-
公开(公告)号：CN116935221A
公开(公告)日：2023-10-24
申请号：CN202310901025.8
申请日：2023-07-21
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V20/10 , G06V20/70 , G06V10/25 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08 , G06Q50/02 , G16Y10/05
Abstract: 一种基于物联网的植保无人机杂草深度学习检测方法，涉及图像识别技术领域，植保无人机对农田进行数据采集，进行挑选制作农作物与杂草数据集，利用农作物与杂草数据集进行分析标注并转换标注格式，图像预处理，特征提取网络模型搭建，特征融合网络模型搭建，图像训练及测试验证，对训练结果进行封装，构建物联网系统。解决了杂草识别准确率低的问题，具有鲁棒性高，泛化能力强，准确度高的特点。
-
公开(公告)号：CN120031913A
公开(公告)日：2025-05-23
申请号：CN202510036639.3
申请日：2025-01-09
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明属于图像处理技术领域，公开了一种基于分割大模型的3D物体跟踪方法及系统，包括获取数据集，并进行预处理，获得连续运动的图像数据；构建轻量化分割模型，将图像数据输入分割模型，对图像进行特征提取，对图像特征进行特征放大，对放大后的图像特征进行遮罩求解，对得到的遮罩进行边缘优化，获得第一概率图；采用颜色直方图法对图像数据进行概率图计算，获得第二概率图，融合第一和第二概率图，将融合后的概率图进行位姿优化，获得位姿矩阵，利用位姿矩阵进行物体跟踪；对轻量化分割模型进行训练，获得训练好的分割模型。本发明设计了3D物体追踪框架Fuse‑Tracker，利用EF‑SAM轻量化分割模型进行计算，获得轻量化效果的同时提高了3D物体追踪精度。
-
Patent Agency Ranking
公开(公告)号：CN117132584B
公开(公告)日：2024-02-13
申请号：CN202311227287.7
申请日：2023-09-22
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 一种基于深度学习的液晶显示屏瑕疵检测方法及装置，涉及计算机视觉目标检测技术领域，通过设计轻量化特征提取网络，在保证液晶显示屏瑕疵特征提取能力的基础上减少计算量，提高模型的检测速度；设计跨层多尺度特征融合网络，高效的融合特征提取网络的浅层细粒度信息和深层语义信息；设计精细化预测网络，包括特征聚合器和特征提纯模块，特征聚合器融合了多层次的特征，提取更多上下文信息，增强细粒度特征的提取；特征提纯模块抑制了不同尺度特征图的冲突信息，减少语义差异，提高了模型对液晶显示屏瑕疵检测的准确率。
-
公开(公告)号：CN117132584A
公开(公告)日：2023-11-28
申请号：CN202311227287.7
申请日：2023-09-22
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 一种基于深度学习的液晶显示屏瑕疵检测方法及装置，涉及计算机视觉目标检测技术领域，通过设计轻量化特征提取网络，在保证液晶显示屏瑕疵特征提取能力的基础上减少计算量，提高模型的检测速度；设计跨层多尺度特征融合网络，高效的融合特征提取网络的浅层细粒度信息和深层语义信息；设计精细化预测网络，包括特征聚合器和特征提纯模块，特征聚合器融合了多层次的特征，提取更多上下文信息，增强细粒度特征的提取；特征提纯模块抑制了不同尺度特征图的冲突信息，减少语义差异，提高了模型对液晶显示屏瑕疵检测的准确率。
-
公开(公告)号：CN116935221B
公开(公告)日：2024-02-13
申请号：CN202310901025.8
申请日：2023-07-21
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V20/10 , G06V20/70 , G06V10/25 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08 , G06Q50/02 , G16Y10/05
Abstract: 一种基于物联网的植保无人机杂草深度学习检测方法，涉及图像识别技术领域，植保无人机对农田进行数据采集，进行挑选制作农作物与杂草数据集，利用农作物与杂草数据集进行分析标注并转换标注格式，图像预处理，特征提取网络模型搭建，特征融合网络模型搭建，图像训练及测试验证，对训练结果进行封装，构建物联网系统。解决了杂草识别准确率低的问题，具有鲁棒性高，泛化能力强，准确度高的特点。(56)对比文件Zhiren Zhu.et al.Improved YOLOv5l-based Detection of Surface Defects in HotRolled Steel Strips《.Frontiers inComputing and Intelligent Systems》.2023,第4卷(第1期),全文.
-
公开(公告)号：CN117036937B
公开(公告)日：2024-01-26
申请号：CN202310901011.6
申请日：2023-07-21
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/25 , G06N3/045 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 一种基于物联网和深度学习的盲道方向识别及瑕疵检测方法，涉及智能交通技术领域，包括：获取盲道图像，图像加雾处理，图像标注，搭建模型，模型训练与测试，模型部署。将深度学习方法与物联网技术相融合，识别盲道的方向以及盲道表面的裂缝与坑洞，用于辅助盲人出行以及盲道维修。能够实时识别盲道方向以及盲道表面的瑕疵，方法具有准确率高，泛化性强的特点，可以将盲道相关信息通过物联网技术，传输至盲人或者盲道维修部门手中，在智能交通，尤其是盲道交通及盲道管理等领域具有较好的应用前景。
-
公开(公告)号：CN117036937A
公开(公告)日：2023-11-10
申请号：CN202310901011.6
申请日：2023-07-21
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/25 , G06N3/045 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 一种基于物联网和深度学习的盲道方向识别及瑕疵检测方法，涉及智能交通技术领域，包括：获取盲道图像，图像加雾处理，图像标注，搭建模型，模型训练与测试，模型部署。将深度学习方法与物联网技术相融合，识别盲道的方向以及盲道表面的裂缝与坑洞，用于辅助盲人出行以及盲道维修。能够实时识别盲道方向以及盲道表面的瑕疵，方法具有准确率高，泛化性强的特点，可以将盲道相关信息通过物联网技术，传输至盲人或者盲道维修部门手中，在智能交通，尤其是盲道交通及盲道管理等领域具有较好的应用前景。
-
-
-
-
-
-
Search Results
7
records
(took 0.055 seconds)
