公开(公告)号：CN116542929A

公开(公告)日：2023-08-04

申请号：CN202310505574.3

申请日：2023-05-06

Applicant: 桂林电子科技大学

Inventor： 刘振丙 ,  龚俊名 ,  路皓翔 ,  王文颢 ,  范涛 ,  涂鹏智

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习网络DenseNet的AOI缺陷检测方法，包括数据增强、缺陷检测网络和损失函数设计，包括：对工业产品缺陷数据进行扩充；设计缺陷检测网络学习产品数据特征实现缺陷识别；设计损失函数约束检测网络模型。本发明能在生产检测中快速识别出有缺陷的产品，并且识别精度高，甚至能识别出人眼难以观测到的细微缺陷，减少漏检与误检，还可以及时调整检测性能；模型的轻量化还降低了实际部署时的存储资源的开销，减少了计算时间；在样本类别极不平衡的情况下也可以很好地学习到正负样本特征，实现快速准确检测的效果。

公开(公告)号：CN119559628A

公开(公告)日：2025-03-04

申请号：CN202411604366.X

申请日：2024-11-11

Applicant: 桂林电子科技大学

Inventor： 陈光喜 ,  杨泽超 ,  唐宇涛 ,  任婕 ,  王文颢 ,  邱睿 ,  徐硕江 ,  刘国华 ,  刘助水 ,  邹泽萍

IPC: G06V20/64 ,  G06V10/20 ,  G06V10/25 ,  G06V10/44 ,  G06V10/75 ,  G06V10/74 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开了一种基于框匹配的鲁棒多模态3D目标检测方法，方法包括：首先，从通过Polar Sampling处理后的密集化LiDAR点云和多视角图像中分别提取特征，生成3D和2D候选框。通过学习3D与2D候选框间的对应关系，减少了对精确校准的依赖，实现了高效的多模态特征融合。该过程包含两个层级的匹配：视图级别匹配确定最相关的图像视图特征，提案级别匹配则建立3D与2D候选框的精确对应。基于匹配的融合模块结合这些候选框的ROI特征，生成最终预测3D框。本发明通过框级匹配实现跨模态特征对齐，不仅整合了细粒度和整体特征，还显著增强了系统应对传感器异步、位置偏移及图像退化等实际问题的能力，从而大幅提升了3D目标检测的稳定性和安全性。

公开(公告)号：CN119181068A

公开(公告)日：2024-12-24

申请号：CN202411312693.8

申请日：2024-09-20

Applicant: 桂林电子科技大学

Inventor： 谢方菲 ,  任婕 ,  唐宇涛 ,  陈光喜 ,  王文颢 ,  邱睿 ,  徐硕江 ,  刘助水 ,  刘国华

IPC: G06V20/56 ,  G06V10/40 ,  G06V10/62 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明提供了一种基于多分辨率BEV的环境感知方法包括：获取六视图图像；构建基于多分辨率BEV的环境感知预测模型；将所述六视图图像输入所述多分辨率BEV环境感知预测模型，对一个包含多个分辨率BEV的BEV list分别获取时间特征和空间特征，基于所述空间特征和时间特征，更新高质量BEV list，基于所述BEV list，融合BEV list中各个分辨率BEV的特征，生成最终的BEV list以用于不同的环境感知任务。本发明对BEV list进行了时空的特征提取及融合，充分利用了时序信息和高层语义信息用于加强环境感知，通过对BEV list的设计，更加关注30m以内的区域即BEV list中的高分辨率BEV，对30m以外的区域使用BEV list中的低分辨率BEV表示。本方案能够在保持关键区域高精度的同时降低远距离区域的计算开销。

公开(公告)号：CN116645281A

公开(公告)日：2023-08-25

申请号：CN202310505440.1

申请日：2023-05-06

Applicant: 桂林电子科技大学

Inventor： 刘振丙 ,  黄颖忻 ,  范涛 ,  路皓翔 ,  王文颢 ,  黄杰钰

IPC: G06T5/00 ,  G06T5/50 ,  G06V10/42 ,  G06V10/80 ,  G06T7/33 ,  G06V10/774

Abstract: 本发明公开了一种基于多阶段拉普拉斯特征融合的微光图像增强方法，将拉普拉斯金字塔分解为四个阶段，采用由粗到细的策略恢复微光图像，大尺度图像更关注高频信息，小尺度图像更关注低频信息，不同尺度特征的融合从而得到融合图像；在特征提取后传播修正后的特征，结合注意力和残差策略的机制，捕捉长期的图片中的上下文相互依赖关系；在拉普拉斯金字塔的第二阶段和第三阶段通过监督校正模块进一步保留图像的局部细节，并在向下一个阶段传播前对图像的亮度进行适当的调整。该方法能够同时减轻退化困难，并在避免增强图像流程中细节丢失、局部曝光过低等方面之间取得平衡。

公开(公告)号：CN116645273A

公开(公告)日：2023-08-25

申请号：CN202310633223.0

申请日：2023-05-31

Applicant: 桂林电子科技大学

Inventor： 刘振丙 ,  王文颢 ,  黄杰钰 ,  路皓翔 ,  范涛

IPC: G06T3/40 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种令单一图像超分辨率模型适配视频超分辨率任务的方法，其特征在于，包括如下步骤：1）浅层特征提取；2）时间特征提取；3）深层特征提取；4）超分辨率帧重建。这种方法将现有不同的单一图像超分辨率模型适配到视频超分辨率任务中并取得令人满意的性能，从而减少改编单一图像超分辨率模型适配视频超分辨率任务的难度。