-
公开(公告)号：CN119048746A
公开(公告)日：2024-11-29
申请号：CN202411545331.3
申请日：2024-11-01
Applicant: 无锡学院
IPC: G06V10/25 , G06N3/0464 , G06N3/082 , G06V10/82 , G06V20/68
Abstract: 基于YOLOv8y对图像目标检测方法及其系统，属于图像检测技术领域，解决了现有的苹果采摘机械人在复杂天气果园环境下无法对苹果果实进行精准的检测的问题。确定YOLOv8y的比例因子；在YOLOv8y骨干网络中，图像依次经过V7 Downsampling以及多个联级的V7 Downsampling和C2f进行特征提取，分别输出多个尺度的特征图像；YOLOv8y颈部‑双向特征金字塔结构网络中的双向流动结构进行融合多个尺度的特征图像，输出融合后的多个尺度的特征图像；YOLOv8y头部网络中的PIoUv2损失函数基于融合后的多个尺度的特征图像实现对目标的检测；对YOLOv8y依次进行剪枝、调整的操作。
-
公开(公告)号：CN119006805A
公开(公告)日：2024-11-22
申请号：CN202411496242.4
申请日：2024-10-25
Applicant: 无锡学院
Abstract: 一种用于城市环境中的目标检测方法，属于目标检测技术领域，具体涉及城市环境中的目标检测技术领域。其解决了单阶段检测器将分类和检测回归合并为一个阶段比较困难，从而导致在城市中进行目标检测时结果不精确的问题。本发明所述方法对YOLOv7模型进行改进，降低模型复杂度，实现模型的轻量化。当通过改进YOLOv7模型获得目标坐标、目标类别和置信度后，将这些数据处理，重新计算其置信度，得到真实置信度，将所有信息整理成用于构建异构图神经网络（SeHGNN网络）的训练数据集。最后，将异构图神经网络得到的推理置信度用来替换改进YOLOv7模型得到的置信度，从而提高目标检测精度。
-
公开(公告)号：CN117495882B
公开(公告)日：2024-07-19
申请号：CN202311823399.9
申请日：2023-12-28
Applicant: 无锡学院
IPC: G06T7/11 , G06N3/0464 , G06N3/084 , G06T7/194
Abstract: 本发明公开了一种基于AGCH‑Net和多尺度融合的肝脏肿瘤CT图像分割方法，用于医疗复杂图像分割，包括：获取公开的肝脏肿瘤分割基准数据集，获取训练样本集；搭建神经网络结构，并进一步构建神经网络模型，以适用于肝脏肿瘤CT图像分割；其中，神经网络结构以语义分割网络U‑Net网络为网络框架，利用融合倒置残差卷积替换U‑Net网络中原始卷积，并在U‑Net网络插入改进型AGCH注意力机制以及在U‑Net网络的瓶颈处采用SE_ASPP模块；获取待分割图像进行初步处理并输入神经网络模型中进行图像分割、特征提取、图像优化操作，输出肝脏区域分割结果。本发明采用U‑NET网络为图像处理网络基础框架，并对其进行改进，添加优化分割精度，优化学习能力的网络模块，提高分割性能。
-
公开(公告)号：CN117495882A
公开(公告)日：2024-02-02
申请号：CN202311823399.9
申请日：2023-12-28
Applicant: 无锡学院
IPC: G06T7/11 , G06N3/0464 , G06N3/084 , G06T7/194
Abstract: 本发明公开了一种基于AGCH‑Net和多尺度融合的肝脏肿瘤CT图像分割方法，用于医疗复杂图像分割，包括：获取公开的肝脏肿瘤分割基准数据集，获取训练样本集；搭建神经网络结构，并进一步构建神经网络模型，以适用于肝脏肿瘤CT图像分割；其中，神经网络结构以语义分割网络U‑Net网络为网络框架，利用融合倒置残差卷积替换U‑Net网络中原始卷积，并在U‑Net网络插入改进型AGCH注意力机制以及在U‑Net网络的瓶颈处采用SE_ASPP模块；获取待分割图像进行初步处理并输入神经网络模型中进行图像分割、特征提取、图像优化操作，输出肝脏区域分割结果。本发明采用U‑NET网络为图像处理网络基础框架，并对其进行改进，添加优化分割精度，优化学习能力的网络模块，提高分割性能。
-
公开(公告)号：CN116128932A
公开(公告)日：2023-05-16
申请号：CN202310411457.0
申请日：2023-04-18
Applicant: 无锡学院
IPC: G06T7/246 , G06N3/0464 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种多目标跟踪方法，包括以下步骤：获取待检测视频，并对所述待检测视频进行目标检测，针对每个待处理的跟踪目标图像，将图像对和所述图像对中每个跟踪目标图像的所述目标检测框输入至特征提取网络进行特征信息提取；目标跟踪时，使用最小二乘法和卡尔曼滤波器分别预测目标的运动轨迹，跟踪目标被遮挡时，以视频前一帧目标检测框的消失帧数为阈值选择最小二乘法或卡尔曼滤波器预测目标的运动轨迹，得到预测跟踪框，目标遮挡结束后使用关联策略进行目标身份关联，实现跟踪目标的继续跟踪。通过本发明方法，有效减少了跟踪过程中的跟踪目标身份切换次数，跟踪准确度高。
-
Patent Agency Ranking
公开(公告)号：CN119832221A
公开(公告)日：2025-04-15
申请号：CN202510307786.X
申请日：2025-03-17
Applicant: 无锡学院
