公开(公告)号：CN119169535B

公开(公告)日：2025-05-13

申请号：CN202411651219.8

申请日：2024-11-19

Applicant: 南京信息工程大学

Inventor： 谈玲 ,  张伟 ,  夏景明 ,  朱吉宁

IPC: G06V20/52 ,  G06V10/42 ,  G06V10/80 ,  G06V10/26 ,  G06V10/10 ,  G06V10/54 ,  G06V10/56 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/096

Abstract: 本发明公开了一种基于深度学习的线路覆冰检测方法，属于图像处理技术领域；获取原始覆冰图像，提取图像中的覆冰特征，结合迁移学习模型提取覆冰图像的全局特征，融合多通道提取特征得到图像的覆冰类型识别结果，得出当前状态的覆冰密度；检测分割图像中的覆冰区域，优化模型分割结果，利用分割出的覆冰区域推算水平覆冰厚度和垂直覆冰厚度；使用等效面积法计算出当前覆冰状态下的线路等效覆冰厚度，根据线路的覆冰环境使用不同的等效覆冰厚度优化计算公式，能够在不同环境下适应线路的覆冰检测需求；本发明通过基于深度学习的图像处理与分析，能够提升覆冰检测的实时性与稳定性，有助于减少各种线路的覆冰威胁，降低维护成本，确保稳定运行。

公开(公告)号：CN119251228B

公开(公告)日：2025-04-29

申请号：CN202411776956.0

申请日：2024-12-05

Applicant: 南京信息工程大学

Inventor： 谈玲 ,  朱吉宁 ,  夏景明 ,  苏健

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/52 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于小样本学习的深度可解释皮肤病识别方法，属于图像处理领域，将同类或异类皮肤病图像分别输入双分支小样本对比学习网络中，对皮肤病图像的病变区域进行分割生成病变分割掩码，提取其中形状信息，并定位包含病变区域的最小正方形边框，进行裁剪缩放获得病变图像；提取两个支路病变图像对应分支的深浅特征，计算双支路深浅特征的对比损失，以优化网络参数，同时提取多尺度纹理信息；将包含形状信息、纹理信息的元数据与图像的深浅特征进行多模态融合用于皮肤病识别，通过多阶段的深度学习网络与医学诊断逻辑的结合，逐步提取并融合病变区域的形态、纹理等特征，以提高皮肤病识别的分类准确性和模型的可解释性。

公开(公告)号：CN119169535A

公开(公告)日：2024-12-20

申请号：CN202411651219.8

申请日：2024-11-19

Applicant: 南京信息工程大学

Inventor： 谈玲 ,  张伟 ,  夏景明 ,  朱吉宁

IPC: G06V20/52 ,  G06V10/42 ,  G06V10/80 ,  G06V10/26 ,  G06V10/10 ,  G06V10/54 ,  G06V10/56 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/096

Abstract: 本发明公开了一种基于深度学习的线路覆冰检测方法，属于图像处理技术领域；获取原始覆冰图像，提取图像中的覆冰特征，结合迁移学习模型提取覆冰图像的全局特征，融合多通道提取特征得到图像的覆冰类型识别结果，得出当前状态的覆冰密度；检测分割图像中的覆冰区域，优化模型分割结果，利用分割出的覆冰区域推算水平覆冰厚度和垂直覆冰厚度；使用等效面积法计算出当前覆冰状态下的线路等效覆冰厚度，根据线路的覆冰环境使用不同的等效覆冰厚度优化计算公式，能够在不同环境下适应线路的覆冰检测需求；本发明通过基于深度学习的图像处理与分析，能够提升覆冰检测的实时性与稳定性，有助于减少各种线路的覆冰威胁，降低维护成本，确保稳定运行。

公开(公告)号：CN119251228A

公开(公告)日：2025-01-03

申请号：CN202411776956.0

申请日：2024-12-05

Applicant: 南京信息工程大学

Inventor： 谈玲 ,  朱吉宁 ,  夏景明 ,  苏健

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/52 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于小样本学习的深度可解释皮肤病识别方法，属于图像处理领域，将同类或异类皮肤病图像分别输入双分支小样本对比学习网络中，对皮肤病图像的病变区域进行分割生成病变分割掩码，提取其中形状信息，并定位包含病变区域的最小正方形边框，进行裁剪缩放获得病变图像；提取两个支路病变图像对应分支的深浅特征，计算双支路深浅特征的对比损失，以优化网络参数，同时提取多尺度纹理信息；将包含形状信息、纹理信息的元数据与图像的深浅特征进行多模态融合用于皮肤病识别，通过多阶段的深度学习网络与医学诊断逻辑的结合，逐步提取并融合病变区域的形态、纹理等特征，以提高皮肤病识别的分类准确性和模型的可解释性。