公开(公告)号：CN115393774A

公开(公告)日：2022-11-25

申请号：CN202211099669.1

申请日：2022-09-09

Applicant: 南京邮电大学

Inventor： 张登银 ,  李旭 ,  金小飞 ,  陆松浩

IPC: G06V20/40 ,  G06V10/82 ,  G06V10/56 ,  G06V10/44 ,  G06V10/764 ,  G06V10/80 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种轻量化的火灾烟雾检测方法、终端设备及存储介质，属于烟雾检测技术领域，主要基于混合高斯模型和YUV颜色模型相结合，筛选出类似烟雾的前景，并调用改进的yolo算法对类似烟雾的前景进行进一步筛选，将网络YOLOv5s的Backbone主干网络替换为参数更少的Mobilenetv3的主干网络进行特征提取，在mobile‑yolov5的主干网络中添加了SE注意力机制，引入了ACON激活函数以取代YOLOv5的Leaky ReLU激活函数，形成ACON‑CSP模块进行特征提取，本发明利用混合高斯和YUV相结合对烟雾前景进行提取来进行预处理，预处理阶段排除静态干扰、非烟雾颜色干扰的同时，缩小烟雾检测的范围；在保证了相对精度的同时，提升了检测的速度，为户外计算机较低的终端设备进行火灾烟雾检测提供了一种可能的方法。

公开(公告)号：CN115330620A

公开(公告)日：2022-11-11

申请号：CN202210961250.6

申请日：2022-08-11

Applicant: 南京邮电大学

Inventor： 张登银 ,  金小飞 ,  倪文晔 ,  李旭 ,  郭丁旭 ,  彭程

IPC: G06T5/00 ,  G06T5/50 ,  G06V10/42 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于循环生成对抗网络的图像去雾方法，属于图像处理技术领域。本发明包括：获取待处理的有雾图像；将待处理的有雾图像输入预先训练好的循环生成对抗网络中，获得所述待处理有雾图像对应的无雾图像；所述循环生成对抗网络包括生成器，生成器包括用于有雾图像生成无雾图像的去雾模块和图像有雾区域注意模块；去雾模块和图像有雾区域注意模块的输出结果相乘，得到最终输出的无雾图像。优点：基于循环生成对抗网络进行图像去雾，消除对成对数据集的要求，有雾图像特征提取充分，提升了去雾效果且最终得到的去雾图像自然均衡，减少了细节缺失。

公开(公告)号：CN116703765A

公开(公告)日：2023-09-05

申请号：CN202310653152.0

申请日：2023-06-05

Applicant: 南京邮电大学

Inventor： 彭程 ,  李飞达 ,  季宏伟 ,  张登银 ,  赵莎莎 ,  金小飞

IPC: G06T5/00 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明公开了一种基于SqueezeNet的生成对抗网络图像去雾方法及装置，方法包括：将采集的有雾图像输入构建的基于SqueezeNet的生成对抗网络模型中，输出去雾后的无雾图像；其中，所述基于SqueezeNet的生成对抗网络模型包括生成器网络和判别器网络。本发明通过特征提取网络SqueezeNet提取雾密度特征，使去雾网络能够自动调整不同浓度区域的权重，更有效地分离雾霾和图像内容，实现在真实场景中对不同浓度雾霾的非均匀处理。改进的注意力块使去雾网络能够提取到图像的关键特征，提高了去雾网络的性能。引入感知损失帮助恢复更多的图像细节信息，避免了传统卷积神经网络导致的图像空间细节丢失的问题。

公开(公告)号：CN115376108A

公开(公告)日：2022-11-22

申请号：CN202211098795.5

申请日：2022-09-07

Applicant: 南京邮电大学

Inventor： 张登银 ,  辛文红 ,  金小飞

IPC: G06V20/58 ,  G06V10/36 ,  G06T5/00 ,  G06V10/42 ,  G06V10/44 ,  G06V10/52 ,  G06V10/80 ,  G06V10/762 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种复杂天气下障碍物检测方法及装置，包括：获取复杂天气环境下图像；利用带色彩恢复的多尺度视网膜增强算法MSRCR对图像进行增强预处理；将预处理后的图像输入训练好的基于改进YOLOv3网络的障碍物检测模型；根据所述基于改进YOLOv3网络的障碍物检测模型的输出，确定复杂天气下障碍物检测结果；其中所述障碍物检测模型的构建方法包括：在YOLOv3的卷积块Convolutional Set中插入了SPP模块；使用ELU激活函数替换原YOLOv3网络中卷积层的Leaky‑ReLU激活函数；获取不同天气条件下障碍物检测的数据集；使用K‑Means++算法对数据集中真实框重新聚类，得到合适的锚框；通过处理后的数据集对障碍物检测模型进行训练，得到训练好的基于改进YOLOv3网络的障碍物检测模型。

公开(公告)号：CN115170805A

公开(公告)日：2022-10-11

申请号：CN202210886251.9

申请日：2022-07-26

Applicant: 南京邮电大学

Inventor： 张登银 ,  倪文晔 ,  金小飞 ,  杜群荐

IPC: G06V10/26 ,  G06V10/54 ,  G06V10/56 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种结合超像素和多尺度分层特征识别的图像分割方法，该方法建立在卷积神经网络模型上，以从图像的高斯金字塔中提取多尺度分层特征作为识别依据，再与多层感知器相连接实现图像中各像素的识别，解决现有技术中基于卷积神经网络结构的图像分割方法中需要将数据集归一化，并且不同的尺寸混合在一起难以训练的问题；并且该方法对图像进行超像素分割，结合LBP纹理特征改进的超像素方法对原图像进行分割，使得到的超像素块更贴合目标边缘，再利用颜色均值对原图像进行合并，最终实现图像中各目标的识别，从而解决在前期图像预处理过程中没有人为的对图像中的目标进行划分，导致对于图像处于交叠边缘位置的像素可能出现误判的问题。