Abstract: 基于YOLOv8改进算法的樱桃番茄成熟度检测方法。涉及图像识别领域，具体涉及基于YOLOv8模型的樱桃番茄在复杂环境下成熟度检测技术领域。解决了现有技术检测精度不够，处理密集目标能力不足的问题。所述方法包括如下步骤：预处理数据集；优化YOLOv8n模型：在YOLOv8n模型的主干部分中，将Conv模块替换为ADown模块；在YOLOv8n模型的颈部部分中，将C2F模块替换为VoVGSCSP模块、将Conv模块替换为GSConv模块以及添加EMA机制；采用测试集评估ASE‑YOLOv8n模型的性能，当置信度阙值大于0.6时，测试合格。
-
公开(公告)号：CN119229476A
公开(公告)日：2024-12-31
申请号：CN202411718475.4
申请日：2024-11-28
Applicant: 无锡学院
IPC: G06V40/10 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/20 , G06V10/40 , G06V10/80 , G06V10/82
Abstract: 基于深度学习特征增强的复杂背景下昆虫检测方法和系统，涉及小目标检测领域。解决了农业昆虫检测缺乏真实场景中动态捕获到的昆虫图像的问题。方法包括：获取图像，并对所述图像进行预处理；构建S‑Insect‑Det网络结构，S‑Insect‑Det网络结构包括主干网络、颈部网络和检测头；所述主干网络为基于Transformer的EfficientViT网络；所述颈部网络为双向多尺度融合架构；通过主干网络进行图像特征提取，并通过颈部网络进行多尺度特征融合；通过检测头输出特征融合后的特征表示，获取昆虫识别结果。本发明应用于昆虫识别领域。
-
公开(公告)号：CN116524283A
公开(公告)日：2023-08-01
申请号：CN202310779764.4
申请日：2023-06-29
Applicant: 无锡学院
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种农业虫害图像检测分类方法及系统，所述方法包括以下步骤：S1：对获取到的待分类农业虫害图像预处理，将预处理后的待分类农业虫害图像划分为训练集和测试集；S2：将图像分类模型作为农业虫害图像的分类模型，所述图像分类模型为改进后的YoloX模型，以YoloX模型为基本架构，darknet53特征提取模块替换为Swin‑Transformer模块、在neck网络的FPN特征融合模块加入DG模块、CLFM模块，设置Focalloss损失函数；S3：利用训练集对图像分类模型进行训练；S4：利用训练好的图像分类模型对测试集进行检测，输出农业虫害图像检测分类结果。本发明实现了提升农业虫害图像检测分类准确率，对YoloX模型改进，引入Focalloss目标损失函数，提高农业虫害图像的检测分类效果、适应性。
-
公开(公告)号：CN119445070A
公开(公告)日：2025-02-14
申请号：CN202411435307.4
申请日：2024-10-15
Applicant: 无锡学院
IPC: G06V10/25 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/143 , G06V20/58 , G06V20/70 , G06N3/0464 , G06N3/045 , G06N3/0985 , G06N3/048
Abstract: 本发明提出一种基于改进轻量化YOLOv8模型的夜间红外检测方法及系统，涉及深度学习、目标检测的技术领域。首先，获取红外图像数据集，对红外图像数据集进行预处理，并将预处理后的红外图像数据集划分为训练集、验证集和测试集；构建改进轻量化YOLOv8模型；所述改进轻量化YOLOv8模型在YOLOv8模型的基础上加入用于提高红外图像多尺度及特征提取能力的DWR模块、用于提高图像特征融合能力的CGAFusion模块和LSDECD_Detect模块；利用训练集对改进轻量化YOLOv8模型进行训练，并在训练过程中，利用验证集验证改进轻量化YOLOv8模型的有效性，得到训练好的改进轻量化YOLOv8模型；将测试集输入至训练好的改进轻量化YOLOv8模型，得到红外检测结果，实现在夜间能见度较差的情况下，提高车辆检测准确率。
-
公开(公告)号：CN118038085B
公开(公告)日：2024-06-07
申请号：CN202410417807.9
申请日：2024-04-09
Applicant: 无锡学院
IPC: G06V10/46 , G06N3/045 , G06N3/088 , G06N3/0895 , G06V10/764 , G06V10/778 , G06V10/80 , G06V10/82
Abstract: 一种基于孪生网络的点云关键点检测方法及装置，涉及点云关键点检测领域。解决了现有技术输入的点云是单视角或存在缺陷时，其无法有效输出缺失位置的关键点的问题。所述方法包括将两个同一个物体的不同的单视觉点云数据输入孪生网络模型中，通过无监督学习训练得到两组有点云位置的受约束的关键点；将两组所述受约束的关键点拼接，合成完整的所述物体的关键点；通过孪生网络模型中的两个网络拟合，得到完整的不被约束的关键点；将检测关键点的任务分配给对应的关键点类别，得到训练好的孪生网络模型；输出一组受约束的关键点和一组不受约束的关键点，完成点云关键点的检测。还适用于缺失位置的关键点检测中。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.025 seconds)
