公开(公告)号：CN116895007A

公开(公告)日：2023-10-17

申请号：CN202310877467.3

申请日：2023-07-18

Applicant: 西南石油大学

Inventor： 罗仁泽 ,  林虹宇 ,  王磊 ,  吴涛 ,  刘恒 ,  雷璨如 ,  武娟 ,  王清松 ,  易玺 ,  廖波 ,  曹瑞 ,  赵丹

IPC: G06V10/82 ,  G06V10/40 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提出一种基于改进YOLOv8n的小目标检测方法。方法具体步骤如下：(1)构建小目标数据集；(2)引入过渡下采样模块替代YOLOv8n模型浅层下采样操作，减少了输入图像由于连续下采样导致的小目标信息丢失；(3)在YOLOv8n模型中分别插入上采样模块和下采样模块，减少了较浅层网络中由于下采样导致的小目标信息丢失；(4)采用融合了改进SwinTransformer‑V2模块的改进C3模块替换YOLOv8n模型中部分C2f模块，加强了小目标信息在主干特征提取网络深层部分的关注度；(5)利用(1)中构建的数据集对改进的YOLOv8n模型进行训练、验证、评价。本发明在减少模型少量参数量、满足实时检测要求的情况下，增加了小目标检测的平均精度均值，减少了误检漏检情况的发生。

公开(公告)号：CN116416432A

公开(公告)日：2023-07-11

申请号：CN202310392019.4

申请日：2023-04-12

Applicant: 西南石油大学

Inventor： 罗仁泽 ,  李华督 ,  唐祥 ,  王磊 ,  雷璨如 ,  陈翔 ,  吴涛 ,  刘恒 ,  林泓宇 ,  罗任权 ,  邓治林 ,  余泓 ,  谭亮 ,  武娟 ,  曹瑞 ,  赵丹 ,  王清松 ,  易玺 ,  廖波

IPC: G06V10/26 ,  G06V10/82 ,  G06V10/776 ,  G06T7/194 ,  G06T7/00 ,  G06N3/0455 ,  G06N3/0464

Abstract: 本发明提出一种基于改进UNet的管道焊缝图像分割方法。该方法首先先对采集到的管道焊缝图像数据进行预处理并建立数据集，然后构建改进UNet网络管道焊缝图像分割模型，具体实施方法为：首先利用密集连接块结合并行注意力机制构建网络下采样模块，提升模型特征提取能力，再利用深度可分离卷积代替普通卷积，减少了模型计算量与计算量，最后使用加权Dice和交叉熵函数结合的新损失函数，缓和管道焊缝图像中焊缝区域与非焊缝区域占比不均衡的情况；最后利用数据训练集对模型进行参数训练，并将测试集图像输入训练好的网络模型，得到分割后的图像；本发明的分割模型对管道焊缝图像的目标分割精度高，分割效果好。

公开(公告)号：CN117671260A

公开(公告)日：2024-03-08

申请号：CN202311676424.5

申请日：2023-12-08

Applicant: 西南石油大学

Inventor： 罗仁泽 ,  曹瑞 ,  廖波 ,  林虹宇 ,  易玺 ,  赵丹 ,  武娟 ,  刘恒 ,  吴涛 ,  王磊 ,  雷璨如

IPC: G06V10/26 ,  G06V10/25 ,  G06V10/80 ,  G06V10/82 ,  G06V20/70 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明公开一种基于改进U‑Net的图像异常特征分割方法。以残差卷积模块为基本单元，提出了一种基于改进U‑Net的图像异常特征分割方法。在U‑Net的编码、解码部分引入残差卷积模块对图像目标进行特征提取；并结合改进的空间注意力机制，加强目标区域关注度；最后使用多层级特征加强模块，充分融合低层特征的空间信息和高层特征的语义信息；在网络训练时使用混合损失优化分割结果。本发明公开的医学图像异常特征分割方法，可提升医学图像异常特征的分割精度。

公开(公告)号：CN116542357A

公开(公告)日：2023-08-04

申请号：CN202310157010.5

申请日：2023-02-23

Applicant: 西南石油大学

Inventor： 罗仁泽 ,  雷璨如 ,  赵丹 ,  易玺 ,  廖波 ,  曹瑞 ,  武娟

IPC: G06Q10/04 ,  G06F18/2415 ,  G06F30/28 ,  G06F30/27 ,  G06N3/08 ,  G06N20/20 ,  G06Q50/02 ,  G06F111/10

Abstract: 一种基于集成学习的高含水致密砂岩储层产能智能预测方法，本方法在bagging集成算法的采样方式和基分类器输入特征筛选两方面进行了修改，原采样方式的数据采样为随机采样，每个基分类器的输入特征相同，本发明的采样方式在随机采样中加入了相关系数筛选机制，若每一个采样后的数据集所有输入测井特征与预测值的相关系数之和小于预设值则舍弃此数据集，重新采样；将基于信息增益的特征重要性生成算法用于计算每个基学习器的训练集的测井特征重要程度，取重要程度最高的前N个测井特征作为该基学习器的输入特征。

公开(公告)号：CN116244451A

公开(公告)日：2023-06-09

申请号：CN202310332143.1

申请日：2023-03-31

Applicant: 西南石油大学

Inventor： 罗仁泽 ,  陈翔 ,  雷璨如 ,  武娟 ,  王清松 ,  赵丹 ,  易玺 ,  廖波 ,  曹瑞

IPC: G06F16/36 ,  G06N5/022 ,  G06F40/295 ,  G06N3/084 ,  G06F18/214 ,  G06F17/14 ,  G06F18/24 ,  G06F18/22 ,  G06N3/04

Abstract: 本发明提出一种融合快速傅里叶变换知识抽取模型的知识图谱构建方法，具体实施方法为：首先标注数据集，并将数据集进行划分；构建加入了傅里叶变换‑幅频特性计算模块的深度学习模型，引入幅频自适应权重系数θ，动态调整θ，来调整模型的特征提取能力，从而快速、准确抽取领域数据知识；接着使用余弦相似度计算词向量相似度，并将余弦相似度与手动设定的阈值比较，大于阈值则融合相关实体；然后根据数据语法结构编制规则模板，并且人工筛选后进行补充或删减，抽取两两实体间的关系；最后将实体和关系按主谓宾三元组关系进行存储，导入图数据库，其中节点表示实体，边表示实体间的关系，从而快速构建知识图谱。