ELM结合的模型当中，对完成训练的FCN与ELM结合的模型进行测试；其中步骤6的具体方法是：a.将卷积神经网络提取得到的训练集特征n，构建ELM网络，其中ELM网络的输入层有n个输入变量，即训练集特征n，将n个输入变量xi，ti，i＝1，2，…，N，其中xi＝[xi1，xi2，…，xm]∈Rn，ti＝[ti1，ti2，…tm]∈Rm，则极限学习机的目标函数为：Hβ＝T′1式中H为神经网络隐层的输出矩阵；T为期望输出，t′为T的转置矩阵；b.H的形式为： c.T的形式为：T＝[t1，t2，…，tN]T3其中hx的形式为：hx＝NW.x+b4W∈RL×n为输入层到隐含层的权值，b∈RL为隐含层的偏置量，N为激励函数；d.输入层与隐含层间的连接权值W和隐含层神的偏置量b，在训练前随机选取，β的计算式为：β＝H+T5其中，H+为H为Moore-Penrose广义逆矩阵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长春工业大学，其通讯地址为：130012 吉林省长春市朝阳区延安大街2055号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。